Localización de múltiples fuentes basada en información de dirección de llegada mediante el uso de la teoría de sensado comprimido de la posición basado en información de dirección de llegada aplicando sensado comprimido a la matriz de covarianza

Location Estimation of Multiple Sources Based on Direction of Arrival Applying Compressed Sensing Theory

Autores/as

Palabras clave:

direction of arrival, sparse reconstruction, compressive sensing, radio localization systems (en).

Palabras clave:

dirección de llegada, reconstrucción dispersa, sensado comprimido, sistemas de radiolocalización (es).

Descargas

Resumen (es)

resumen

Objetivo: los algoritmos de dirección de llegada, han sido ampliamente utilizados en los sistemas de posicionamiento, sin embargo, tienen restricciones importantes que se deben considerar con respecto a la estacionariedad espacial y temporal de las fuentes, y la correlación entre las mismas y el ruido. Ahora bien, el problema de la localización, por su naturaleza, se puede plantear como un problema disperso, razón por la cual es posible aplicar la teoría de sensado comprimido y reconstrucción dispersa para estimar la posición de fuentes no colaborativas.

Metodología: en este trabajo se simula un sistema compuesto por varios nodos de referencia (RN) que comparten información con una entidad central denominada centro de fusión (FC) en la cual se llevará a cabo la estimación final de posición de varias fuentes no colaborativas. El proceso se divide en dos etapas: offline y online. En la primera cada RN construye un diccionario que contiene la matriz de covarianza del factor de arreglo de antenas para cada una de las posibles posiciones de transmisión. Por su parte, en la etapa online se realiza la estimación de la posición, en la cual cada RN recibe la señal de las fuentes activas y calcula una versión comprimida de la matriz de covarianza de la señal recibida. Luego se realiza la estimación de la posición de las fuentes dentro del área de interés aplicando el algoritmo OMP para la reconstrucción dispersa.

Resultados: los resultados muestran el desempeño del sistema en términos de precisión en la estimación de la posición cuando se varían parámetros como la cantidad de sensores activos, el ruido del sistema y la tasa de compresión empleada en la matriz de sensado.

Contexto: Los algoritmos de dirección de llegada han sido ampliamente utilizados en los sistemas de posicionamiento; sin embargo, tienen restricciones importantes con respecto a la estacionariedad espacial y temporal de las fuentes, y la correlación entre estas y el ruido. Ahora bien, el problema de la localización, por su naturaleza, se puede considerar como disperso, razón por la cual es posible aplicar la teoría de sensado comprimido y reconstrucción dispersa para estimar la posición de fuentes no colaborativas.

Método: En este trabajo se simula un sistema compuesto por varios nodos de referencia (RN, por su sigla en inglés) que comparten información con una entidad central denominada centro de fusión (FC, por su sigla en inglés), en la cual se llevará a cabo la estimación final de posición de varias fuentes no colaborativas. El proceso se divide en dos etapas: offline y online. En la primera, cada RN construye un diccionario que contiene la matriz de covarianza del factor de arreglo de antenas para cada una de las posibles posiciones de transmisión. Por su parte, en la etapa online se realiza la estimación de la posición, en la cual cada RN recibe la señal de las fuentes activas y calcula una versión comprimida de la matriz de covarianza de la señal recibida. Luego se realiza la estimación de la posición de las fuentes dentro del área de interés mediante el algoritmo OMP para la reconstrucción dispersa.

Resultados: Los resultados muestran el desempeño del sistema en términos de precisión en la estimación de la posición, cuando se varían parámetros como la cantidad de sensores activos, el ruido del sistema y la tasa de compresión empleada en la matriz de sensado. El peor resultado se da cuando hay dos fuentes en el sistema y se obtiene un error cercano a los 4,5 metros; mientras que cuando solo existe una fuente, el error promedio del sistema es cercano a los 0,14 metros. Finalmente, el costo computacional del sistema disminuye cuando se incrementa la tasa de compresión empleada, debido a que el tamaño de las matrices empleadas disminuye.

