A Non-Line-of-Sight Mitigation Method for Indoor Ultra-Wideband Localization With Multiple Walls
Notice bibliographique
Résumé
Ultra-wideband (UWB) ranging techniques can provide accurate distance measurement under line-of-sight (LOS) conditions. However, various walls and obstacles in indoor non-LOS (NLOS) environments, which obstruct the direct propagation of UWB signals, can generate significant ranging errors. Due to the complex through-wall UWB signal propagation, most conventional studies simplify the ranging error model by assuming that the incidence angle is zero or the relative permittivities for different walls are the same to improve the through-wall UWB localization performance. Considering walls are different in realistic settings, this article presents a through-multiple-wall NLOS mitigation method for UWB indoor positioning. First, spatial geometric equilibrium equations of UWB through-wall propagation and a numerical method are developed for the precise modeling of UWB through-wall ranging errors. Then, calculated error maps are determined numerically without field measurements. Finally, the determined error maps are combined with a gray wolf optimization algorithm for localization. The proposed method is evaluated via field experiments with four rooms, three walls, and six penetration cases. The results demonstrate that the method can strongly mitigate the multi-wall. NLOS effects on the performance of UWB positioning systems. This solution can reduce project costs and number of power supplies for UWB indoor positioning 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 | 0,001 |
| 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 ».