مکان یابی کاربر با استفاده از زمان ورود سیگنال در شبکه تلفن همراه Techniques of User Localization Using Time of Arrival in Mobile Network

درمرجع [16]، به بررسی ترکیب دو روش مکان یابی، یعنی زمان تفاوت ورود (TDoA) و زاویه ورود (AoA) [11]در شبکه های LoRaWAN [12]می پردازد. اهمیت این تحقیق به دلیل نیاز روزافزون به خدمات مبتنی بر موقعیت در اینترنت اشیاء (IoT) [13] ومحدودیت های مصرف انرژی در دستگاه های IoT است.در این مطالعه، محققان به این نتیجه رسیده اند که TDoA، که معمولا به حداقل چهار دروازه [14]نیاز دارد، می تواند با استفاده از تنها دو دروازه نیز پیاده سازی شود؛ اگرچه این روش به دقت بالایی نیاز دارد و خطای میانگین تخمین مکان حدود 548 متر است. با افزودن یک تخمین AoA به این فرآیند، دقت به طور قابل توجهی افزایش یافته و خطای میانگین به 399 متر کاهش می یابد. شبیه سازی ها نشان می دهند که ترکیب این دو روش می تواند در حالات مختلفی که TDoA به تنهایی نمی تواند به دقت کافی دست یابد، کارایی بیشتری ارائه دهد. همچنین، چالش های هندسی در تعیین موقعیت فرستنده ها در نزدیکی دروازه ها باعث شده که تخمین TDoA غیرممکن شود؛ که این موضوع می تواند با ترکیب AoA و روش های دیگر، مانند اندازه گیری قدرت سیگنال (RSS) [15]، حل شود. در نهایت، مقاله به برنامه های آینده محققان برای ارزیابی روش هایشان با استفاده از داده های واقعی LoRaWAN و نصب واحدهای AoA در محیط های شهری اشاره می کند. این تحقیقات می تواند به بهبود دقت و کارایی روش های مکان یابی در شبکه های LPWAN [16] کمک کند.

درمرجع [17]، به بررسی مکان یابی در شبکه های حسگر بی سیم (WSN) [17]می پردازد و به تحلیل روش ها و چالش های مرتبط با آن می پردازد. WSN به عنوان یک شبکه متشکل از گره های حسگر بی سیم، نقش اساسی در نظارت بر تغییرات فیزیکی در محیط های مختلف از جمله نظامی، پزشکی و محیط زیست ایفا می کند. مکان یابی دقیق گره ها به بهبود کارایی انتقال داده ها و مدیریت مصرف انرژی در شبکه کمک می کند و می تواند به افزایش طول عمر شبکه و کاهش هزینه های عملیاتی کمک کند. روش های مکان یابی به دو دسته مرکزی و توزیع شده تقسیم می شوند. مکان یابی مرکزی شامل پردازش اطلاعات در یک ایستگاه مرکزی است که دقت بالایی دارد اما در شبکه های بزرگ مقیاس با مشکلاتی چون پیچیدگی محاسباتی و کمبود اطلاعات مواجه است. از سوی دیگر، مکان یابی توزیع شده به گره ها این امکان را می دهد که با تعامل و تبادل اطلاعات با یکدیگر، موقعیت خود را تخمین بزنند. این روش به دلیل قابلیت مقیاس پذیری و کاهش نیاز به زیرساخت مرکزی، محبوبیت بیشتری دارد.تکنیک های اندازه گیری فاصله شامل ToA (زمان ورود)، TDoA (تفاوت زمان ورود) و RSSI (قدرت سیگنال دریافتی [18]) هستند. ToA بر اساس زمان رسیدن سیگنال به گره ها، مسافت تخمین می زند. TDoA از تفاوت زمان ورود سیگنال ها برای تعیین موقعیت استفاده می کند و RSSI با اندازه گیری قدرت سیگنال دریافتی، فاصله گره ها را محاسبه می کند.این مقاله به چالش های عمده ای که بر دقت مکان یابی تاثیر می گذارند، مانند نویز، تداخل و اتلاف سیگنال اشاره می کند. این موارد می توانند باعث کاهش دقت تخمین موقعیت شوند. در نهایت، مقاله به ضرورت توسعه الگوریتم های جدید و کارآمد برای بهبود دقت مکان یابی و انطباق با نیازهای مختلف محیطی و کاربردی اشاره می کند. این به پژوهشگران ایده هایی برای ایجاد تکنیک های پیشرفته تر و دقیق تر می دهد و یک مرور جامع بر روش ها و چالش های مکان یابی در WSN ارائه می دهد.

