This thesis addresses the problem of passive localization of a ground user equipment (UE) using an Unmanned Aerial Vehicle (UAV) acting as a mobile sensing platform. In the considered framework, the UAV does not transmit dedicated localization signals, but only receives the signal emitted by the UE and exploits Received Signal Strength (RSS) measurements to estimate its position. This setting is challenging because the propaga- tion conditions are generally unknown and may switch between Line-of-Sight (LoS) and Non-Line-of-Sight (NLoS) regimes depending on the UAV position and the surrounding environment. To address this problem, a joint propagation modeling and localization algorithm is devel- oped. The method combines Expectation-Maximization (EM) for probabilistic LoS/NLoS classification and channel parameter estimation, weighted k-means clustering for propa- gation model refinement, and Particle Swarm Optimization (PSO) for UE position esti- mation. The framework is further extended with an online trajectory-planning strategy, where a Fisher Information Matrix (FIM)-based waypoint selection criterion is combined with recovery terms, adaptive PSO search-space restriction, and smooth receding-horizon trajectory generation. The complete framework is validated using real data collected during a rural experimen- tal campaign and simulated data generated in urban scenarios with different LoS/NLoS configurations. A Fisher-information-based analysis is also developed to derive the corre- sponding Cramér–Rao Bound (CRB), providing a theoretical benchmark for the achiev- able localization accuracy and useful geometric insight for the online trajectory-planning stage. The results show that the clustering-based propagation refinement improves local- ization accuracy, while the online trajectory-planning strategy further reduces the local- ization error by collecting additional informative measurements.

Questa tesi affronta il problema della localizzazione passiva di un utente a terra (UE) mediante un veicolo aereo senza pilota (UAV), utilizzato come piattaforma di misura mobile. Nel contesto considerato, il drone non trasmette dei segnali di localizzazione dedicati, ma riceve soltanto il segnale emesso dall’UE e sfrutta misure di potenza del segnale ricevuto (RSS) per stimarne la posizione. Questo scenario è particolarmente sfidante poiché le condizioni di propagazione sono generalmente sconosciute e possono alternarsi tra condizioni di visibilità diretta/non diretta (LoS/NLoS) in funzione della posizione dell’UAV e dell’ambiente circostante. Per affrontare questo problema, viene sviluppato un algoritmo congiunto di modellazione della propagazione e localizzazione. Il metodo combina un algoritmo di aspettazione- massimizzazione (EM) per la classificazione probabilistica LoS/NLoS e la stima dei parametri del collegamento radio, clustering k-means pesato per il raffinamento del modello di propagazione e Particle Swarm Optimization (PSO) per la stima della posizione dell’UE. La struttura viene inoltre estesa con un algoritmo di pianificazione online della traiettoria, in cui un criterio di selezione dei waypoint basato sulla matrice di informazione di Fisher (FIM) è combinato con termini di recupero, restrizione adattativa dello spazio di ricerca del PSO e generazione di traiettorie regolari tramite un approccio di orizzonte mobile. La struttura completa è validata utilizzando dati reali raccolti durante una campagna sper- imentale in ambiente rurale e dati simulati generati in scenari urbani caratterizzati da di- verse configurazioni LoS/NLoS. Inoltre viene sviluppata un’analisi basata sull’informazione di Fisher per derivare il corrispondente limite Cramér–Rao (CRB), fornendo un punto di riferimento teorico per l’accuratezza di localizzazione raggiungibile ed una utile infor- mazione geometrica per la strategia di pianificazione online della traiettoria. I risultati mostrano che il raffinamento del modello di propagazione tramite clustering migliora l’accuratezza della localizzazione, mentre la strategia di pianificazione online della trai- ettoria riduce ulteriormente l’errore di localizzazione raccogliendo misure informative ag- giuntive.