Conclusiones: El método propuesto proporciona alta precisión en la estimación, sin tener problemas con las restricciones en los requerimientos de estacionariedad espacial y temporal presentes en los algoritmos tradicionales de dirección de llegada, además de las condiciones de correlación entre las fuentes y el ruido.

Financiamiento: MinCiencias Colombia y Universidad Pontificia Bolivariana.

Resumen (en)

abstract

Objective: Diction of arrival algorithms have been widely used in positioning systems. However, they have important restrictions to take into account in terms of spatial and temporal stationary requirements between the sources and correlation proprieties between them and the noise. Nevertheless, due to its nature the localization problem could be posed like a sparse reconstruction problem, and is possible to apply the compressive sensing and sparse reconstruction theory to estimate the position of several non-collaborative sources.

Methodology: In this work we simulate a localization system composed by several reference nodes (RN) which share information with a central entity named fusion center (FC) where the target estimation will take place. The process is divides in two stages: offline and online. In the first one, each RN builds its own dictionary that contains the covariance matrix of the steering vector for each cell into the grid. In the online stage, the target position estimation is performed. To do so, each RN receives the signal from the sources and calculates the compressed version of the covariance matrix, which is sent to the FC. In the FC the orthogonal matching pursuit (OMP) is performed to estimate the target coordinates inside the ROI.  

Results: The results show the system performance in terms of accuracy in the position estimation when parameters like number of sensors, system’s noise and compression rate in the measurement matrix are varied.

Objective: Diction of arrival algorithms have been widely used in positioning systems. However, they have important restrictions to take into account in terms of spatial and temporal stationary requirements between the sources and correlation proprieties between them and the noise. Nevertheless, due to its nature the localization problem could be posed like a sparse reconstruction problem, and is possible to apply the compressive sensing and sparse reconstruction theory to estimate the position of several non-collaborative sources. Besides, considering a joint estimation system as we propose in this work, is possible to exploit both inter and intra-correlation signal aiming to improve the accuracy estimation.

Methodology: In this work we simulate a localization system composed by several reference nodes (RN) which share information with a central entity named fusion center (FC) where the target estimation will take place. The process is divides in two stages: offline and online. In the first one we discretize the region of interest (ROI) in K candidates position where the sources could be located. Each RN builds its own dictionary that contains the covariance matrix of the steering vector for each cell into the grid. In the online stage, the target position estimation is performed. To do so, each RN receives the signal from the sources and calculates the compressed version of the covariance matrix, which is sent to the FC. In the FC the orthogonal matching pursuit (OMP) is performed to estimate the target coordinates inside the ROI.  

Results: The results show the system performance in terms of accuracy in the position estimation when parameters like number of sensors, system’s noise and compression rate in the measurement matrix are varied.

Conclusions: The proposed method provides high accuracy in the estimation without restricting requirements on the spatial and temporal stationery and correlation properties of the sources and the noise, which are common in traditional direction of arrival algorithms.

Financing: Miniciencias Colombia and Pontificia Bolivariana University.

Biografía del autor/a

Tibisay Sanchez Quintero, Universidad Pontificia Bolivariana

Ingeniera de Telecomunicaciones, magíster en Tecnologías de la Información y la Comunicación (TIC). Estudiante de Doctorado en Ingeniería de la Universidad Pontificia Bolivariana

Cristina Gómez Santamaría, Centro para la Cuarta Revolución Industrial de Colombia

Ingeniera electrónica, magíster en Ingeniería área de Telecomunicaciones, doctor en Ingeniería área de Telecomunicaciones. Líder de Inteligencia Artificial del Centro para la Cuarta Revolución Industrial de Colombia

Roberto Carlos Hincapié Reyes, Universidad Pontificia Bolivariana

Ingeniero electrónico, magíster en Ingeniería, doctor en Ingeniería. Decano de la Escuela de Ingenierías de Universidad Pontificia Bolivariana

Referencias

Asghar-Sayed, Z. y Ng, B. P. (2019). Aperiodic geometry design for DOA estimation of broadband sources using compressive sensing. Signal Processing, 155, 96-107. DOI: https://doi.org/10.1016/j.sigpro.2018.09.026

