TU Darmstadt / ULB / tuprints

Robust Positioning Algorithms for Wireless Networks

Hammes, Ulrich Richard :
Robust Positioning Algorithms for Wireless Networks.
TU Darmstadt
[Ph.D. Thesis], (2010)

[img]
Preview
Dissertation - PDF
thesis_hammes.pdf
Available under Creative Commons Attribution Non-commercial No Derivatives.

Download (1537Kb) | Preview
Item Type: Ph.D. Thesis
Title: Robust Positioning Algorithms for Wireless Networks
Language: English
Abstract:

In this thesis, we consider the problem of finding the geographic position of a transmitter device (e.g. mobile phone), denoted as user equipment (UE), based on signal parameter estimates such as angle-of-arrival or time-of-arrival that are provided by surrounded sensors or base stations. If line-of-sight (LOS) channels between the UE and the base stations exists, high positioning accuracy can be obtained using trilateration or triangulation techniques. However, this assumption is ideal and not often encountered in practice. Especially in urban areas and hilly terrain, reflections at obstacles such as buildings and trees occur which force the signals of the UE to arrive at the base station via an indirect path. This phenomenon, called non-line-of-sight (NLOS) propagation, leads to erroneous signal parameter estimates that can strongly differ from the true ones and are thus modeled as outliers here. These NLOS errors result in large positioning errors when using standard techniques such as least-squares estimation and extended Kalman filtering. Thus, positioning algorithms that are robust against deviations from the LOS assumption are required. Since the statistics of the errors due to NLOS propagation are unknown in general we develop estimators that determine the NLOS error statistics from the observations non-parametrically. This estimate is then used in a parametric model to obtain the position estimate of the UE based on the maximum likelihood principle. The approach is termed semi-parametric since non-parametric pdf estimation is used for position estimation within a parametric signal model. A significant improvement in positioning accuracy with respect to conventional techniques is achieved in NLOS environments. For LOS environment, where Gaussian sensor noise is predominant, the proposed approach performs similar to a least-squares estimator. This approach is further extended to the case when the UE is moving over time. For this purpose, the framework of an extended Kalman filter (EKF) is used where the EKF equations are rewritten into a linear regression model at each time step and the semi-parametric estimator is used to solve for the state vector, containing position and velocity of the UE. Furthermore, a multiple model tracking algorithm is proposed that combines the advantages of robust EKFs and the standard EKF to achieve high accuracy in both LOS and NLOS environments. Finally, a different approach for positioning of a moving UE in NLOS environments is developed. It is based on a joint outlier detection and tracking algorithm where the errors due to NLOS effects are detected and discarded and the remaining measurements are used for updating the position estimate. Since we do not know which of them yields highest precision the remaining measurements are weighted with different probabilities to obtain the state estimate at each time step. The developed tracking algorithms outperform various robust competing estimators found in the literature while no knowledge of the NLOS error statistics is required.

