High Accuracy AUV-Aided Underwater Localization: Far-Field Information Fusion Perspective
Notice bibliographique
Résumé
An autonomous underwater vehicle (AUV) can be employed to estimate an underwater target’s position using the Doppler shift measurement extracted from received signals. Conventionally, the received signals have to be divided into several short frames so that the Doppler shift is constant in each one. When the AUV is far away from the target, the signal to noise ratio (SNR) is quite low. An intuitive solution is to increase the frame length to suppress noise and boost SNR. However, it is worth noting that the Doppler shift is actually changing over time, and the prolonged frame length will inevitably induce modeling error. This is a fundamental dilemma in the Doppler-shift-based underwater localization. In this paper, we reveal that the assumption of constant Doppler shift comes from the zero-th order Taylor expansion of the real-time model. To increase the frame length without jeopardizing the model accuracy, we modify the model by taking the first-order Taylor expansion. By doing so, the frame length can be prolonged by one order of magnitude without introducing non-negligible modeling error. What this new model says is that when the target broadcasts a single-tone signal, the AUV will receive a linear frequency modulated (LFM) signal parameterized by a Doppler shift and a corresponding changing rate, i.e., Doppler rate. Although the Doppler rate is very small, it helps us improve the estimation accuracy of Doppler shift. Besides, the Doppler rate also contains target’s position information. Thus, a two-phase localization algorithm is proposed by jointly using the Doppler shift and the Doppler rate measurements. Intuitively, the Doppler rate is only loosely related to the target’s position and should not significantly contribute to the localization accuracy, but the Cramér-Rao lower bound (CRLB) analysis says differently. This can be explained by showing that the Doppler rate complements the vanishing degree of freedom (DoF) in the position information for far-field localization, i.e., the information fusion. The theoretical results are verified through extensive 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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».