Baron, D., Duarte, M. F., Wakin, M. B., Sarvotham, S. y Baraniuk, R. G. (2009). Distributed compressive sensing. Recuperado de http://arxiv.org/abs/0901.3403

Becerra-Mora, Y. A. (2020). Una revisión de plataformas robóticas para el sector de la construcción. Tecnura, 24, 115-132. DOI: https://doi.org/10.14483/22487638.15384

Bougher, B. (2015). Introduction to compressed sensing. Leading Edge, 34(10), 1256-1257. DOI: https://doi.org/10.1190/tle34101256.1

Candès, E. J. y Romberg, J. (2006). Quantitative robust uncertainty principles and optimally sparse decompositions. Foundations of Computational Mathematics, 6(2), 227-254. DOI: https://doi.org/10.1007/s10208-004-0162-x

Candès, E. J., Romberg, J. K. y Tao, T. (2006a). Stable signal recovery from incomplete and inaccurate measurements. Communications on Pure and Applied Mathematics, 59(8), 1207-1223. DOI: https://doi.org/10.1002/cpa.20124

Candès, E. J., Romberg, J. y Tao, T. (2006b). Robust uncertainty principles: Exact signal reconstruction from highly incomplete frequency information. IEEE Transactions on Information Theory, 52(2), 489-509. DOI: https://doi.org/10.1109/TIT.2005.862083

Cotter, S. F. (2007). Multiple snapshot matching pursuit for direction of arrival (DOA) estimation. En 2007 15th European Signal Processing Conference (pp. 247-251). Poznán, Polonia.

Donoho, D. L. (2006). Compressed sensing. IEEE Transactions on Information Theory, 52(4), 1289-1306. DOI: https://doi.org/10.1109/TIT.2006.871582

Duarte, M. F., Sarvotham, S., Baron, D., Wakin, M. B. y Baraniuk, R. G. (2005a). Distributed compressed sensing of jointly sparse signals. En Conference Record - Asilomar Conference on Signals, Systems and Computers, 1537-1541. DOI: https://doi.org/10.1109/acssc.2005.1600024

Duarte, M., Sarvotham, S., Wakin, M., Baron, D. y Baraniuk, R. (2005b). Joint sparsity models for distributed compressed sensing. En Online Proceedings of the Workshop on Signal Processing with Adaptive Sparse Structured Representations (SPARS).

Eldar, Y. C., Kuppinger, P. y Bölcskei, H. (2010). Block-sparse signals: uncertainty relations and efficient recovery. IEEE Transactions on Signal Processing, 58(6), 3042-3054. DOI: https://doi.org/10.1109/TSP.2010.2044837

Foucart, S. y Rauhut, H. (2013). A mathematical introduction to compressive sensing. Nueva York: Birkhäuser Basel. DOI: https://doi.org/10.1007/978-0-8176-4948-7

Gross, F. (2005). Smart Antennas for wireless communications. McGraw-Hill. https://doi.org/10.1036/007144789X

ross, F. (2005). Smart Antennas for wireless communications. Nueva York: McGraw-Hill. DOI: https://doi.org/10.1036/007144789X

Gu, J. F., Zhu, W. P. y Swamy, M. N. S. (2011). Compressed sensing for DOA estimation with fewer receivers than sensors. En Proceedings - IEEE International Symposium on Circuits and Systems, 1752-1755. DOI: https://doi.org/10.1109/ISCAS.2011.5937922

Gürbüz, A. C., McClellan, J. H. y Cevher, V. (2008). A compressive beamforming method. En ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings, 2617-2620. DOI: https://doi.org/10.1109/ICASSP.2008.4518185

Hincapié, R., Gómez, C., Betancur, L., Lavrenko, A. y Schmitz, J. (2018). Sparse framework for hybrid TDoA/DoA multiple emitter localization. En 2017 IEEE International Symposium on Signal Processing and Information Technology, ISSPIT, 174-179. DOI: https://doi.org/10.1109/ISSPIT.2017.8388637

Jouny, I. (2011). Music DOA estimation with compressive sensing and/or compressive arrays. En IEEE Antennas and Propagation Society, AP-S International Symposium (Digest). DOI: https://doi.org/10.1109/APS.2011.5996902

