MétaCan
Menu
Retour à la cohorte
Enregistrement W4291326308 · doi:10.48550/arxiv.1608.03710

Joint 3D Positioning and Network Synchronization in 5G Ultra-Dense\n Networks Using UKF and EKF

2016· preprint· W4291326308 sur OpenAlexaboutno aff
Mike Koivisto, Mário Costa, Aki Hakkarainen, Kari Leppänen, Mikko Valkama

Notice bibliographique

RevuearXiv (Cornell University) · 2016
Typepreprint
Langue
DomaineEngineering
ThématiqueIndoor and Outdoor Localization Technologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceExtended Kalman filterReal-time computingSynchronization (alternating current)Kalman filterOffset (computer science)Hybrid positioning systemWireless networkNode (physics)Positioning systemChannel (broadcasting)WirelessComputer networkTelecommunicationsEngineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

It is commonly expected that future fifth generation (5G) networks will be\ndeployed with a high spatial density of access nodes (ANs) in order to meet the\nenvisioned capacity requirements of the upcoming wireless networks.\nDensification is beneficial not only for communications but it also creates a\nconvenient infrastructure for highly accurate user node (UN) positioning.\nDespite the fact that positioning will play an important role in future\nnetworks, thus enabling a huge amount of location-based applications and\nservices, this great opportunity has not been widely explored in the existing\nliterature. Therefore, this paper proposes an unscented Kalman filter\n(UKF)-based method for estimating directions of arrival (DoAs) and times of\narrival (ToA) at ANs as well as performing joint 3D positioning and network\nsynchronization in a network-centric manner. In addition to the proposed\nUKF-based solution, the existing 2D extended Kalman filter (EKF)-based solution\nis extended to cover also realistic 3D positioning scenarios. Building on the\npremises of 5G ultra-dense networks (UDNs), the performance of both methods is\nevaluated and analysed in terms of DoA and ToA estimation as well as\npositioning and clock offset estimation accuracy, using the METIS map-based\nray-tracing channel model and 3D trajectories for vehicles and unmanned aerial\nvehicles (UAVs) through the Madrid grid. Based on the comprehensive numerical\nevaluations, both proposed methods can provide the envisioned one meter 3D\npositioning accuracy even in the case of unsynchronized 5G network while\nsimultaneously tracking the clock offsets of network elements with a\nnanosecond-scale accuracy.\n

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,012
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
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 Opus0,030
Tête enseignante GPT0,163
Écart entre enseignants0,134 · 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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuearXiv (Cornell University)Même sujetIndoor and Outdoor Localization TechnologiesTravaux en français237 207