MétaCan
Menu
Retour à la cohorte
Enregistrement W2112732068 · doi:10.1109/tsp.2009.2028947

Alleviating Sensor Position Error in Source Localization Using Calibration Emitters at Inaccurate Locations

2009· article· en· W2112732068 sur OpenAlexfundno aff
Le Yang, K. C. Ho

Notice bibliographique

RevueIEEE Transactions on Signal Processing · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueIndoor and Outdoor Localization Technologies
Établissements canadiensnon disponible
Organismes subventionnairesMcMaster University
Mots-clésPosition (finance)CalibrationCramér–Rao boundComputer scienceGaussianAlgorithmMultilaterationUpper and lower boundsNoise (video)Observational errorArtificial intelligenceMathematicsEstimation theoryStatisticsPhysicsAcousticsNode (physics)

Résumé

récupéré en direct d'OpenAlex

A previous study shows that the use of a calibration emitter whose position is known exactly can significantly reduce the loss in time differences of arrival (TDOA) based source localization accuracy when the available sensor positions have random errors. This paper extends the previous work to a more practical scenario where the exact position of a calibration emitter is not known. By modeling the calibration position error as additive Gaussian noise, the amount of reduction in localization accuracy due to calibration position error is derived through CramÉr–Rao lower bound (CRLB) analysis. In addition, the analysis also affirms the previous studies on Bayesian sensor network localization that it remains possible to improve the localization accuracy even if the calibration position is completely unknown. Next, a performance analysis illustrates that the penalty could be very high if one simply pretends the calibration position is accurate and ignores its error. A closed-form solution is then developed by accounting for the calibration position error and it is proved analytically to reach the CRLB accuracy when the sensor and calibration position errors are small relative to the distance between the calibration emitter and the sensor. Finally, the results are generalized to the case where multiple calibration emitters are available. When deploying multiple calibration emitters, although their positions may not be known exactly, we show that it is possible to completely eliminate the sensor position error and recover the best localization accuracy that is limited by the measurement noise in TDOAs only. All the theoretical developments are corroborated by simulations.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,019
Tête enseignante GPT0,247
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations80
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Signal ProcessingMême sujetIndoor and Outdoor Localization TechnologiesTravaux en français237 207