Lagunas, E., Sharma, S. K., Chatzinotas, S. y Ottersten, B. (2016). Compressive sensing based target counting and localization exploiting joint sparsity. En ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings, 3231-3235. DOI: https://doi.org/10.1109/ICASSP.2016.7472274

Li, G. y Huang, G. (2014). DOA estimation based on compressive sampling array with novel beamforming. En 2014 31th URSI General Assembly and Scientific Symposium, URSI GASS. DOI: https://doi.org/10.1109/URSIGASS.2014.6929037

Malioutov, D., Çetin, M. y Willsky, A. S. (2005). A sparse signal reconstruction perspective for source localization with sensor arrays. IEEE Transactions on Signal Processing, 53(8), 3010-3022. DOI: https://doi.org/10.1109/TSP.2005.850882

Marín-Alfonso, J., Betancur-Agudelo, L. y Alguello-Fuentes, H. (2017). Further compressio of focal plane array in compressive spectral imaging architectures. Tecnura, 21(52), 45-52. DOI: https://doi.org/10.14483/udistrital.jour.tecnura.2017.2.a03

Martínez-Sarmiento, F. H. y Giral-Ramírez, D. A. (2016). OpenRRArch: una arquitectura abierta, robusta y confiable para el control de robots autónomos. Tecnura, 21(51), 96-104. DOI: Retrieved from https://www.redalyc.org/pdf/2570/257050668007.pdf

Nikitaki, S. y Tsakalides, P. (2011). Localization in wireless networks based on jointly compressed sensing. En 2011 19th European Signal Processing Conference (pp. 1809-1813). Barcelona, España.

Pahlavan, K., Krishnamurthy, P. y Geng, Y. (2015). Localization challenges for the emergence of the smart world. IEEE Access, 3, 3058-3067. DOI: https://doi.org/10.1109/ACCESS.2015.2508648

Paul, A. y Sato, T. (2017). Localization in wireless sensor networks: a survey on algorithms, measurement techniques, applications and challenges. Journal of Sensor and Actuator Networks, 6(4), 24. DOI: https://doi.org/10.3390/jsan6040024

Pazos, S., Hurtado, M. y Muravchik, C. (2014). DOA estimation using random linear arrays via compressive sensing. IEEE Latin America Transactions, 12(5), 859-863. DOI: https://doi.org/10.1109/TLA.2014.6872896

Rappaport, T. S. (2001). Wireless communications. Recuperado de https://www.pearson.ch/HigherEducation/ElectricalEngineering/Communications/EAN/9780130422323/Wireless-Communications

Schmitz, J., Mathar, R. y Dorsch, D. (2015). Compressed time difference of arrival based emitter localization. En 2015 3rd International Workshop on Compressed Sensing Theory and Its Applications to Radar, Sonar, and Remote Sensing, CoSeRa 2015, 263-267. DOI: https://doi.org/10.1109/CoSeRa.2015.7330305

Wang, Y., Leus, G. y Pandharipande, A. (2009). Direction estimation using compressive sampling array processing. En IEEE Workshop on Statistical Signal Processing Proceedings, 626-629. DOI: https://doi.org/10.1109/SSP.2009.5278497

Xenaki, A., Gerstoft, P. y Mosegaard, K. (2014). Compressive beamforming. The Journal of the Acoustical Society of America, 136(1), 260-271. DOI: https://doi.org/10.1121/1.4883360

Zhao, H., Irshad, M. J., Shi, H. y Xu, W. (2019). Passive source localization using compressive sensing. Sensors, 19(20), 4522. DOI: https://doi.org/10.3390/s19204522

Zhu, W. y Chen, B. X. (2013). Novel methods of DOA estimation based on compressed sensing. Multidimensional Systems and Signal Processing, 26(1), 113-123. DOI: https://doi.org/10.1007/s11045-013-0239-2

Cómo citar

APA

Sanchez Quintero, T., Gómez Santamaría, C. ., & Hincapié Reyes, R. C. . (2021). Localización de múltiples fuentes basada en información de dirección de llegada mediante el uso de la teoría de sensado comprimido de la posición basado en información de dirección de llegada aplicando sensado comprimido a la matriz de covarianza. Tecnura, 25(67). https://doi.org/10.14483/22487638.16302

ACM

[1]
Sanchez Quintero, T., Gómez Santamaría, C. y Hincapié Reyes, R.C. 2021. Localización de múltiples fuentes basada en información de dirección de llegada mediante el uso de la teoría de sensado comprimido de la posición basado en información de dirección de llegada aplicando sensado comprimido a la matriz de covarianza. Tecnura. 25, 67 (may 2021). DOI:https://doi.org/10.14483/22487638.16302.