درمرجع [18] ،به بررسی الگوریتم مکان یابی ترکیبی بر اساس زمان ورود (ToA) و زاویه ورود (AoA) در محیط های داخلی واقعی می پردازد. نویسندگان با هدف کاهش تاثیرات ناشی از چندمسیره گی، از مدل های مخلوط گاوسی GMM) [19]) و توزیع وون میس-فیشر [20]برای مدل سازی خطاهای زمانی و عدم قطعیت زاویه ای استفاده کرده اند. نتایج آزمایشات نشان می دهد که الگوریتم پیشنهادی به طور قابل توجهی دقت بالاتری نسبت به روش های سنتی که تنها از ToA یا AoA استفاده می کنند، دارد و قادر به دستیابی به دقت زیر یک متر در 90 درصد موارد است. همچنین، این الگوریتم نسبت به خطاهای همگام سازی مقاوم تر است.

درمرجع [19]، به بررسی بهینه سازی مکان یابی حسگرها برای تعیین موقعیت منابع با استفاده از اندازه گیری های ترکیبی ToA (زمان ورود)، RSS (قدرت سیگنال دریافتی) و AoA (زاویه ورود) می پردازد. نویسندگان روش جدیدی برای طراحی بهینه مکان حسگرها ارائه می دهند که بر اساس اصل ماژوریزاسیون-حداقل سازی [21]است.در این تحقیق، ابتدا مرز پایین CRLB [22] برای مدل اندازه گیری های ترکیبی استخراج می شود. یکی از نکات کلیدی این مقاله توانایی روش پیشنهادی در برخورد با نویزهای همبسته و غیرهمبسته است که در بسیاری از کاربردها، مانند نظارت زیرآبی، وجود دارد.

درمرجع [20]، به بررسی یک روش دقیق برای مکان یابی منابع با استفاده از ترکیب اندازه گیری های زمان تفاضل ورود (TDoA) و زاویه ورود (AoA) می پردازد. نویسندگان از روش حداقل مربعات کل ساختاری (STLS [23]) برای کاهش تاثیر نویز در داده ها و افزایش دقت برآورد موقعیت استفاده می کنند.در ابتدا، یک سیستم معادلات شبه خطی از اندازه گیری های TDoA AoA, ایجاد می شود. مقاله همچنین به چالش های موجود در مکان یابی منابع به دلیل روابط غیرخطی بین موقعیت منبع و اندازه گیری ها اشاره می کند. نویسندگان به معرفی تخمین گر حداکثر احتمال (ML [24]) می پردازند، اگرچه یافتن راه حل های بسته برای این تخمین گر دشوار است و نیاز به تکنیک های جستجوی عددی دارد.در نهایت، نتایج شبیه سازی نشان می دهند که روش STLS عملکرد بهتری در مقایسه با روش های حداقل مربعات و حداقل مربعات کل دارد. نویسندگان به این نکته اشاره می کنند که کارهای آینده می توانند شامل گسترش این روش برای مکان یابی چندمنبع و تحلیل نظری محدودیت های کرامر-راو (CRLB) باشند.

درمرجع[8]، به بررسی الگوریتم های مختلف موقعیت یابی برای محاسبات مبتنی بر زمان ورود (ToA) و تفاوت زمان ورود (TDoA) می پردازد. این الگوریتم ها شامل روش های تحلیلی، حداقل مربعات، احتمال حداکثری تقریبی، سری تیلور [25]، حداکثری دو مرحله ای [26]و الگوریتم ژنتیک [27] هستند. سناریوی مورد بررسی یک سیستم بیش سنجش در فضای سه بعدی تحت شرایط خط دید مستقیم (LoS) است. نویسندگان بر این نکته تاکید می کنند که دقت این الگوریتم ها تحت تاثیر خطاهای اندازه گیری و تداخلات چندمسیری (Multipath) قرار دارد. برای ارزیابی عملکرد الگوریتم ها، میانگین خطا و نرخ شکست به عنوان معیارهایی کلیدی در نظر گرفته شده است. نتایج نشان می دهد که الگوریتم ژنتیک (GA) در شرایط خاص، به ویژه زمانی که خطای ریشه میانگین مربعات (RMSE [28]) بالاتر از ۱متر است، کمترین میانگین خطا را دارد. به طور کلی، مقاله به اهمیت انتخاب الگوریتم مناسب برای موقعیت یابی در شبکه های حسگر بی سیم و تاثیر پارامترهای مختلف بر دقت تخمین موقعیت تاکید می کند.

