دانلود ترجمه مقاله مکانیابی روی قاب و جهت گیری برای شبکه های حسگری نسبی

1. مقدمه 2. پیشفرض ها 3. مسائل مدل شبکه و مکانیابی 4. مکانیابی قاب دو بعدی 5. مکانیابی قاب سه بعدی 6. نتیجه گیری

چکیده – ما یک تئوری مکانیابی نوین برای شبکه ای از گره ها ایجاد می کنیم که تحمل همدیگر را اندازه گیری می کنند، یعنی، فرض می کنیم که گره ها توانایی انجام اندازه گیری های بیان شده در یک قاب مرجع مشترک را ندارند. ما با تعاریف پایه قابلیت مکانیابی قاب و قابلیت مکان یابی جهت، شروع می کنیم. براساس بعضی از روابط جنبشی کلیدی، ما قابلیت مکان یابی جهتی را برای شبکه های مسطح با حسگری زاویه رسیدن، مشخص می سازیم. سپس مسئله مکان یابی جهت را در حضور اندازه گیری های نویز دار بررسی می کنیم. الگوریتم اول ما یک تخمین حداقل مربعات جهت گره مجهول در یک شبکه حلقه ای را با در نظر گرفتن حسگری زاویه ورودی، محاسبه می کند. برای نمودارهای متصل بهم به صورت اختیاری، الگوریتم دوم ما از روابط جنبشی میان جهت های گره ها در حلقه ها استفاده می کند تا اثر نویز را کاهش دهد. ما همگرایی الگوریتم را برقرار می کنیم، و از طریق بعضی شبیه سازی ها نشان می دهیم که این الگوریتم خطای میانگین مربعات را بخاطر اندازه گیری های نویزدار کاهش می دهد، به روشی که با مقدار کاهش نویز بدست آمده بوسیله تخمینگر حداقل مربعات کلاسیک، تقریباً برابر باشد. سپس، ما شبکه ها را در فضای سه بعدی درنظر می گیریم و شرایط لازم و کافی برای مکانیابی جهت در حالت بدون نویز را بررسی می کنیم.

We develop a novel localization theory for networks of nodes that measure each other’s bearing, i.e., we assume that nodes do not have the ability to perform measurements expressed in a common reference frame. We begin with some basic definitions of frame localizability and orientation localizability. Based on some key kinematic relationships, we characterize orientation localizability for planar networks with angle-of-arrival sensing. We then address the orientation localization problem in the presence of noisy measurements. Our first algorithm computes a least-squares estimate of the unknown node orientations in a ring network given angle-of-arrival sensing. For arbitrary connected graphs, our second algorithm exploits kinematic relationships among the orientations of nodes in loops in order to reduce the effect of noise. We establish the convergence of the algorithm, and through some simulations we show that the algorithm reduces the mean-square error due to the noisy measurements in a way that is comparable to the amount of noise reduction obtained by the classic least-square estimator. We then consider networks in 3-dimensional space and we explore necessary and sufficient conditions for orientation localizability in the noiseless case.