This paper extends an algorithm that exploits multipath propagation for position estimation of mobile receivers named Channel-SLAM. Channel-SLAM treats multipath components (MPCs) as signals from virtual transmitters (VTs) and estimates the positions of the VTs simultaneously with the mobile receiver positions. For Channel-SLAM it is essential to obtain angle of arrival (AoA) measurements for each MPC in order to estimate the VT positions. In this paper, we propose a novel Channel-SLAM implementation based on particle filtering which fuses heading information of an inertial measurement unit (IMU) to omit AoA measurements and to improve the position accuracy. Interpreting all MPCs as signals originated from VTs, Channel-SLAM enables positioning also in non-line-of-sight situations. Furthermore, we propose a method to dynamically adapt the number of particles which significantly reduces the computational complexity. A posterior Cramér-Rao lower bound for Channel-SLAM is derived which incorporates the heading information of the inertial measurement unit (IMU). We evaluate the proposed algorithm based on measurements with a single fixed transmitter and a moving pedestrian carrying the receiver and the IMU. The evaluations show that accurate position estimation is possible without the knowledge of the physical transmitter position by exploiting MPCs and the heading information of an IMU.

In multipath assisted positioning, multipath components (MPCs) are regarded as line-of-sight (LoS) signals from virtual transmitters. Instead of trying to mitigate the influence of MPCs, the spatial information contained in MPCs is exploited for localization. The locations of the physical and virtual transmitters are in general unknown but can be estimated with simultaneous localization and mapping (SLAM). Recently, a multipath assisted positioning algorithm named Channel-SLAM for terrestrial radio signals has been introduced. It simultaneously tracks the position of a receiver and maps the locations of physical and virtual radio transmitters. Maps of estimated transmitter locations can be augmented by additional information. Within this paper, we propose to extend the Channel-SLAM algorithm by mapping information about the visibility of transmitters. A physical or virtual transmitter is visible, if its signal is received in a LoS condition. We derive a novel particle filter for Channel-SLAM that estimates and exploits visibility information on transmitters in addition to their locations. We show by means of simulations in an indoor scenario that our novel particle filter improves the positioning performance of Channel-SLAM considerably.

In multipath assisted positioning, multipath components arriving at a receiver are regarded as being transmitted by a virtual transmitter in a line-of-sight condition. As the locations and clock offsets of the virtual and physical transmitters are in general unknown, simultaneous localization and mapping (SLAM) schemes can be applied to simultaneously localize a user and estimate the states of physical and virtual transmitters as landmarks. Hence, multipath assisted positioning enables localizing a user with only one physical transmitter depending on the scenario. In this paper, we present and derive a novel filtering approach for our multipath assisted positioning algorithm called Channel-SLAM. Making use of Rao-Blackwellization, the location of a user is tracked by a particle filter, and each landmark is represented by a sum of Gaussian probability density functions, whose parameters are estimated by unscented Kalman filters. Since data association, that is, finding correspondences among landmarks, is essential for robust long-term SLAM, we also derive a data association scheme. We evaluate our filtering approach for multipath assisted positioning by simulations in an urban scenario and by outdoor measurements.