درمرجع [21]، به بررسی یک طرح بهبود یافته برای شناسایی شرایط NLoS در موقعیت یابی مبتنی بر زمان ورود (ToA) و زاویه ورود (AoA) در محیط های داخلی می پردازد. نویسندگان به این نکته اشاره می کنند که استفاده از تکنیک ترکیبی ToA/AoA (HTA) [29]می تواند دقت تخمین موقعیت را افزایش دهد، اما در شرایط NLoS، دقت این تخمین به شدت کاهش می یابد. برای حل این مشکل، یک روش جدید شناسایی NLoS مبتنی بر الگوریتم حداقل باقی مانده (IMR [30]) برای HTA پیشنهاد شده است. این الگوریتم به صورت تکراری، گره های غیرقابل اعتماد را شناسایی و حذف می کند تا عملکرد تخمین بهبود یابد. نویسندگان همچنین به مقایسه کارایی این روش پرداخته و نشان می دهند که روش پیشنهادی حتی در شرایطی که چندین گره NLoS وجود دارد، عملکرد بهتری دارد. نتایج نشان می دهد که استفاده از تکنیک های کاهش خطای NLoS و به ویژه حذف انحرافات ناشی از محیط های خط دید می تواند دقت تخمین موقعیت را به طور قابل توجهی افزایش دهد. این مقاله به اهمیت بهبود الگوریتم های شناسایی NLoS در سیستم های موقعیت یابی مدرن تاکید دارد.

درمرجع[22]، به بررسی یک روش جدید برای مکان یابی افراد در محیط های داخلی با استفاده از تکنیک هایTDoA ,RSS می پردازد. نویسندگان به این نکته اشاره می کنند که در محیط های داخلی، سیستم های GNSS معمولا در دسترس نیستند و به همین دلیل از یک شبکه سنسور بی سیم استفاده می شود. روش پیشنهادی شامل ادغام داده های TDoA و RSS با استفاده از فیلتر کالمن توسعه یافته (EKF [31]) است. در این روش، ابتدا از داده های TDoA برای تخمین موقعیت استفاده می شود و در صورتی که این داده ها تحت تاثیر عوامل مخرب مانند چندمسیره قرار گیرند، از داده های RSS برای تصحیح تخمین موقعیت استفاده می شود. این ادغام به بهبود دقت تخمین کمک می کند، به ویژه در شرایطی که سیگنال ها دچار اختلال می شوند. دو آزمایش در محیط های مختلف برای ارزیابی کارایی الگوریتم انجام شده است. نتایج نشان می دهد که استفاده از RSS در کنار TDoA می تواند در مواقع خاص به بهبود تخمین موقعیت کمک کند، اما دقت کلی به دلیل دقت پایین تر داده های RSSتحت تاثیر قرار می گیرد. در نهایت، نویسندگان به اهمیت استفاده از حسگرهای اضافی مانند شتاب سنج و حسگرهای جهت یابی اشاره می کنند تا دقت بیشتری در تخمین موقعیت حاصل شود.

درمرجع [23].به معرفی یک روش جدید برای مکان یابی در محیط های داخلی می پردازد که از ترکیب تکنیک های TDoA (زمان اختلاف ورود) و ToA (زمان ورود) استفاده می کند. این روش به جای نیاز به ارتباط مستقیم با نقطه دسترسی (AP)، تنها به تحلیل داده های بسته های Beacon متکی است و به همین دلیل نیازی به همزمان سازی ساعت ندارد. نویسندگان توضیح می دهند که این روش با استفاده از دو نوع زمان سنجی—زمان بندی Beacon و زمان MAC[32] عمل می کند. به این ترتیب، امکان تخمین فاصله بین یک دستگاه موبایل و نقطه دسترسی با دقت بالا و بدون نیاز به همکاری با دیگر دستگاه ها فراهم می شود. نتایج آزمایش ها نشان می دهد که این روش می تواند خطای متوسط کمتر از 2.5 متر را در تخمین موقعیت ارائه دهد.روش پیشنهادی به دلیل عدم نیاز به ارتباط دوطرفه و نیاز به تجهیزات پیشرفته، رویکردی عملی تر برای مکان یابی در محیط های داخلی ارائه می دهد.

