In this work, we propose a Deep neural network-assisted Particle Filter-based (DePF) approach to address the Mobile User (MU) joint synchronization and localization (sync\&loc) problem in ultra dense networks. In particular, DePF deploys an asymmetric time-stamp exchange mechanism between the MUs and the Access Points (APs), which, traditionally, provides us with information about the MUs' clock offset and skew. However, information about the distance between an AP and an MU is also intrinsic to the propagation delay experienced by exchanged time-stamps. In addition, to estimate the angle of arrival of the received synchronization packet, DePF draws on the multiple signal classification algorithm that is fed by Channel Impulse Response (CIR) experienced by the sync packets. The CIR is also leveraged on to determine the link condition, i.e. Line-of-Sight (LoS) or Non-LoS. Finally, to perform joint sync\&loc, DePF capitalizes on particle Gaussian mixtures that allow for a hybrid particle-based and parametric Bayesian Recursive Filtering (BRF) fusion of the aforementioned pieces of information and thus jointly estimate the position and clock parameters of the MUs. The simulation results verifies the superiority of the proposed algorithm over the state-of-the-art schemes, especially that of Extended Kalman filter- and linearized BRF-based joint sync\&loc. In particular, only drawing on the synchronization time-stamp exchange and CIRs, for 90$\%$of the cases, the absolute position and clock offset estimation error remain below 1 meter and 2 nanoseconds, respectively.


翻译:在这项工作中,我们建议采用深神经网络协助的粒子过滤(Deppy)法,解决超稠密网络中移动用户(MU)联合同步和本地化(sync ⁇ loc)问题;特别是,DPF在MU和接入点(APs)之间部署不对称的时间戳交换机制,该机制传统上向我们提供关于MUs时钟抵消和扭曲的信息;然而,关于AP和MU之间的距离的信息也是交换时间戳所经历的传播延迟所固有的;此外,除了估计收到的同步组合的到达角度外,DEPF还利用了由同步组合的Chyel Impulse反应(CIR)提供的多种信号分类算法。 CIR还利用了确定链接条件,即:Sight-Sight(LOS)或Non-Los-LOS。最后,进行联合同步 ⁇ 基计算,DePF利用颗粒高的混合物来进行基于混合粒子和对准的同步同步2级同步组合数据包的到达角度定位;Brus-lorimal-loral-loral-loral imal-lational-roupal-lock-lock-rouplational 和Bildal-lock-lick(Breval-lock-lock-lock-lock-lock-lock-lock-lock-lock-lock-lock-lock-lock-l) 和BIGs) 和IGlock-lock-lock-lock-lock-l) 的计算结果。

0
下载
关闭预览

相关内容

多标签学习的新趋势(2020 Survey)
专知会员服务
41+阅读 · 2020年12月6日
专知会员服务
109+阅读 · 2020年3月12日
【MIT深度学习课程】深度序列建模,Deep Sequence Modeling
专知会员服务
77+阅读 · 2020年2月3日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
【泡泡汇总】CVPR2019 SLAM Paperlist
泡泡机器人SLAM
14+阅读 · 2019年6月12日
【泡泡一分钟】用于平面环境的线性RGBD-SLAM
泡泡机器人SLAM
6+阅读 · 2018年12月18日
【重磅】100大产业链全景图
全球创新论坛
11+阅读 · 2018年12月3日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
车辆目标检测
数据挖掘入门与实战
30+阅读 · 2018年3月30日
carla无人驾驶模拟中文项目 carla_simulator_Chinese
CreateAMind
3+阅读 · 2018年1月30日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年12月5日
VIP会员
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
【泡泡汇总】CVPR2019 SLAM Paperlist
泡泡机器人SLAM
14+阅读 · 2019年6月12日
【泡泡一分钟】用于平面环境的线性RGBD-SLAM
泡泡机器人SLAM
6+阅读 · 2018年12月18日
【重磅】100大产业链全景图
全球创新论坛
11+阅读 · 2018年12月3日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
车辆目标检测
数据挖掘入门与实战
30+阅读 · 2018年3月30日
carla无人驾驶模拟中文项目 carla_simulator_Chinese
CreateAMind
3+阅读 · 2018年1月30日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员