MAPress
مقاله حسگری فعال با یادگیری تقویتی فراگیر برای مکان‌یابی فرستنده از مشاهدات فرکانس رادیویی

مقاله حسگری فعال با یادگیری تقویتی فراگیر برای مکان‌یابی فرستنده از مشاهدات فرکانس رادیویی

تداخل سیستم‌های ماهواره‌ای ناوبری جهانی (GNSS) تهدیدی جدی برای موقعیت‌یابی قابل اعتماد محسوب می‌شود، به‌ویژه در محیط‌های داخلی و محیط‌هایی با بازتاب‌های چندگانه که تعیین موقعیت منبع بسیار چالش‌برانگیز...

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

حسگری فعال با یادگیری تقویتی فراگیر برای مکان‌یابی فرستنده از مشاهدات فرکانس رادیویی

Active Sensing with Meta-Reinforcement Learning for Emitter Localization from RF Observations

نویسندگان: M. Shamail J. Khan, Nisha L. Raichur, Lucas Heublein, Christian Wielenberg, Alexander Mattick, Tobias Feigl, Christopher Mutschler, Felix Ott

شناسه منبع: arxiv / 2605.12569v1

دسته: eess.SP,cs.AI

چکیده (فارسی)

تداخل سیستم‌های ماهواره‌ای ناوبری جهانی (GNSS) تهدیدی جدی برای موقعیت‌یابی قابل اعتماد محسوب می‌شود، به‌ویژه در محیط‌های داخلی و محیط‌هایی با بازتاب‌های چندگانه که تعیین موقعیت منبع بسیار چالش‌برانگیز است. در این مقاله، ما موقعیت‌یابی تداخل GNSS را به عنوان یک مسئله حسگری فعال فرمول‌بندی کرده و یک چارچوب یادگیری تقویتی (RL) پیشنهاد می‌کنیم که در آن یک عامل به طور متوالی محیط را کاوش می‌کند تا موقعیت منبع انتشار را از مشاهدات فرکانس رادیویی (RF) که با یک آنتن پچ 2x2 به دست آمده است، استنتاج کند. وظیفه موقعیت‌یابی به عنوان یک فرآیند تصمیم‌گیری با قابلیت مشاهده جزئی مدل‌سازی می‌شود، زیرا اندازه‌گیری‌های تک‌نمونه‌ای اغلب تحت انتشار چندگانه و شرایط متغیر کانال مبهم هستند. برای پرداختن به این موضوع، چارچوب پیشنهادی حسگری RF با ابعاد بالا را با یادگیری عمیق تقویتی و یادگیری سیاست بازگشتی ترکیب می‌کند. ما هر دو رویکرد مبتنی بر ارزش و مبتنی بر سیاست، یعنی شبکه‌های Q عمیق (DQN) و بهینه‌سازی سیاست نزدیک (PPO) را بررسی کرده و رفتار آن‌ها را تحت تغییر دامنه مطالعه می‌کنیم. این رویکرد بر روی یک مجموعه داده شبیه‌سازی شده که با ماژول ردیابی اشعه Sionna تولید شده است، ارزیابی می‌شود، که اثرات انتشار واقع‌گرایانه و پیکربندی‌های متنوع محیط را فراهم می‌کند. نتایج تجربی نشان می‌دهد که روش پیشنهادی به نرخ موفقیت موقعیت‌یابی 80.1% دست می‌یابد و پتانسیل RL را برای موقعیت‌یابی تطبیقی تداخل GNSS نشان می‌دهد. در مجموع، نتایج، آموزش با کمک شبیه‌سازی را به عنوان یک جهت امیدوارکننده برای موقعیت‌یابی قوی تداخل در محیط‌های انتشار چالش‌برانگیز برجسته می‌کند.

Abstract (English)

Global navigation satellite system (GNSS) interference poses a serious threat to reliable positioning, especially in indoor and multipath-rich environments where source localization is highly challenging. In this paper, we formulate GNSS interference localization as an active sensing problem and propose a reinforcement learning (RL) framework in which an agent sequentially explores the environment to infer the position of an emitter source from radio frequency (RF) observations acquired with a 2x2 patch antenna. The localization task is modeled as a partially observable decision process, since single-snapshot measurements are often ambiguous under multipath propagation and changing channel conditions. To address this, the proposed framework combines high-dimensional RF sensing with deep RL and recurrent policy learning. We investigate both value-based and policy-based approaches, namely Deep Q-Networks (DQN) and Proximal Policy Optimization (PPO), and study their behavior under domain shift. The approach is evaluated on a simulated dataset generated with the Sionna ray-tracing module, which provides realistic propagation effects and diverse environment configurations. Experimental results show that the proposed method achieves a localization success rate of 80.1%, demonstrating the potential of RL for adaptive GNSS interference localization. Overall, the results highlight simulation-assisted training as a promising direction for robust interference localization in challenging propagation environments.

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.