Controlling AoA estimation errors in rician fading via measurement quality classification

Abstract

Estimação de ângulo de chegada tem um papel fundamental em sistemas de posicionamento modernos mas é frequentemente afetada por erros em canais com multipercurso. Os métodos existentes comumente carecem de um mecanismo direto de avaliação de qualidade das estimativas, enquanto que a estimação completa do canal usando sonorizadores de canal é computacionalmente custosa e inviável para a maioria das aplicações. Para enfrentar este desafio, neste trabalho é proposto um método de classificação que aproveita a suavização de frequência e o fator K de Rice estimado para avaliar medidas de ângulo de chegada. O algoritmo descarta estimativas com baixa precisão, deste modo reduzindo o erro médio de ângulo de chegada e alcançando a acurácia necessária para aplicações de posicionamento em ambientes indoor. Resultados em ambientes de simulação demonstram que o método proposto melhora significativamente as estatísticas de erro de ângulo de chegada e efetivamente controla o erro máximo de estimativa.

Abstract: Angle of Arrival (AoA) estimation plays a crucial role in modern positioning systems but is often affected by errors in multipath channels. Existing methods typically lack a direct mechanism to assess the quality of the estimates, while full channel estimation using channel sounders is computationally expensive and impractical for many applications. To address this challenge, we propose a classification method that leverages frequency smoothing and the estimated Rician K-factor to evaluate AoA measurements. The algorithm discards estimates with low precision, thereby reducing the mean AoA error and achieving the stringent accuracy required for indoor positioning. Simulation results demonstrate that the proposed method significantly improves the AoA error statistics and effectively controls the maximum estimation error