ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ АКУСТИЧНОГО СУПРОВОДЖЕННЯ ОБ'ЄКТІВ З ВИКОРИСТАННЯМ МЕТОДУ АСИНХРОННОЇ TDOA/FDOA-ЛОКАЛІЗАЦІЇ

DOI: 10.31673/2412-4338.2026.019004

Анотація

Розглянуто актуальну науково-прикладну проблему акустичного супроводження швидкісних рухомих об'єктів у географічно розподілених бездротових сенсорних мережах. Головною перешкодою для впровадження таких систем на базі бюджетних мікроконтролерів є відсутність жорсткої апаратної синхронізації часу, що призводить до значних похибок під час обчислення просторових координат. Проаналізовано існуючі методи локалізації та виявлено їхню вразливість до дрейфу годинників і обмеженої пропускної здатності каналів зв'язку. Для вирішення цих недоліків розроблено комплексну інформаційну технологію, що поєднує алгоритмічну компенсацію асинхронізму та мережеву оптимізацію. Запропоновано удосконалений метод спільної TDOA/FDOA-локалізації (різниця в часі та частоті прибуття сигналу), який ґрунтується на використанні модифікованого розширеного фільтра Калмана (EKF). Особливістю алгоритму є інтеграція параметрів асинхронізму (початкового часового зсуву та лінійного частотного дрейфу) безпосередньо у вектор стану системи, що дозволяє здійснювати сумісне оцінювання кінематики цілі та синхронізації мережі в режимі реального часу. Крім того, обґрунтовано архітектуру системи на базі концепції граничних обчислень (Edge Computing). Запропоновано енергоефективну стратегію адаптивного передавання даних та алгоритми стиснення інформації на рівні крайових вузлів (динамічне квантування спектральних ознак FFT, Delta-Encoding часових міток). Це дозволяє радикально знизити мережевий трафік, уникаючи постійної трансляції необроблених аудіоданих, що є критично важливим для автономних систем з живленням від акумуляторних батарей. Запропонований комплексний підхід вирішує проблему масштабованості та дозволяє розгортати надійні рубежі охорони на базі доступних компонентів. Ефективність розроблених алгоритмічних і архітектурних рішень повністю підтверджено результатами імітаційного моделювання.

Ключові слова: акустичне супроводження, TDOA, FDOA, асинхронна локалізація, розширений фільтр калмана, edge computing, стиснення даних, квантування.

Список використаної літератури

1. Akyildiz, I., Wy, S., Sankarasubramaniam, Y., & Cayirci, E. (2002). Wireless sensor networks: A survey.
2. Niu, Y.-X., Shi, S.-W., Qi, C.-D., & Zheng, Z.-J. (2017). Improved localization algorithm with FDOA measurements. У 2nd Annual International Conference on Electronics, Electrical Engineering and Information Science (EEEIS 2016). Atlantis Press. https://doi.org/10.2991/eeeis-16.2017.94
3. Xiao, G., Dong, Q., Liao, G., Li, S., Xu, K., & Quan, Y. (2024). High-Precision Joint TDOA and FDOA Location System. Remote Sensing, 16(4), 693. https://doi.org/10.3390/rs16040693
4. Wu, P., Su, S., Zuo, Z., Guo, X., Sun, B., & Wen, X. (2019). Time Difference of Arrival (TDoA) Localization Combining Weighted Least Squares and Firefly Algorithm. Sensors, 19(11), 2554. https://doi.org/10.3390/s19112554
5. F., W., Fischer, E., Eckhard, G., & Peter, L. (2006). An indoor localization system based on DTDOA for different wireless LAN systems.
6. Wang, Y., & Ho, K. C. (2013). TDOA Source Localization in the Presence of Synchronization Clock Bias and Sensor Position Errors. IEEE Transactions on Signal Processing, 61(18), 4532–4544. https://doi.org/10.1109/tsp.2013.2271750
7. He, S., Dong, X., & Lu, W.-S. (2017). Localization algorithms for asynchronous time difference of arrival positioning systems. EURASIP Journal on Wireless Communications and Networking, 2017(1). https://doi.org/10.1186/s13638-017-0851-1
8. Hugo Seuté, Cyrille Enderli, Jean-François Grandin, Ali Khenchaf & Jean-Christophe Cexus. (2017). Influence of Synchronization Impairments on an Experimental TDOA/FDOA Localization System. J. of Electrical Engineering, 5(1). https://doi.org/10.17265/2328-2223/2017.01.001
9. Fathabadi, V., Mehdi, S., K., S., & Jargani, L. (2009). Comparison of Adaptive Kalman Filter Methods in State Estimation of a Nonlinear System Using Asynchronous Measurements.
10. Brouk, J. D., & DeMars, K. J. (2024). Kalman Filtering with Uncertain and Asynchronous Measurement Epochs. NAVIGATION: Journal of the Institute of Navigation, 71(3), navi.652. https://doi.org/10.33012/navi.652
11. Review of Edge Computing for the Internet of Things (EC-IoT): Techniques, Challenges and Future Directions. (2024). Journal of Sensor Networks and Data Communications, 4(1), 01–11. https://doi.org/10.33140/jsndc.04.01.09
12. Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge Computing: Vision and Challenges. IEEE Internet of Things Journal, 3(5), 637–646. https://doi.org/10.1109/jiot.2016.2579198
13. Espressif. (2025). ESP32 Series Datasheet. https://documentation.espressif.com/esp32_datasheet_en.pdf
14. Inc., I. (2015). Omnidirectional Microphone with Bottom Port and I 2 S Digital Output. https://invensense.tdk.com/wp-content/uploads/2015/02/INMP441.pdf
15. Suwannaphong, T., Jovan, F., Craddock, I., & McConville, R. (2025). Optimising TinyML with quantization and distillation of transformer and mamba models for indoor localisation on edge devices. Scientific Reports, 15(1). https://doi.org/10.1038/s41598-025-94205-9
16. Thakshila, W., & Pramod, V. K. (2017). Application of Compressive Sensing Techniques in Distributed Sensor Networks: A Survey.
17. Hwang, S.-H., Kim, K.-M., Kim, S., & Kwak, J. W. (2023). Lossless Data Compression for Time-Series Sensor Data Based on Dynamic Bit Packing. Sensors, 23(20), 8575. https://doi.org/10.3390/s23208575
18. Vinaykumar, H. (2025). Bandwidth and Storage Optimization for CubeSats Through Adaptive Delta Encoding and Heatshrink Compression.
19. Scott, V. (2013). heatshrink: An Embedded Data Compression Library. https://spin.atomicobject.com/heatshrink-embedded-data-compression/
20. Fujii, K. (2013). Extended kalman filter. Refernce Manual, 14(41), 2.
21. Cohen, A., & Migliorati, G. (2017). Optimal weighted least-squares methods. The SMAI journal of computational mathematics, 3, 181–203. https://doi.org/10.5802/smai-jcm.24