Das Kennen des eigenen Standorts ist zu einem wichtigen Aspekt in unserem modernen Leben geworden. In Umgebungen mit guter Sicht in den Himmel können globale Satellitennavigationssysteme sehr genaue Positionsschätzungen liefern. Wenn die Sicht auf den Himmel blockiert ist, nimmt die Genauigkeit dieser Schätzungen rapide ab. Innerhalb von Gebäuden kann oft gar keine Position bestimmt werden. Auch terrestrische Signale wie beispielsweise von Funkmasten oder kabellosen Routern können für die Lokalisierung in Gebäuden verwendet werden. Die Genauigkeit verschlechtert sich jedoch durch Mehrwegeausbreitung, wenn Algorithmen verwendet werden, die auf Messungen der Signallaufzeit basieren. Das elektromagnetische Sendesignal wird an Objekten reflektiert, gestreut und gebrochen, was zu einem Versatz in den Schätzungen der Laufzeiten führt. Ein neuer Ansatz diesem Problem zu begegnen ist das Ausnutzen von Mehrwegekomponenten. Dabei wird die Information in Mehrwegekomponenten dadurch genutzt, dass diese als Signale von virtuellen Sendern behandelt werden, wobei diese virtuellen Sender Sichtverbindung zum Empfänger haben. Zwar sind die Positionen der physikalischen und virtuellen Sender unbekannt, sie können jedoch mittels simultaner Positionsbestimmung und Kartenerstellung (Simultaneous Localization and Mapping, SLAM) geschätzt werden. Ein solcher SLAM basierter Algorithmus, der Mehrwegekomponenten ausnutzt, ist Channel-SLAM. Hierbei wird die Position des Benutzers geschätzt, während gleichzeitig eine Karte der physikalischen und virtuellen Sender erstellt wird. Channel-SLAM ist auf einen einzelnen Nutzer ausgerichtet. Jedoch gibt es viele Szenarien, in denen sich Nutzer durch dieselben Gebäude bewegen, wie beispielsweise in Einkaufszentren oder öffentlichen Gebäuden. In dieser Arbeit wird der Channel-SLAM Algorithmus dahingehend erweitert, dass Nutzer kooperieren, indem sie Karten von Positionen von Sendern untereinander austauschen. Solch eine Zusammenarbeit kann die Positionierungsgenauigkeit aller Benutzer drastisch verbessern. Da im Allgemeinen keine Relation zu einem globalen Koordinatensystem bekannt ist, zählt Channel-SLAM zu den relativen Positionierungsalgorithmen. Die Parameter, die den Zusammenhang zwischen dem lokalen Koordinatensystem des Nutzers und dem einer Karte, die der Nutzer erhalten hat, herstellen, sind in der Regel unbekannt. Außerdem ist unbekannt, welche der Sender, die der Nutzer beobachtet hat und die in einer Karte sind, einander entsprechen. Das Schätzen dieser Transformationsparameter und der Entsprechungen der Sender wird als Kartenabgleich bezeichnet. Ein robuster Kartenabgleich ist essenziell für eine Kooperation unter Nutzern. Da virtuelle Transmitter nur schwer an Hand ihrer Sendesignale zu unterscheiden sind, treten beim Kartenabgleich oft Mehrdeutigkeiten auf. Deshalb wird der Zustandsraum der Sender um die Information erweitert, an welchen Orten die Signale von welchen Sendern sichtbar sind. In diesem Zusammenhang ist ein Sender sichtbar, wenn sein Signal es in Sichtverbindung empfangen werden kann. Es werden zwei neue Filter für Channel-SLAM hergeleitet, die nicht nur die Positionen, sondern auch Sichtbarkeitsbereiche von Sendern schätzen. Die Hinzunahme der Sichtbarkeitsbereiche macht das Channel-SLAM Verfahren robuster. Zusätzlich wird eine robuste Methode zur Datenassoziation hergeleitet. Datenassoziation bezieht sich dabei auf die Herausforderung, Signale physikalischen und virtuellen Sendern zuzuordnen, was essentiell für eine langfristig robuste und genaue Positionsschätzung in Channel-SLAM ist. Letztlich ermöglichen Sichtbarkeitsbereiche einen signifikant robusteren Kartenabgleich, was erst eine Kooperation von Benutzern im Sinne von Kartenaustausch ermöglicht.

The well-known approach of Bose, Ray-Chaudhuri and Hocquenghem and its generalization by Hartmann and Tzeng are lower bounds on the minimum distance of simple-root cyclic codes. We generalize these two bounds to the case of repeated-root cyclic codes and present a syndrome-based burst error decoding algorithm with guaranteed decoding radius based on an associated folded cyclic code. Furthermore, we present a third technique for bounding the minimum Hamming distance based on the embedding of a given repeated-root cyclic code into a repeated-root cyclic product code. A second quadratic-time probabilistic burst error decoding procedure based on the third bound is outlined. Index Terms Bound on the minimum distance, burst error, efficient decoding, folded code, repeated-root cyclic code, repeated-root cyclic product code