TU Darmstadt / ULB / TUprints

Wireless Network Localization via Cooperation

Jin, Di (2021)
Wireless Network Localization via Cooperation.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00019654
Ph.D. Thesis, Primary publication, Publisher's Version

[img]
Preview
Text
2021-09-27_Jin_Di.pdf
Copyright Information: CC BY-SA 4.0 International - Creative Commons, Attribution ShareAlike.

Download (1MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Wireless Network Localization via Cooperation
Language: English
Referees: Zoubir, Prof. Dr. Abdelhak M. ; So, Prof. Dr. Hing Cheung ; Yin, Prof. Dr. Feng
Date: 2021
Place of Publication: Darmstadt
Collation: IX, 127 Seiten
Date of oral examination: 17 December 2020
DOI: 10.26083/tuprints-00019654
Abstract:

This dissertation details two classes of cooperative localization methods for wireless networks in mixed line-of-sight and non-line-of-sight (LOS/NLOS) environments. The classes of methods depend on the amount of prior knowledge available. The methods used for both classes are based on the assumptions in practical localization environments that neither NLOS identification nor experimental campaigns are affordable. Two major contributions are, first, in methods that provide satisfactory localization accuracy whilst relaxing the requirement on statistical knowledge about the measurement model. Second, in methods that provide significantly improved localization performance without the requirement of good initialization.

In the first half of the dissertation, cooperative localization using received signal strength (RSS) measurements in homogeneous mixed LOS/NLOS environments is considered for the case where the key model parameter, the path loss exponent, is unknown. The approach taken is to model the positions and the path loss exponent as random variables and to utilize a Bayesian framework. The goal is to infer the marginal posterior distribution of each unknown parameter, from which a position estimate, as well as its uncertainty information, can be obtained. This is achieved by using message passing methods in which two sets of functions, referred to as messages and beliefs, are iteratively updated. By combining variable discretization and Monte-Carlo-based numerical approximation schemes, two sets of functions are obtained. Such a numerical strategy allows the message updating rule to be implemented approximately while keeping the computational complexity affordable. Additionally, for networks with low-end sensors that only provide quantized RSS measurements, message passing algorithms and their parametric variants of low complexity are derived.

The second part of the thesis considers the more general case where statistical knowledge of the LOS/NLOS measurement errors is completely unknown, and range measurements, which are believed to be more accurate but quite sensitive to NLOS propagation, are available. The bias associated with each range measurement is modeled as an unknown parameter, and it is shown that bias parameters possess a sparsity property in LOS-heavy scenarios. This sparsity is exploited by introducing a sparsity-promoting term in the conventional cost functions, giving rise to a generic sparsity-promoting regularized formulation. By bounding the cost function, an alternative generic bound-constrained regularized formulation is developed. To ensure global optimality, the cost functions in these two generic formulations are specified so that they can be conveniently solved as two semi-definite programs (SDPs). It is theoretically shown, for certain conditions, that these two SDPs are equivalent in the sense that they share the same optimal solution. A major challenge of these two SDPs lies in the selection of an appropriate regularization parameter. An efficient data-driven strategy is developed to determine the regularization parameter and this is based on the special structure of the bound-constrained regularized SDP. Finally, numerical results, based on both synthetic and experimental data, are detailed. It is shown that the devised SDP approach provides overall good localization performance.

Alternative Abstract:
Alternative AbstractLanguage

Diese Dissertation leistet einen Beitrag zum Themengebiet der Lokalisierung in drahtlosen Netzwerken, indem zwei Klassen von kooperativen Lokalisierungsmethoden für gemischte Lokalisierungsumgebungen mit und ohne direkte Sichtverbindung (LOS/NLOS) bereitgestellt werden. Als aus der praktischen Anwendung stammende Einschränkungen wird hier angenommen, dass weder NLOS-Identifikation, noch experimentelle Messungen durchführbar sind. Abhängig vom Umfang des Vorwissens über das statistische Messmodell, werden zwei Klassen kooperativer Lokalisierungsmethoden entwickelt. Zwei wichtige Beiträge sind zum einen Methoden, die eine zufriedenstellende Lokalisierungsgenauigkeit bieten, während das benötigte Wissen über das statistische Messmodell reduziert wird, zum anderen Methoden, die eine deutlich verbesserte Lokalisierungsleistung bieten, ohne eine gute Initialisierung zu benötigen.