درمرجع [24]، به بررسی یک الگوریتم جدید برای مکان یابی در شبکه های حسگر بی سیم می پردازد که از ترکیب دو تکنیک ToF[33]TDoA, استفاده می کند. نویسندگان بر این باورند که الگوریتم های مکان یابی معمولا به دقت و مصرف انرژی توجه می کنند و ترکیب این دو روش می تواند به بهبود عملکرد کمک کند. روش پیشنهادی ابتدا به تخمین انحراف ساعت بین گره ها می پردازد تا دقت نتایج اندازه گیری ToFرا افزایش دهد. سپس، با استفاده از تکنیک TDoA، تعداد ارسال و دریافت های مورد نیاز در طرف گره (که باید مکان یابی شود) کاهش می یابد. این الگوریتم با استفاده از روش تکراری نیوتن برای تعیین موقعیت نهایی گره ها عمل می کند. نتایج شبیه سازی نشان می دهد که این الگوریتم ترکیبی دقت مکان یابی را به طور قابل توجهی بهبود می بخشد و در عین حال می تواند هزینه های انرژی را در مقایسه با روش های معمول کاهش دهد. به طور کلی، این مطالعه بر اهمیت در نظر گرفتن انحراف ساعت و ترکیب تکنیک های مختلف برای دستیابی به دقت و کارایی بهتر در مکان یابی تاکید دارد.

درمرجع [25]، به بررسی یک روش جدید برای تعیین موقعیت در سیستم های مختلط GNSS 5G,می پردازد که بر اساس اندازه گیری های زمان ورود (ToA) و زاویه ورود (AoA) است. یکی از چالش های اصلی در این روش، مشکل همزمانی زمانی است که می تواند دقت موقعیت یابی را تحت تاثیر قرار دهد. نویسندگان پیشنهاد می دهند که با ترکیب تخمین های AoA از ایستگاه های پایه و اندازه گیری های ToAاز ماهواره های GNSS، می توان به یک روش موقعیت یابی دقیق تر دست یافت. این روش به خصوص در محیط های شهری که سیگنال های GNSSبه شدت تحت تاثیر موانع قرار می گیرند، کاربرد دارد. مقاله همچنین به بررسی چگونگی استفاده از ویژگی های MIMOدر 5Gبرای بهبود دقت محاسبات می پردازد و به کارگیری روش میانگین متحرک برای کاهش اثر نویز را معرفی می کند. نتایج شبیه سازی نشان می دهد که روش پیشنهادی می تواند دقت و قابلیت اطمینان موقعیت یابی را بهبود بخشد و خطای موقعیت را به طور قابل توجهی کاهش دهد. در نهایت، این مقاله بر لزوم تحقیقات بیشتر در زمینه بهبود دقت روش های موقعیت یابی 5Gتاکید می کند و به چشم اندازهای پیش رو اشاره می کند.

درمرجع[26]، به بررسی یک روش نوین برای تعیین موقعیت در شبکه های حسگر بی سیم می پردازد که از ترکیب اندازه گیری های قدرت سیگنال دریافتی (RSS) و زاویه ورود (AoA) استفاده می کند. این روش به نام ENWLS [34] نامگذاری شده است و هدف آن بهبود دقت موقعیت یابی در محیط های داخلی است. نویسندگان ابتدا مشکلات موجود در روش های سنتی موقعیت یابی را بررسی می کنند، از جمله نیاز به همگام سازی دقیق زمان در روش های ToA TDoA, و محدودیت های ناشی از نویز در اندازه گیری ها. سپس، آن ها یک رویکرد ترکیبی را پیشنهاد می کنند که با استفاده از تخمین های وزنی، دقت موقعیت یابی را بدون افزایش پیچیدگی محاسباتی بهبود می بخشد. مقاله همچنین به شبیه سازی های انجام شده اشاره می کند که نشان می دهد روش پیشنهادی ENWLS از سایر روش های ترکیبی موجود بهتر عمل می کند. در نهایت، نتایج و تحلیل های پیچیدگی این روش مورد بررسی قرار می گیرد و به کارایی آن در کاربردهای واقعی اشاره می شود. به طور کلی، این مقاله بر بهبود دقت موقعیت یابی در شبکه های حسگر بی سیم با استفاده از ترکیب هوشمندانه دو نوع اندازه گیری تاکید دارد و می تواند به طور قابل توجهی در کاربردهای داخلی به کار رود.

