Uncertainty-aware Gaussian Mixture Model for UWB Time Difference of Arrival Localization in Cluttered Environments

要約

超広帯域 (UWB) 到着時間差 (TDOA) ベースの位置特定は、低コストでスケーラブルな屋内測位ソリューションとして登場しました。
ただし、乱雑な環境では、障害物によって引き起こされる偏った非ガウス ノイズ分布により、UWB TDOA ベースの位置特定のパフォーマンスが低下します。
この研究では、この問題に対処するための、バイレベル最適化ベースの共同位置特定およびノイズ モデル学習アルゴリズムを紹介します。
特に、混合ガウス モデル (GMM) を使用して、測定ノイズ分布を近似します。
推定された状態の不確実性を GMM ノイズ モデル学習 (不確実性認識 GMM と呼ばれます) に明示的に組み込み、ノイズ モデリングと位置特定パフォーマンスの両方を向上させます。
まず、多数のシミュレーション シナリオで GMM ノイズ モデルの学習と位置特定のパフォーマンスを評価します。
次に、2 つの異なる乱雑な環境を使用した広範な現実世界の実験でアルゴリズムの有効性を実証します。
私たちのアルゴリズムは、低コストの UWB センサー、空間内の障害物に関する事前知識がなく、かなりの量の UWB 無線が遮蔽されていても、正確な位置推定を提供することを示します。

要約(オリジナル)

Ultra-wideband (UWB) time difference of arrival(TDOA)-based localization has emerged as a low-cost and scalable indoor positioning solution. However, in cluttered environments, the performance of UWB TDOA-based localization deteriorates due to the biased and non-Gaussian noise distributions induced by obstacles. In this work, we present a bi-level optimization-based joint localization and noise model learning algorithm to address this problem. In particular, we use a Gaussian mixture model (GMM) to approximate the measurement noise distribution. We explicitly incorporate the estimated state’s uncertainty into the GMM noise model learning, referred to as uncertainty-aware GMM, to improve both noise modeling and localization performance. We first evaluate the GMM noise model learning and localization performance in numerous simulation scenarios. We then demonstrate the effectiveness of our algorithm in extensive real-world experiments using two different cluttered environments. We show that our algorithm provides accurate position estimates with low-cost UWB sensors, no prior knowledge about the obstacles in the space, and a significant amount of UWB radios occluded.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google