Dissertação

{en_GB=Vehicle Network Localization Based on Ranges and Bearings with Packet Loss} {} EVALUATED

{pt=Num contexto real, vários sistemas necessitam de estimar a sua posição no espaço de modo a desempenharem as suas funções. No entanto, em áreas em que o GPS não é uma opção, como dentro de um edifício ou em ambiente subaquático, as técnicas para produzir uma boa estimativa de posição estão sujeitas a ruído, e a outros fenómenos como medidas com atraso e perda de pacotes. Esta tese aborda este problema utilizando métodos estatísticos em que a perda de pacotes corresponde a dados em falta numa sequência temporal de uma base de dados. Inicialmente, o problema de localização é formulado através do estimador de posição de Máxima Verosimilhança para uma rede genérica de agentes com acesso a medidas de distância e ângulo entre eles, sem perdas de informação. Esta abordagem gera um problema de otimização não convexo, sendo aplicada uma relaxação convexa. Posteriormente, para lidar com a perda de pacotes, é incorporada no problema, que já se encontra numa perspetiva temporal, a probabilidade a priori das medidas em falta, obtendo-se o estimador de Máxima Probabilidade a posteriori. Finalmente, é apresentado um algoritmo de otimização para obter a solução do problema. O método desenvolvido é robusto, convexo e não requer uma configuração específica da rede de agentes. Para além disso, atinge precisões semelhantes ou melhores do que o estado da arte., en=In a real-world scenario, numerous systems need to estimate their position in space to perform their assigned tasks. However, for cases where GPS tracking is not an option (like indoor and in underwater environments), the techniques to produce a reliable position estimate are subject to noise and other phenomena, like random transmission delays and packet loss. The present thesis aims to address this problem resorting to a statistical algorithm, in which lost packages correspond to missing entries in a temporal sequence of a database. Initially, the localization problem is formulated through a maximum likelihood estimator for a generic network of nodes that have access to the distance and angle measurements between them, with no loss of information of any kind. This approach results in a non-convex optimization problem, and a convex relaxation is used. The next step, to deal with package loss, faces this problem from a temporal perspective and incorporates in it the prior probability of the missing measurements, which results in a maximum a posteriori estimator for a generic network. A distributed optimization algorithm is presented to obtain the solution of the convex problem. The method developed is robust, convex and does not require any particular anchor configuration. It improves accuracy in one order of magnitude, when compared with a state of the art method. }
{pt=Perda de pacotes, Estimador de Máxima Verosimilhança, Estimador Máximo a Posteriori, Otimização convexa, Aprendizagem estatística, en=Missing data, Maximum Likelihood Estimator, Maximum a Posteriori Estimator, Convex Optimization, Statistical Learning}

Julho 12, 2019, 10:0

Orientação

ORIENTADOR

Cláudia Alexandra Magalhães Soares

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar Convidado

ORIENTADOR

João Pedro Castilho Pereira Santos Gomes

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar