TU Darmstadt / ULB / TUprints

Robust Wireless Localization in Harsh Mixed Line-of-Sight/Non-Line-of-Sight Environments

Yin, Feng (2014)
Robust Wireless Localization in Harsh Mixed Line-of-Sight/Non-Line-of-Sight Environments.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Text
PhD_Dissertation_FengYIN.pdf
Copyright Information: CC BY-NC-ND 2.5 Generic - Creative Commons, Attribution, NonCommercial, NoDerivs .

Download (1MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Robust Wireless Localization in Harsh Mixed Line-of-Sight/Non-Line-of-Sight Environments
Language: English
Referees: Zoubir , Prof. Dr. Abdelhak M. ; Gustafsson, Prof. Dr. Fredrik
Date: 15 August 2014
Place of Publication: Darmstadt
Date of oral examination: 8 August 2014
Abstract:

This PhD thesis considers the problem of locating some target nodes in different wireless infrastructures such as wireless cellular radio networks and wireless sensor networks. To be as realistic as possible, mixed line-of-sight and non-line-of-sight (LOS/NLOS) localization environment is introduced. Both the conventional non-cooperative localization and the new emerging cooperative localization have been studied thoroughly. Owing to the random nature of the measurements, probabilistic methods are more advanced as compared to the old-fashioned geometric methods. The gist behind the probabilistic methods is to infer the unknown positions of the target nodes in an estimation process, given a set of noisy position related measurements, a probabilistic measurement model, and a few known reference positions.

In contrast to the majority of the existing methods, harsh but practical constraints are taken into account: neither offline calibration nor non-line-of-sight state identification is equipped in the desired localization system. This leads to incomplete knowledge about the measurement error statistics making the inference task extremely challenging. Two new classes of localization algorithms have been proposed to jointly estimate the positions and measurement error statistics. All unknown parameters are assumed to be deterministic, and maximum likelihood estimator is sought after throughout this thesis.

The first class of algorithms assumes no knowledge about the measurement error distribution and adopts a nonparametric modeling. The idea is to alternate between a pdf estimation step, which approximates the exact measurement error pdf via adaptive kernel density estimation, and a parameter estimation step, which resolves a position estimate numerically from an approximated log-likelihood function. The computational complexity of this class of algorithms scales quadratically in the number of measurements. Hence, the first class of algorithms is applicable primarily for non-cooperative localization in wireless cellular radio networks. In order to reduce the computational complexity, a second class of algorithms resorts to approximate the measurement error distribution parametrically as a linear combination of Gaussian distributions. Iterative algorithms that alternate between updating the position(s) and other parameters have been developed with the aid of expectation-maximization (EM), expectation conditional maximization (ECM) and joint maximum a posterior-maximum likelihood (JMAP-ML) criteria. As a consequence, the computational complexity turns out to scale linearly in the number of measurements. Hence, the second class of algorithms is also applicable for cooperative localization in wireless sensor networks.

Apart from the algorithm design, systematical analyses in terms of Cramer-Rao lower bound, computational complexity, and communication energy consumption have also been conducted for comprehensive algorithm evaluations. Simulation and experimental results have demonstrated that the proposed algorithms all tend to achieve the fundamental limits of the localization accuracy for large data records and outperform their competitors by far when model mismatch problems can be ignored.

Alternative Abstract:
Alternative AbstractLanguage

Diese Dissertation befasst sich mit dem Problem der Lokalisierung von Knoten in verschiedenen drahtlosen Infrastrukturen, wie zum Beispiel Mobilfunknetzen und drahtlosen Sensornetzen. Um so realistisch wie möglich zu sein, werden gemischte Lokalisierungsumgebungen mit und ohne direkter Sichtverbindung (LOS/NLOS) vorgestellt. Sowohl herkömmliche nicht-kooperative, als auch neuartige kooperative Lokalisierungsmethoden wurden gründlich untersucht. Aufgrund der zufälligen Natur der Messungen, bilden probabilistische Methoden im Vergleich zu traditionellen geometrischen Methoden die fortgeschritteneren Ansätze. Die Quintessenz der probabilistischen Methoden besteht darin, die unbekannten Positionen der Zielknoten in einem Schätzprozess zu bestimmen. Gegeben sind hierbei verrauschte positionsbezogene Messwerte, ein probabilistisches Messmodell, sowie einige bekannte Referenzpositionen.