Alternative Abstract:
Alternative AbstractLanguage
Die vorliegende Arbeit beschäftigt sich mit der Positionsbestimmung von elektronischen Sendern (z.B. Mobiltelefon) innerhalb drahtloser Netzwerke unter Verwendung von Signalparametern wie dem Einfallswinkel (Angle-of-Arrival ) oder der Ankunftszeit (Time-of-Arrival ). Diese Signalparameter werden beispielsweise an den stationären Empfängern des drahtlosen Netzwerks geschätzt. Wenn eine Sichtverbindung (Line-of-Sight (LOS)) zwischen Sender und Empfänger besteht, kann mittels Trilateration oder Triangulation eine hohe Positionierungsgenauigkeit erzielt werden. In der Realität trifft die Annahme einer Sichtverbindung zwischen Sender und Empfänger jedoch selten zu. Durch Hindernisse auf dem Übertragungsweg, wie z.B. Häuser oder Bäume, wird das Signal gegebenenfalls mehrfach reflektiert und erreicht so den Empfänger auf einem indirekten Pfad. Dies wird in der Literatur als Non-Line-of-Sight (NLOS)-Ausbreitung bezeichnet und führt bei der Schätzung der oben genannten Signalparameter zu großen Fehlern. Diese Fehler werden hier als statistische Ausreißer modelliert und haben zur Folge, dass herkömmliche Positionierungsverfahren wie der Kleinste-Quadrate-Schätzer (least-squares estimator ) oder erweiterte Kalman Filter (EKF) zu erheblichen Ungenauigkeiten führen. Aus diesem Grund werden Verfahren benötigt, die sich robust gegenüber der LOS-Annahme verhalten und auch in schwierigen Umgebungen eine angemessene Genauigkeit erreichen. Da in der Praxis die statistische Verteilung der NLOS-Ausreißer unbekannt ist, schlagen wir vor, diese Verteilung aus den Beobachtungen heraus nicht-parametrisch zu schätzen. Die geschätzte Verteilung wird innerhalb eines parametrischen Modells verwendet, um die Position eines stationären Senders mit Hilfe des Maximum-Likelihood- Prinzips zu bestimmen. Dieser als semi-parametrisch bezeichnete Ansatz erzeugt eine signifikante Erhöhung der Positionierungsgenauigkeit gegenüber konventionellen Methoden in NLOS-Umgebungen, während in LOS-Umgebungen eine ähnliche Genauigkeit wie der Kleinste-Quadrate-Schätzer erreicht werden kann. Dieser Ansatz wird innerhalb der Arbeit für einen räumlich nicht-stationären Sender unter Verwendung eines EKF ausgebaut. Dabei werden die Gleichungen des EKF für jeden Zeitpunkt in ein lineares Regressionsmodell umformuliert und der semiparametrische Schätzer wird verwendet, um die Position und Geschwindigkeit des Senders zu schätzen. Für das Problem eines räumlich nicht-stationären Senders wird weiterhin ein Zielverfolgungsalgorithmus vorgeschlagen, der einen EKF und eine parametrische, robustifizierte Version desselben parallel verwendet und je nach Situation unterschiedlich stark gewichtet. Dadurch kann eine hohe Positionsgenauigkeit in LOS-Umgebungen sowie Robustheit gegenüber NLOS-Messungen erzielt werden. Darüber hinaus stellen wir einen kombinierten NLOS-Erkennungs- und Zielverfolgungsalgorithmus vor. Ein Hypothesentest detektiert dabei Positionsmessungen, die aufgrund von NLOS-Ausreißern fehlerhaft sind. Diese Beobachtungen werden verworfen und die verbleibenden Messungen werden für den Aktualisierungsschritt des Kalman Filters verwendet. Da nicht bekannt ist welche dieser Messungen die höchste Präzision erzielen, werden sie mit unterschiedlichen Wahrscheinlichkeiten gewichtet. Alle im Rahmen der Arbeit vorgeschlagenen Algorithmen erzielen höhere Positionierungsgenauigkeiten in NLOS-Umgebungen als verschiedene Vergleichsmethoden aus der Literatur. Dabei werden keine Kenntnisse der statistischen Verteilung der NLOS-Ausreißer vorausgesetzt. Eine vergleichbare Genauigkeit zu Standard-Verfahren wie z.B. dem Kleinste-Quadrate-Schätzer und dem EKF kann in LOS-Umgebungen erreicht werden.German
Classification DDC: 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften
Divisions: Fachbereich Elektrotechnik und Informationstechnik > Signalverarbeitung
Date Deposited: 10 Feb 2010 14:47
Last Modified: 07 Dec 2012 11:56
URN: urn:nbn:de:tuda-tuprints-20510
License: Creative Commons: Attribution-Noncommercial-No Derivative Works 3.0
Referees: Zoubir, Prof. Dr.- Abdelhak M. and Gustafsson, Prof. Dr. Fredrik
Refereed: 10 December 2009
URI: http://tuprints.ulb.tu-darmstadt.de/id/eprint/2051
Export:

Actions (login required)

View Item View Item