Key points are not available for this paper at this time.
Cet article examine le problème de la localisation active d'un objet en mouvement dans sa position et sa vitesse initiales, en utilisant uniquement le délai temporel ou avec des mesures de décalage Doppler acquises par un certain nombre de capteurs monostatiques. Chaque capteur a un mouvement non négligeable pendant la période d'observation, ce qui l'amène à différentes positions lorsqu'il envoie et reçoit le signal, avec une séparation proportionnelle au temps de trajet du signal pour atteindre l'objet et revenir. L'objet n'est pas à la même position lorsqu'il réfléchit les signaux provenant de divers capteurs en raison de son mouvement. Les deux effets de mouvement donnent lieu à des équations de modèle récursives pour le délai temporel et le décalage Doppler, rendant le problème de localisation intéressant et stimulant. Nous allons dériver les équations de modèle de mesure dans ce scénario, évaluer la borne inférieure de Cramer-Rao (CRLB) du problème d'estimation et analyser les modèles proposés en contrastant avec la perte de performance lorsque l'on ignore les effets de mouvement de l'objet et du capteur. Les estimateurs du maximum de vraisemblance (MLE) sont ensuite développés, en utilisant les itérations Gauss-Newton ou Quasi-Newton. Une solution algébrique pour le cas spécial des capteurs non mobiles d'objets en mouvement est dérivée et analysée, et elle peut servir d'initialisation efficace des MLE itératifs si le mouvement du capteur est présent. À la fois l'analyse théorique et les études de simulation corroborent l'importance de prendre en compte les mouvements de l'objet et du capteur pendant la période d'observation, lorsque la vitesse relative entre l'objet et le capteur est significative par rapport à la vitesse de propagation du signal, comme dans un environnement acoustique ou sous-marin.
Jia et al. (Mer,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: