CRLB-based Data-driven Covariance Tuning for 5G KF Vehicular Tracking
Notice bibliographique
Résumé
5G mmWave offers a high-precision positioning solution, functioning effectively in both line-of-sight (LoS) and operable non-line-of-sight (NLoS) conditions. However, in scenarios with complete signal blockage, integrating with motion-based models becomes crucial. This integration is achieved through Bayesian-based estimators, which entail a prediction and a correction stage weighted by their respective covariance matrices. Although covariance matrices of different prediction models have been extensively studied in the literature, the measurement covariance matrix derived from 5G-based position computations remains largely unexplored. In this paper, we propose a measurement covariance matrix tuning scheme based on a data-driven Cramér-Rao lower bound CRLB model. We validate the proposed algorithm within a simple linear Kalman filter (LKF) positioning framework. The methodology was tested in a controlled simulation scenario using a real 24-minute-long vehicular trajectory in a deep-urban environment. The results demonstrate that the developed data-driven model is reliable, maintaining a standard deviation error of less than 7 cm for 95% of the time and less than 0.5 m for 100% of the time relative to the true computed CRLB. The proposed adaptive KF sustains a position error below 30 cm for 99.3% of the time.
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 ».