Probabilistiset graafiset mallit ja bayes päättely RIS-avusteiseen sisätilapaikannukseen

Sisätilapaikannus on yhä tärkeämpi osa nykyaikaisia langattomia järjestelmiä, sillä monet sovellukset edellyttävät tarkkaa laitteiden paikannusta. Ohjelmoitavat älypinnat (RIS, reconfigurable intelligent surfaces) voivat parantaa paikannusta tiedonsiirron lisäksi.

Tässä väitöstyössä kehitetään paikanestimointikehys, joka mahdollistaa tarkan kohteen sijainnin ja orientaation estimoinnin RIS-teknologiaa hyödyntävissä järjestelmissä. Estimaattori käyttää probabilistisia graafisia malleja muuttujien välisten riippuvuuksien esittämiseen ja hyödyntää Markovin ketjujen Monte Carlo -pohjaista bayesilaista päättelyä kohteen koordinaattien estimointiin. Tämä lähestymistapa mahdollistaa järjestelmää koskevan aiemman tiedon hyödyntämisen ja parametrien estimoinnin ilman monimutkaisten matemaattisten lausekkeiden yksinkertaistamista.

Ensiksi analysoidaan estimaation suorituskykyä eri mittausmäärillä, antennimäärillä ja tukiasemien lukumäärillä, jotta voidaan selvittää, miten nämä tekijät vaikuttavat paikannustarkkuuteen. Etäisyys- ja kulmamittausten yhdistelmä osoittautuu tehokkaaksi tavaksi estimoida kohteen sijainti, vaikka havaintojen määrän lisääminen ei aina paranna suorituskykyä.

Seuraavaksi kehitettyä kehystä laajennetaan kattamaan RIS-teknologia, joka tuottaa lisägeometrista tietoa kohteesta. RIS osoittautuu erityisen tärkeäksi kohteen orientaation estimoinnissa ja mahdollistaa samalla erittäin tarkan sijainnin estimoinnin.

Lopuksi menetelmää sovelletaan dynaamisiin skenaarioihin, joissa kohteen sijainti muuttuu ajan myötä. Yhdistämällä menetelmään poikkeavien havaintojen tunnistus saavutetaan robusti suorituskyky sekä erittäin tarkat estimaatit kohteen sijainnille ja orientaatiolle.