درمرجع [9]، به بررسی روش های مکان یابی داخلی با استفاده از تکنیک های زمان تفاوت ورود (TDoA) می پردازد. این روش ها به دلیل کاربردهای مختلفی که در زمینه های مانند ناوبری در بیمارستان ها و فروشگاه ها دارند، اهمیت دارند. نویسندگان الگوریتمی توزیع شده برای محلی سازی منبع معرفی می کنند که تنها از اندازه گیری های زمان ورود (ToA) از گیرنده های همسایه استفاده می کند و نشان می دهند که این روش به اندازه یک راه حل متمرکز که به تمامی اندازه گیری ها دسترسی دارد، عملکرد خوبی دارد.مقاله به چالش های مرتبط با اندازه گیری های ToA و نویز موجود در محیط های داخلی می پردازد و یک روش برای حذف اندازه گیری های نادرست پیشنهاد می کند که می تواند دقت مکان یابی را در شرایطی با نویز بالا بهبود بخشد. نتایج تجربی نشان می دهند که روش های توزیع شده می توانند به دقت مشابهی با روش های متمرکز دست یابند و دسترسی به اطلاعات همسایه ها موجب کاهش دقت نمی شود. در نهایت، مقاله به اهمیت بهبود دقت مکان یابی در محیط های داخلی با استفاده از TDoA و روش های توزیع شده تاکید دارد.

درمراجع [27], [28]، به بررسی تخمین موقعیت اشیاء با استفاده از اندازه گیری های زمان ورود (ToA) می پردازد، به ویژه در مواقعی که GPSدر دسترس نیست، مانند محیط های داخلی. نویسندگان الگوریتم جدیدی به نام تخمین دو مرحله ای (TSE [35]) ارائه می دهند که به طور خاص برای تخمین موقعیت اشیاء غیر فعال طراحی شده است. نویسندگان به بررسی محدودیت های پایین تخمین خطای CRLB برای ToA و مقایسه آن با TDoA می پردازند و نشان می دهند که CRLB برای ToA به طور قابل توجهی پایین تر است. نتایج تجربی نشان می دهد که الگوریتم TSEمی تواند خطای تخمین را تا 33 دسی بل بهتر از روش های مبتنی بر TDoA کاهش دهد. مقاله به چالش های موجود در سیستم های محلی سازی، از جمله جداسازی منابع و شناسایی مسیرهای غیرمستقیم، اشاره می کند و مدل سازی سیستم تخمین موقعیت را در یک محیط دو بعدی با یک فرستنده و چند گیرنده توصیف می کند. در کل، مقاله به ارائه یک روش نوین و کارآمد برای تخمین موقعیت اشیاء غیر فعال با استفاده از اندازه گیری های ToA می پردازد و بر مزایای این روش نسبت به سایر روش ها تاکید دارد.

درمرجع [2]، به بررسی چالش ها و تکنیک های مربوط به مکان یابی بی سیم می پردازد. با توجه به افزایش تماس های اضطراری از گوشی های همراه، نیاز به اطلاعات مکان دقیق به طور فزاینده ای احساس می شود. FCC [36] در سال 1996 قانونی را تصویب کرد که تمام ارائه دهندگان خدمات بی سیم را ملزم به ارائه اطلاعات مکانی دقیق برای تماس های اضطراری کرد. مقاله به دو دسته اصلی تکنیک های مکان یابی بی سیم اشاره می کند: تکنیک های مبتنی بر موبایل و تکنیک های مبتنی بر شبکه. در روش های مبتنی بر موبایل، دستگاه های موبایل برای تعیین موقعیت خود از سیگنال های دریافتی استفاده می کنند، در حالی که در روش های مبتنی بر شبکه، ایستگاه های پایه سیگنال ها را تحلیل می کنند و بدون نیاز به تغییر در دستگاه های موبایل، موقعیت کاربر را تعیین می کنند.مقاله همچنین به چالش های مربوط به شرایط محیطی، مانند تداخل چندکاربره و اثرات غیرخطی در مکان یابی، و روش های ادغام داده ها برای بهبود دقت اشاره می کند. به طور کلی، مقاله بر اهمیت توسعه تکنیک های دقیق و کارآمد مکان یابی بی سیم تاکید دارد و به آینده ای اشاره می کند که در آن اطلاعات مکانی به طور گسترده در برنامه های مختلف مورد استفاده قرار می گیرد.