Der erste Teil der Dissertation behandelt die kooperative Lokalisierung in homogenen, gemischen LOS/NLOS Umgebungen, wobei der Pfadverlust als Hauptmodellparameter unbekannt ist. Der gewählte Ansatz basiert darauf, die Position und den Pfadverlust als Zufallsvariablen zu modellieren und die marginale, posteriore Verteilung der unbekannten Parameter zu inferieren, aus denen Positionsschätzung und Unsicherheitsinformation gewonnen werden können. Dies wird mit Hilfe von message passing Methoden erreicht, bei denen zwei Mengen von Funktionen, die als messages und beliefs bezeichnet werden, iterativ aktualisiert werden. Durch die Kombination von variabler Diskretisierung und Monte-Carlo-basierten numerischen Approximationsschemata erhält man zwei Mengen von Funktionen. Eine solche numerische Vorgehensweise erlaubt, die Regel zur Verbesserung der Nachrichten approximativ zu implementieren und somit den Rechenaufwand zu limitieren. Zusätzlich werden für Netzwerke mit Low-End-Sensoren, die nur quantisierte RSS-Messungen liefern, message passing Methoden und deren parametrische Varianten mit geringer Komplexität abgeleitet.

Im zweiten Teil der Dissertation wird der allgemeinere Fall behandelt, dass kein statistisches Wissen über die LOS-/NLOS-Messfehler vorhanden ist, während präzisere Entfernungsmessungen zur Verfügung stehen. Diese reagieren recht empfindlich auf NLOS-Ausbreitung. Der Bias-Term jeder Abstandsmessung wird als unbekannter Parameter behandelt und es wird gezeigt, dass die Bias-Parameter in LOS-dominierenden Szenarien dünnbesetzt sind. Diese Eigenschaft wird dann ausgenutzt, indem zu den konventionellen Kostenfunktionen ein zusätzlicher Bestandteil hinzugefügt wird, der einen dünnbesetzten Bias-Vektor fördert. Dies führt zu einer generischen, sparsity-promoting regularisierten Methode. Durch Beschränkung der Kostenfunktion wird eine alternative, generische, bound-constrained regularisierte Methode entwickelt. Die Kostenfunktionen dieser beiden generischen Methoden werden so definiert, dass sie relaxiert werden können, um mithilfe zweier semi-definite program (SDP)-basierter Methoden das globale Optimum zu erreichen. Es wird theoretisch gezeigt, dass diese beiden SDPs unter bestimmten Bedingungen in dem Sinne gleichwertig sind, dass sie sich die gleiche optimale Lösung teilen. Eine große Herausforderung der beiden vorgeschlagenen SDPs liegt in der Wahl eines geeigneten Regularisierungsparameters. Es wird eine effiziente, datengetriebene Methode entwickelt, um den Regularisierungsparameter zu erhalten, welche auf der speziellen Struktur des bound-contrained regularisierten SDPs basiert. Schließlich werden numerische Ergebnisse, basierend auf synthetischen und experimentellen Daten, vorgestellt. Es wird gezeigt, dass die vorgeschlagenen SDP Methoden insgesamt gute Lokalisierungsergebnisse liefern.

German
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-196540
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology > Institute for Telecommunications
18 Department of Electrical Engineering and Information Technology > Institute for Telecommunications > Signal Processing
Date Deposited: 01 Oct 2021 11:17
Last Modified: 01 Oct 2021 11:17
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/19654
PPN: 487309472
Export:
Actions (login required)
View Item View Item