Kalman Filter-based Doppler Tracking and Channel Estimation for AUV Implementation
Notice bibliographique
Résumé
Proposed, are computationally light weight Kalman filter (KF) implementations of Doppler tracking and channel estimation for underwater acoustic (UWA) channels. This targets autonomous underwater vehicles (AUV) communicating with stationary or mobile sensors. The Doppler tracker reduces the computational load, as a precursor to Doppler compensation, and filters the Mach number estimates at the output of the Doppler estimator. The channel estimator observes the multipath effects that affected the signal during transmission as well as generate the taps required for channel equalization. The UWA channel is assumed to be doubly spread, i.e. it is both time-varying and frequency-selective. The paper assumes that the receiver is equipped with a Doppler estimator, which yields a Mach number estimate at every sample, and a Doppler compensator, which eliminates the Doppler effect from the received signal (although residual Doppler effects can still persist at the output). For Doppler tracking, the Kalman filter (KF) operates as an extended Kalman filter (EKF) that smooths, in a low pass and statistical sense, the Mach number estimates. The Mach number is assumed to possess high and low sinusoidal components. The Mach number tracks the low-frequency components and is modelled as a sinusoid with random amplitude, phase and frequency. This significantly reduces the computational complexity of Doppler compensators, who rely on resampling, since the rapid variations occurring over relatively small time intervals are ignored. For channel estimation, since the time variations are significantly suppressed by the compensator, the linear KF is used to estimate and track the channel impulse response (CIR). Noise accumulation introduced by the filters is mitigated with a Rauch-Tung-Striebel (RTS) smoother. The proposed filters are verified by simulations in synthetic UWA channels with the mean square error (MSE) as the performance metric. The proposed method is comparable or outperforms other methods in terms of MSE. It is also capable of tracking more severe motion scenarios and is computationally more efficient for AUV applications.
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 ».