Список литературы

2518-1092

Научный результат. Информационные технологии

2518-1092

10.18413/2518-1092-2025-10-3-0-4

3903

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ПРИНЯТИЕ РЕШЕНИЙ

<strong>НЕЙРОСЕТЕВАЯ АППРОКСИМАЦИЯ КООРДИНАТ В ЗАДАЧАХ ЛОКАЛИЗАЦИИ С ВРЕМЕННЫМИ ПРОВАЛАМИ СИГНАЛА</strong> <div> </div>

<strong>NEURAL INFERENCE OF OBJECT LOCALIZATION FROM DISCONTINUOUS TIME-OF-ARRIVAL SEQUENCES</strong>

Минина

Анна Валерьевна

Minina

Anna Valerievna

minina.annette@gmail.com

Никулин

Ростислав Русланович

Nikulin

Rostislav Ruslanovich

1470970@bsuedu.ru

Сидоренко

Игорь Александрович

Sidorenko

Igor Alexandrovich

2025

10300

В статье рассматривается задача восстановления координат подвижного объекта в условиях временного отсутствия или деградации сигналов позиционирования (blackout), характерного для сложных радиосред. Предложен метод, основанный на применении рекуррентной нейронной сети с длинной краткосрочной памятью (LSTM) для интерполяции и предсказания координат на основе последовательностей временных различий прихода сигналов (TDoA) от трех стационарных якорей. Разработанная модель обучалась на синтетических траекториях, моделирующих движение объекта, и демонстрирует высокую устойчивость к пропущенным данным, а также способность восстанавливать траекторию с минимальной медианной ошибкой менее 30 метров даже при значительном снижении качества сигнала. Проведен сравнительный анализ с другими методами, включая GRU, TCN и фильтр Калмана, что подтверждает превосходство архитектуры LSTM в условиях нестабильной среды и ограниченного числа измерений. Полученные результаты показывают перспективность предложенного подхода для применения в системах автономной навигации и позиционирования в реальном времени.

The article addresses the problem of recovering the coordinates of a moving object in conditions of temporary signal loss or degradation (blackout), typical for complex radio environments. A method based on a Long Short-Term Memory (LSTM) recurrent neural network is proposed for interpolating and predicting positions using sequences of Time Difference of Arrival (TDoA) measurements from three fixed anchors. The developed model was trained on synthetic trajectories simulating object movement and demonstrates high robustness to missing data, with a median error of less than 30 meters even under significant signal degradation. A comparative analysis with alternative methods, including GRU, TCN, and Kalman Filter, confirms the superior performance of the LSTM architecture in unstable environments with limited measurements. The results indicate the proposed approach is promising for real-time applications in autonomous navigation and positioning systems.

позиционированиеTDoALSTMblackoutнейронные сетилокализациянавигациярегрессия координат

positioningTDoALSTMblackoutneural networkslocalizationnavigationcoordinate regression

Список литературы

Сейсенбаев Б.И., Есмагулова А.М. Алгоритмы позиционирования в беспроводных сетях. – Алматы: КазНТУ, 2020. – 123 с.

Гудфеллоу И., Бенжио Й., Курвиль А. Глубокое обучение. – М.: Вильямс, 2018. – 720 с.

Liu H., Darabi H., Banerjee P., Liu J. Survey of wireless indoor positioning techniques and systems // IEEE Transactions on Systems, Man, and Cybernetics. – 2007. – Vol. 37, No. 6. – P. 1067–1080.

Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. – 1997. – Vol. 9. – No. 8. – P. 1735–1780.

Gers F. A., Schmidhuber J., Cummins F. Learning to forget: Continual prediction with LSTM // Neural Computation. – 2000. – Vol. 12. – No. 10. – P. 2451–2471.

Graves A. Supervised sequence labelling with recurrent neural networks. – Springer, 2012. – 150 p.

Cho K. et al. Learning phrase representations using RNN encoder–decoder for statistical machine translation // arXiv preprint arXiv:1406.1078, 2014.

Kingma D., Ba J. Adam: A method for stochastic optimization // Proceedings of ICLR, 2015.

Zhang Z. et al. TDOA-based localization using LSTM networks in multipath environments // Sensors. – 2021. – Vol. 21. – No. 11. – P. 3851.

Mazuelas S. et al. Robust indoor positioning provided by real-time RSSI values in unmodified WLAN networks // IEEE Journal on Selected Areas in Communications. – 2009. – Vol. 27. – No. 6. – P. 1091–1102.

Alarifi A. et al. Ultra wideband indoor positioning technologies: Analysis and recent advances // Sensors. – 2016. – Vol. 16. – No. 5. – P. 707.

Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift // Proceedings of ICML, 2015.

LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. – 2015. – Vol. 521. – P. 436–444.

Yassin M. et al. Recent advances in indoor localization: A survey on theoretical approaches and applications // IEEE Communications Surveys & Tutorials. – 2017. – Vol. 19. – No. 2. – P. 1327–1346.

Zhao M., Adib F., Katabi D. Emotion recognition using wireless signals // Communications of the ACM. – 2018. – Vol. 61. – No. 9. – P. 91–100.