大规模无线网络分布协作式定位的关键问题研究

The rapid development of sensor technologies and new fashioned wireless systems and infrastructures is going to enable a plethora of new emerging applications, among others, large scale wireless networks for environmental surveillance (such as nuclear radiation, forest-fire), safety guard (such as intrude detection), un-manned/autonomous vehicles, smart home, so on and so forth. In all of these applications, we must know the accurate geographical positions of the wireless nodes a priori in order to make them meaningful. In contrast to the old fashioned wireless networks, the new ones manifest themselves to be of large scale; complex in terms of wireless signal propagation enviroments; and having unknown global model parameters. Due to the large scale of the future wireless networks, manual calibration of the positions of a big number of wireless nodes is impossible. Hence, cooperative localization has attracted a lot of attention these years. The conventional cooperative localization algorithms were mostly built on simple assumptions thus are impractical in real applications. To remedy the gap between the theory and practice, we propose to study distributed, cooperative localization in more practical scenarios. The results are low complex, distributed algorithms built on message passing over probabilistic graphical model and large-scale non-convex optimization algorithms. We aim to effectively decrease the overall computational complexity and communication cost while keep good positioning accuracy and robustness. The applicant’s prior working expierence on distributed parameter estimation and wireless localization sets a good start of this project. The expected results carry great theoretical meaning for expediting a lot of cutting-edge applications industrialized.

传感器技术的快速发展和新型通信系统和技术的日臻成熟催生了一系列新兴应用，例如，利用大规模无线网络的环境监测（如核辐射、森林火灾）、安全防范（如防领土入侵）、无人驾驶和智能家居等。这些应用无一不需要较为准确的传感器节点位置。新型无线网络的主要特点为：规模巨大、无线传播环境复杂、和全局模型参数的存在。极大的网络规模使得人工位置校准难以实现，因此近年来协作式定位受到了广泛关注。传统的协作式定位算法大多建立在简单的场景中，为了拉近理论研究和实际应用的距离，本项目拟研究适应新型网络中复杂场景的分布式协作定位。申请人设计基于概率图上的置信传递和分布式非凸优化的算法来联合估计位置和全局模型参数，在保持定位准确性和鲁棒性的同时,最大程度地降低运算复杂度和通信总成本。申请人在分布式参数估计和无线定位应用上的前期工作经验是项目成功的保障。本项目所得结果对推动上述应用的产业化具有理论指导意义。

针对新型无线网络日益密集的趋势，本项目深入研究了大规模分布式协作定位(cooperative localization)中几个具有挑战性的问题。鉴于无线传播环境的高度复杂性，我们假设部分或者完全未知的信号统计特征，在此基础上提出使用分布式非凸优化方法和贝叶斯非参数方法（例如概率图上的置信传递）对位置估计问题进行求解。紧扣项目申请书，在利用贝叶斯非参数法求解方面，我们提出了一个具有商用价值的基于接收信号强度(RSS)观测值的概率推断框架，其中一部分和无线传播相关的全局参数被假设为未知，在此基础上我们设计了一种新颖的消息传递(Message Passing)算法，系统地分析了它的计算复杂度，并证明其中起到重要作用的辅助重要性采样器的效率。在利用数学优化算法求解方面，我们假设完全未知的信号统计特征，充分利用混合视距非视距(mixed LOS/NLOS)传播条件下偏置参数具有稀疏性(sparsity)这一特点，利用半正定规划(SDP)和交替方向乘子法(ADMM)近似求解一个带规则项的非凸优化问题。和最好的基线算法相比，以上新提出的算法在利用真实数据的测试中呈现了显著提升的定位精度和较低的计算复杂度。我们提出的新算法将驱动大规模无线网络的环境监测、安全防范、无人驾驶、智能家居等智能应用的高质量发展。此外，随着近年来机器学习算法和理论的蓬勃发展，我们意识到可以利用学习模型去近似观测量和物理位置之间的非线性关系，例如接收信号强度。为此，我们深入研究了高斯过程模型和图神经网络模型，它们近期被广泛应用于无线通信领域。作为结果，我们首次利用图神经网络表示协作定位问题，取得迄今为止最好的定位性能和鲁棒性，远超已知对比算法。此外，借助高斯过程模型，我们把静态定位扩展到目标追踪，设计出一系列高斯过程-状态空间模型(GPSSM)，并在理论上分析了克拉美-罗(Cramer-Rao)下界。上述算法和理论的提出，使得协作定位整体性能向前迈进了一大步，更重要的是它们有潜力引领未来新型定位算法从基于传统模型的框架到融合传统模型与机器学习算法的新框架的迁移。

内容获取失败，请点击重试