Constrained Weighted Least Square Optimization for Vehicle Position Tracking
Notice bibliographique
Résumé
This paper describes an effective method for vehicle positioning estimation for range-based wireless network. The problem of locating a mobile terminal has received significant attention in the field of wireless communications. Time of arrival (TOA), received signal strength (RSS), time difference of arrival (TDOA) and angle-of-arrival (AOA) are commonly used measurements for estimating the position of the vehicles. In this paper, Constrained weighted least squares (CWLS) for vehicle position tracking approach with TDOA technique describes the optimized ranging measurement for the vehicles. Kalman filter is used for smoothing range data and mitigating the NLOS errors. In proposed algorithm positioning problem is formulated in a state-space framework and the constraints on system states are considered explicitly. The paper presents a simple recursive model by using time difference of arrival based position measurement and incorporating state equality constraints in the Kalman filter. From the process of Kalman filtering, the standard deviation of the observed range data can be calculated and then used in NLOS/LOS hypothesis testing. The proposed recursive positioning algorithm, compared with a Kalman tracking algorithm that estimates the target track directly from the TDOA measurements, will be comparatively more robust to measurement errors because it updates the technique that feeds the position corrections back to the Kalman Filter. It compensates for the measured geometrical position and decreases random error influence to the position precision. Simulation results show that the proposed tracking algorithm can improve the accuracy significantly.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».