Multipath Identification, User Localization, and Environment Mapping in Radio SLAM
Notice bibliographique
Résumé
Radio simultaneous localization and mapping (SLAM) is challenging due to multipath propagation. While line-of-sight (LoS) and first-order non-LoS (NLoS) paths, referred to as NLoS-1 paths, play a critical role in SLAM, no existing techniques can effectively separate them from high-order NLoS paths, i.e., NLoS-npaths (n≥ 2). This paper presents a new framework to accurately identify the LoS/NLoS-1 paths and conduct SLAM. The key idea is to define the virtual user equipment (UE) of a NLoS-npath as then-th order reflection of the UE. We discover that the centers of the circles encompassing the UE, a virtual UE associated with a LoS/NLoS-1 path, and each of some other virtual UEs are aligned in a line, if and only if those virtual UEs are all associated with NLoS-1 paths. Accordingly, we propose to identify the LoS/NLoS-1 paths using Hough transform-based line detection, and estimate the UE’s location and the environments with the identified LoS/NLoS-1 paths using maximum likelihood estimation and mean-shift clustering. We analytically confirm that the localization error asymptotically approaches the Cramér-Rao Lower Bound. Simulations show that our approach outperforms the state of the art in localization accuracy by up to 91.93%, even when the latter assumed all NLoS-1 paths are perfectly identifieda-priori.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».