Im Gegensatz zur Mehrheit des existierenden Methoden werden strenge, jedoch praktisch relevante Beschränkungen behandelt: Das gewünschte Lokalisierungssystem beinhaltet weder eine Offline-Kalibrierung, noch ist es möglich die Existenz einer direkten Sichtverbindung zu erkennen. Dadurch ist die Messfehlerstatistik unbekannt, wodurch die Folgerung von Rückschlüssen eine extreme Herausforderung darstellt. Zwei neue Klassen von Lokalisierungsalgorithmen zur gemeinsamen Schätzung von Positionen und Messfehlerstatistik werden vorgeschlagen. In dieser Dissertation werden alle unbekannten Parametern als deterministisch betrachtet und es wird jeweils nach dem Maximum-Likelihood (ML) Schätzer gesucht.

Algorithmen der ersten Klasse setzen keine Kenntnis der Messfehlerstatistik voraus und wenden ein nichtparametrisches Modell an. Die idee besteht in der alternierenden Anwendung einer Schätzung der Wahrscheinlichkeitsdichtefunktion einerseits, wobei eine Approximation der unbekannten Messfehlerstatistik über eine adaptive Kerndichteschätzung erfolgt. Andererseits wird eine Parameterschätzung der Position ausgeführt, welche auf eine Approximation der Log-Likelihood Funktion beruht. Der Rechenaufwand für Algorithmen dieser Klasse wächst quadratisch mit der Anzahl der Messwerte, wodurch sich die Anwendbarkeit im Wesentlichen auf die nicht-kooperative Lokalisierung in Mobilfunknetzen beschränkt. Eine zweite Klasse von Algorithmen zielt daher auf eine Reduzierung des Rechenaufwandes ab, wofür eine Approximation der Messfehlerstatistik mittels einer Kombination von Gaussischen Dichtfunktionen verwendet wird. Iterative Algorithmen, welche zwischen Aktualisierungen von Positionen und anderen Parametern alternieren, wurden mit Hilfe von Expectation-Maximization (EM), Expectation-Conditional Maximization (ECM) und Joint Maximum A Posteriori-ML (JMAP-ML) Prinzipen entwickelt. Wie sich herausstellte, wächst der Rechenaufwand von Algorithmen dieser zweiten Klasse nunmehr linear mit der Anzahl der zur Verfügung stehenden Messwerte, wodurch eine Erweiterung des Anwendungsbereiches auf kooperative Lokalisierung für drahtlose Sensornetzen möglich wird.

Abgesehen von dem Algorithmenentwurf selbst wurden zur umfassenden Evaluierung derselben systematische Analysen im Hinblick auf die Cramer-Rao-Schranken, den Rechenaufwand sowie den für die Kommunikation anfallenden Leistungsverbrauch durchgeführt. Anhand der Simulations- und Versuchsergebnisse konnte gezeigt werden, dass die vorgeschlagenen Algorithmen für hinreichend große Datensätze die fundamentalen Schranken der Lokalisierungsgenäuigkeit erreichen. Sofern der Einfluss etwaiger Modellfehlanpassungen vernachlässigt werden kann, sind die vorgeschlagenen Verfahren den konkurrienden weit überlegen.

German
Alternative keywords:
Alternative keywordsLanguage
localization, unknown measurement error statistics, non-Gaussian measurement error, nonparametric modeling, Kernel density estimation, parametric modeling, Gaussian mixture model, expectation-conditional maximization (ECM), joint maximum a posteriori-maximum likelihood (JMAP-ML), wireless infrastructuresEnglish
URN: urn:nbn:de:tuda-tuprints-41229
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology
18 Department of Electrical Engineering and Information Technology > Institute for Telecommunications > Signal Processing
Date Deposited: 18 Aug 2014 09:14
Last Modified: 09 Jul 2020 00:46
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/4122
PPN: 386756708
Export:
Actions (login required)
View Item View Item