درمرجع[1]، به بررسی سیستم های موقعیت یابی داخلی مبتنی بر گوشی های هوشمند و فناوری های بی سیم RF [37] می پردازد. در این مقاله، چالش ها و راهکارهای مربوط به موقعیت یابی در فضاهای داخلی که GNSS (سیستم های ناوبری جهانی) به خوبی در آن ها عمل نمی کند، مورد بررسی قرار گرفته است. مقاله به فناوری هایی مانند [38] Wi-Fi BLE,[39] اشاره می کند که به عنوان منابع سیگنال برای سیستم های موقعیت یابی داخلی استفاده می شوند. روش هایی مانند محاسبه فاصله بر اساس قدرت سیگنال دریافتی (RSS) و روش های فینگرپرینتینگ [40]به دلیل دقت بالای آن ها در این زمینه مطرح شده اند. چالش های موجود در محیط های داخلی، از جمله تداخل سیگنال و تغییرات فیزیکی محیط، مشکلاتی را ایجاد می کند و نیاز به تحقیق و توسعه بیشتر را نشان می دهد. همچنین، کاربردهای مختلف سیستم های موقعیت یابی داخلی در مدیریت دارایی، ردیابی افراد و خدمات مبتنی بر مکان در فضاهای عمومی ذکر شده است. مقاله به روندهای آینده در توسعه سیستم های موقعیت یابی داخلی اشاره دارد و بر نیاز به استانداردسازی و بهینه سازی روش ها تاکید می کند. به طور کلی، این مقاله یک مرور جامع بر روی سیستم های موقعیت یابی داخلی و چالش های مرتبط با آن ها ارائه می دهد و به تحلیل روش ها و فناوری های مختلف می پردازد تا به درک بهتری از این حوزه در حال رشد برسد.

درمرجع [3]، به بررسی یک روش موثر برای مکان یابی مبتنی بر زمان ورود (ToA) در شبکه های حسگر بی سیم می پردازد. هدف این روش، تخمین دقیق موقعیت جغرافیایی دستگاه های بی سیم با توجه به چالش های موجود در محیط های داخلی و خطاهای ناشی از عدم وجود خط دید مستقیم (NLoS) است. نویسندگان به این نکته اشاره می کنند که وجود موانع مانند دیوارها و افراد می تواند دقت سیستم های مکان یابی بی سیم را کاهش دهد. در این مقاله، یک الگوریتم انتخاب ایستگاه پایه (BS) معرفی می شود که به انتخاب سه BS با کمترین خطاهای NLoS کمک می کند و در نتیجه، دقت مکان یابی را افزایش می دهد. نتایج شبیه سازی ها نشان می دهد که این روش جدید عملکرد بهتری نسبت به روش های سنتی دارد. مقاله همچنین به مقایسه روش های مختلف مکان یابی می پردازد و نشان می دهد که استفاده از انتخاب BS می تواند به بهبود نتایج در شرایط NLoS کمک کند. در نهایت، این تحقیق به اهمیت بهینه سازی فرآیند مکان یابی در شبکه های حسگر بی سیم و لزوم توجه به خطاهای NLoS تاکید می کند و نشان می دهد که با استفاده از انتخاب صحیح BS، می توان به نتایج بهتری دست یافت.

درمرجع [6]، به بررسی کاربرد حسگرهای بی سیم در دستگاه های خودکار می پردازد و یک روش بهبودیافته برای موقعیت یابی در شبکه های حسگر بی سیم ارائه می دهد. نویسندگان، الگوریتم های مختلف موقعیت یابی شامل RSSI، ToA، TDoA و AoA را تحلیل کرده و به محدودیت های آن ها اشاره می کنند. در این مطالعه، نویسندگان به جای استفاده از منحنی های هایپربولا [41]، از خط های نامتقارن برای بهبود کارایی و کاهش مصرف انرژی استفاده کرده اند. نتایج شبیه سازی نشان می دهد که روش پیشنهادی دقت بیشتری در موقعیت یابی نسبت به روش حداکثر احتمال دارد و در عین حال پیچیدگی محاسباتی مشابهی دارد. مقاله همچنین به مسائلی مانند تاثیر دما، رطوبت و شرایط محیطی بر دقت سنجش فاصله پرداخته و تاکید می کند که کنترل این عوامل برای بهبود دقت موقعیت یابی ضروری است.