ACS

(1)
Sanchez Quintero, T.; Gómez Santamaría, C. .; Hincapié Reyes, R. C. . Localización de múltiples fuentes basada en información de dirección de llegada mediante el uso de la teoría de sensado comprimido de la posición basado en información de dirección de llegada aplicando sensado comprimido a la matriz de covarianza. Tecnura 2021, 25.

ABNT

SANCHEZ QUINTERO, T.; GÓMEZ SANTAMARÍA, C. .; HINCAPIÉ REYES, R. C. . Localización de múltiples fuentes basada en información de dirección de llegada mediante el uso de la teoría de sensado comprimido de la posición basado en información de dirección de llegada aplicando sensado comprimido a la matriz de covarianza. Tecnura, [S. l.], v. 25, n. 67, 2021. DOI: 10.14483/22487638.16302. Disponível em: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/16302. Acesso em: 15 jun. 2021.

Chicago

Sanchez Quintero, Tibisay, Cristina Gómez Santamaría, y Roberto Carlos Hincapié Reyes. 2021. «Localización de múltiples fuentes basada en información de dirección de llegada mediante el uso de la teoría de sensado comprimido de la posición basado en información de dirección de llegada aplicando sensado comprimido a la matriz de covarianza». Tecnura 25 (67). https://doi.org/10.14483/22487638.16302.

Harvard

Sanchez Quintero, T., Gómez Santamaría, C. . y Hincapié Reyes, R. C. . (2021) «Localización de múltiples fuentes basada en información de dirección de llegada mediante el uso de la teoría de sensado comprimido de la posición basado en información de dirección de llegada aplicando sensado comprimido a la matriz de covarianza», Tecnura, 25(67). doi: 10.14483/22487638.16302.

IEEE

[1]
T. Sanchez Quintero, C. . Gómez Santamaría, y R. C. . Hincapié Reyes, «Localización de múltiples fuentes basada en información de dirección de llegada mediante el uso de la teoría de sensado comprimido de la posición basado en información de dirección de llegada aplicando sensado comprimido a la matriz de covarianza», Tecnura, vol. 25, n.º 67, may 2021.

MLA

Sanchez Quintero, T., C. . Gómez Santamaría, y R. C. . Hincapié Reyes. «Localización de múltiples fuentes basada en información de dirección de llegada mediante el uso de la teoría de sensado comprimido de la posición basado en información de dirección de llegada aplicando sensado comprimido a la matriz de covarianza». Tecnura, vol. 25, n.º 67, mayo de 2021, doi:10.14483/22487638.16302.

Turabian

Sanchez Quintero, Tibisay, Cristina Gómez Santamaría, y Roberto Carlos Hincapié Reyes. «Localización de múltiples fuentes basada en información de dirección de llegada mediante el uso de la teoría de sensado comprimido de la posición basado en información de dirección de llegada aplicando sensado comprimido a la matriz de covarianza». Tecnura 25, no. 67 (mayo 26, 2021). Accedido junio 15, 2021. https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/16302.

Vancouver

1.
Sanchez Quintero T, Gómez Santamaría C, Hincapié Reyes RC. Localización de múltiples fuentes basada en información de dirección de llegada mediante el uso de la teoría de sensado comprimido de la posición basado en información de dirección de llegada aplicando sensado comprimido a la matriz de covarianza. Tecnura [Internet]. 26 de mayo de 2021 [citado 15 de junio de 2021];25(67). Disponible en: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/16302

Descargar cita

Visitas

8

Dimensions


PlumX


Descargas

Los datos de descargas todavía no están disponibles.