Radiolähettimen PDOA-paikantaminen

Abstract

PDOA-paikantaminen on yhteistyöhaluttoman lähettimen paikantamiseen soveltuva tekniikka, joka perustuu vastaanottimiin saapuneiden tehojen mittaukseen ja radiotien laskennalliseen mallintamiseen. Tekniikalla on hyvin kevyet laitevaatimukset eikä se edellytä esitietoja paikannettavasta lähettimestä. Tässä työssä verrataan paikannuksen tarkkuutta käyttäen eri PDOA-algoritmeja ja eri radioaaltojen etenemismalleja. Vertailun pohjana on itse tuotettu mittausaineisto radioaaltojen etenemisestä VHF- ja UHF-taajuusalueilla pääkaupunkiseudulla. Työn tuloksena tarkimpina yhdistelminä voidaan pitää radioaaltojen empiirisiä etenemismalleja yhdistettynä pienimmän neliösumman menetelmään tai diskreetin todennäköisyystiheyden menetelmään. Paikannustarkkuus on melko maltillinen ja yksittäinen paikannus ei ole luotettava ilman yksityiskohtaisempaa tarkastelua. Paikannustarkkuus ei välttämättä korreloi etenemismallin absoluuttisen tarkkuuden kanssa, sillä PDOA-paikannuksessa etenemismallien vinoumat ja järjestelmälliset mittausvirheet supistuvat pois.

PDOA is a radio geolocation technique, which is capable to localize non-cooperative emitter. The technique is based on measuring received signal strength and computational path loss modeling. PDOA has very low requirements for localizing devices and the technique is independent of any prior knowledge of the emitter. This thesis compares geolocation accuracy using different PDOA algorithms and different path loss models.

The comparison utilizes self produced measurement data set of radio wave propagation in the VHF and UHF frequency bands in Helsinki region. As result of the work, empirical path loss models together with nonlinear least squares or discrete probability density method are considered as the most accurate combinations. The accuracy using these methods is quite moderate and a single geolocation is not reliable without further studies.

The localizing accuracy does not necessarily correlate with absolute accuracy of the path loss model, since bias of the path loss model and systematic measurement errors are canceled.