درمرجع[7]، به بررسی تکنیک های موقعیت یابی برای ناوگان پهپادها می پردازد و به چالش های مرتبط با استفاده از GPS در شرایط NLoS اشاره می کند. با توجه به محدودیت های GPS، نویسندگان به معرفی و دسته بندی تکنیک های موقعیت یابی مستقل از GPSمی پردازند و اهمیت دقت در موقعیت یابی برای جلوگیری از تصادف و خسارت به پهپادها را تاکید می کنند. تکنیک های موقعیت یابی به دو دسته کلی متمرکز و غیرمتمرکز تقسیم می شوند. تکنیک های متمرکز نیاز به ارتباط با یک گره مرکزی دارند که می تواند هزینه های ارتباطی بالایی به همراه داشته باشد، در حالی که تکنیک های غیرمتمرکز می توانند با ارتباط محدود میان گره ها عمل کنند. در میان تکنیک های مختلف، TDoA به عنوان یک گزینه مناسب برای ناوگان پهپادها معرفی می شود، زیرا دقت بالایی دارد و نیاز به همزمانی دقیق ندارد. با این حال، نویسندگان به این نکته نیز اشاره می کنند که تکنیک های رایگان از GPS مانند DV-Hop [42]می توانند در شرایط خاص عملکرد خوبی داشته باشند. در نهایت، مقاله به بررسی نقاط قوت و ضعف هر تکنیک پرداخته و نیاز به تحقیقات بیشتر در زمینه بهبود الگوریتم های موقعیت یابی برای ناوگان پهپادها را مطرح می کند، به ویژه در زمینه مدل های حرکتی که ویژگی های خاص این نوع ناوگان را در نظر می گیرند.

منابع

[1] S. Subedi and J.-Y. Pyun, "A survey of smartphone-based indoor positioning system using RF-based wireless technologies," Sensors, vol. 20, no. 24, p. 7230, 2020.

[2] A. H. Sayed, A. Tarighat, and N. Khajehnouri, "Network-based wireless location: challenges faced in developing techniques for accurate wireless location information," IEEE signal processing magazine, vol. 22, no. 4, pp. 24-40, 2005.

[3] S. Go and J.-W. Chong, "An efficient TOA-based localization scheme based on BS selection in wireless sensor networks," IEICE Transactions on Communications, vol. 97, no. 11, pp. 2560-2569, 2014.

[4] A. Bahillo et al., "Accurate and integrated localization system for indoor environments based on IEEE 802.11 round-trip time measurements," EURASIP Journal on Wireless Communications and Networking, vol. 2010, pp. 1-13, 2010.

[5] C. Isaia and M. P. Michaelides, "A review of wireless positioning techniques and technologies: From smart sensors to 6G," Signals, vol. 4, no. 1, pp. 90-136, 2023.

[6] B. Su, Q. Zhang, and B. Zhang, "Application of Wireless Sensor in Automatic Device," International Journal of Online Engineering, vol. 14, no. 1, 2018.

[7] J.-H. Kang, K.-J. Park, and H. Kim, "Analysis of localization for drone-fleet," in 2015 International Conference on Information and Communication Technology Convergence (ICTC), 2015: IEEE, pp. 533-538.

[8] G. Shen, R. Zetik, and R. S. Thoma, "Performance comparison of TOA and TDOA based location estimation algorithms in LOS environment," in 2008 5th workshop on positioning, navigation and communication, 2008: IEEE, pp. 71-78.

[9] W. Yu, N. D. Gaubitch, and R. Heusdens, "Distributed tdoa-based indoor source localisation," in 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2018: IEEE, pp. 6887-6891.

[10] R. Margolies et al., "Can you find me now? Evaluation of network-based localization in a 4G LTE network," in IEEE INFOCOM 2017-IEEE Conference on Computer Communications, 2017: IEEE, pp. 1-9.

[11] M. Driusso, F. Babich, F. Knutti, M. Sabathy, and C. Marshall, "Estimation and tracking of LTE signals time of arrival in a mobile multipath environment," in 2015 9th International Symposium on Image and Signal Processing and Analysis (ISPA), 2015: IEEE, pp. 276-281.

[12] M. Driusso, C. Marshall, M. Sabathy, F. Knutti, H. Mathis, and F. Babich, "Vehicular position tracking using LTE signals," IEEE Transactions on Vehicular Technology, vol. 66, no. 4, pp. 3376-3391, 2016.

[13] J. A. del Peral-Rosado, R. Raulefs, J. A. López-Salcedo, and G. Seco-Granados, "Survey of cellular mobile radio localization methods: From 1G to 5G," IEEE Communications Surveys & Tutorials, vol. 20, no. 2, pp. 1124-1148, 2017.

[14] K. Shamaei and Z. M. Kassas, "Receiver design and time of arrival estimation for opportunistic localization with 5G signals," IEEE Transactions on Wireless Communications, vol. 20, no. 7, pp. 4716-4731, 2021.

[15] J. A. del Peral-Rosado, J. A. López-Salcedo, F. Zanier, and G. Seco-Granados, "Position accuracy of joint time-delay and channel estimators in LTE networks," IEEE Access, vol. 6, pp. 25185-25199, 2018.

[16] M. Aernouts, N. BniLam, R. Berkvens, and M. Weyn, "Simulating a combination of TDoA and AoA localization for LoRaWAN," in Advances on P2P, Parallel, Grid, Cloud and Internet Computing: Proceedings of the 14th International Conference on P2P, Parallel, Grid, Cloud and Internet Computing (3PGCIC-2019) 14, 2020: Springer, pp. 756-765.

[17] V. Sneha and M. Nagarajan, "Localization in wireless sensor networks: a review," Cybernetics and Information Technologies, vol. 20, no. 4, pp. 3-26, 2020.

[18] C. Geng, T. E. Abrudan, V.-M. Kolmonen, and H. Huang, "Experimental study on probabilistic ToA and AoA joint localization in real indoor environments," in ICC 2021-IEEE International Conference on Communications, 2021: IEEE, pp. 1-6.

[19] K. Panwar, G. Fatima, and P. Babu, "Optimal sensor placement for hybrid source localization using fused TOA–RSS–AOA measurements," IEEE Transactions on Aerospace and Electronic Systems, vol. 59, no. 2, pp. 1643-1657, 2022.

[20] T. Jia, H. Wang, X. Shen, J. Gao, and X. Liu, "An accurate TDOA-AOA localization method using structured total least squares," in OCEANS 2017-Aberdeen, 2017: IEEE, pp. 1-6.

[21] M. Horiba, E. Okamoto, T. Shinohara, and K. Matsumura, "An improved NLOS detection scheme for hybrid-TOA/AOA-based localization in indoor environments," in 2013 IEEE International Conference on Ultra-Wideband (ICUWB), 2013: IEEE, pp. 37-42.

[22] J. Lategahn, M. Muller, and C. Rohrig, "Tdoa and rss based extended kalman filter for indoor person localization," in 2013 IEEE 78th Vehicular Technology Conference (VTC Fall), 2013: IEEE, pp. 1-5.

[23] A. Gholoobi and S. Stavrou, "A hybrid TDoA-ToA localization method," in ICT 2013, 2013: IEEE, pp. 1-4.

[24] T. Wang, H. Xiong, H. Ding, and L. Zheng, "A hybrid localization algorithm based on TOF and TDOA for asynchronous wireless sensor networks," IEEE Access, vol. 7, pp. 158981-158988, 2019.

[25] C. Sun, H. Zhao, L. Bai, J. W. Cheong, A. G. Dempster, and W. Feng, "GNSS-5G hybrid positioning based on TOA/AOA measurements," in China Satellite Navigation Conference (CSNC) 2020 Proceedings: Volume III, 2020: Springer, pp. 527-537.

[26] W. Ding, S. Chang, and J. Li, "A novel weighted localization method in wireless sensor networks based on hybrid RSS/AoA measurements," IEEE Access, vol. 9, pp. 150677-150685, 2021.

[27] J. Shen, A. F. Molisch, and J. Salmi, "Accurate passive location estimation using TOA measurements," IEEE Transactions on Wireless Communications, vol. 11, no. 6, pp. 2182-2192, 2012.

[28] Y. Sun, K. Ho, and Q. Wan, "Solution and analysis of TDOA localization of a near or distant source in closed form," IEEE Transactions on Signal Processing, vol. 67, no. 2, pp. 320-335, 2018.