Passive RSS-based localization with UAVs: joint propagation modeling and online trajectory planning

Epis, Andrea
2025/2026

Abstract

This thesis addresses the problem of passive localization of a ground user equipment (UE) using an Unmanned Aerial Vehicle (UAV) acting as a mobile sensing platform. In the considered framework, the UAV does not transmit dedicated localization signals, but only receives the signal emitted by the UE and exploits Received Signal Strength (RSS) measurements to estimate its position. This setting is challenging because the propaga- tion conditions are generally unknown and may switch between Line-of-Sight (LoS) and Non-Line-of-Sight (NLoS) regimes depending on the UAV position and the surrounding environment. To address this problem, a joint propagation modeling and localization algorithm is devel- oped. The method combines Expectation-Maximization (EM) for probabilistic LoS/NLoS classification and channel parameter estimation, weighted k-means clustering for propa- gation model refinement, and Particle Swarm Optimization (PSO) for UE position esti- mation. The framework is further extended with an online trajectory-planning strategy, where a Fisher Information Matrix (FIM)-based waypoint selection criterion is combined with recovery terms, adaptive PSO search-space restriction, and smooth receding-horizon trajectory generation. The complete framework is validated using real data collected during a rural experimen- tal campaign and simulated data generated in urban scenarios with different LoS/NLoS configurations. A Fisher-information-based analysis is also developed to derive the corre- sponding Cramér–Rao Bound (CRB), providing a theoretical benchmark for the achiev- able localization accuracy and useful geometric insight for the online trajectory-planning stage. The results show that the clustering-based propagation refinement improves local- ization accuracy, while the online trajectory-planning strategy further reduces the local- ization error by collecting additional informative measurements.
ING - Scuola di Ingegneria Industriale e dell'Informazione
22-lug-2026
2025/2026
Questa tesi affronta il problema della localizzazione passiva di un utente a terra (UE) mediante un veicolo aereo senza pilota (UAV), utilizzato come piattaforma di misura mobile. Nel contesto considerato, il drone non trasmette dei segnali di localizzazione dedicati, ma riceve soltanto il segnale emesso dall’UE e sfrutta misure di potenza del segnale ricevuto (RSS) per stimarne la posizione. Questo scenario è particolarmente sfidante poiché le condizioni di propagazione sono generalmente sconosciute e possono alternarsi tra condizioni di visibilità diretta/non diretta (LoS/NLoS) in funzione della posizione dell’UAV e dell’ambiente circostante. Per affrontare questo problema, viene sviluppato un algoritmo congiunto di modellazione della propagazione e localizzazione. Il metodo combina un algoritmo di aspettazione- massimizzazione (EM) per la classificazione probabilistica LoS/NLoS e la stima dei parametri del collegamento radio, clustering k-means pesato per il raffinamento del modello di propagazione e Particle Swarm Optimization (PSO) per la stima della posizione dell’UE. La struttura viene inoltre estesa con un algoritmo di pianificazione online della traiettoria, in cui un criterio di selezione dei waypoint basato sulla matrice di informazione di Fisher (FIM) è combinato con termini di recupero, restrizione adattativa dello spazio di ricerca del PSO e generazione di traiettorie regolari tramite un approccio di orizzonte mobile. La struttura completa è validata utilizzando dati reali raccolti durante una campagna sper- imentale in ambiente rurale e dati simulati generati in scenari urbani caratterizzati da di- verse configurazioni LoS/NLoS. Inoltre viene sviluppata un’analisi basata sull’informazione di Fisher per derivare il corrispondente limite Cramér–Rao (CRB), fornendo un punto di riferimento teorico per l’accuratezza di localizzazione raggiungibile ed una utile infor- mazione geometrica per la strategia di pianificazione online della traiettoria. I risultati mostrano che il raffinamento del modello di propagazione tramite clustering migliora l’accuratezza della localizzazione, mentre la strategia di pianificazione online della trai- ettoria riduce ulteriormente l’errore di localizzazione raccogliendo misure informative ag- giuntive.
File allegati
File Dimensione Formato  
2026_07_Epis_Tesi.pdf

non accessibile

Descrizione: Thesis
Dimensione 6.14 MB
Formato Adobe PDF
6.14 MB Adobe PDF   Visualizza/Apri
2026_07_Epis_Executive_Summary.pdf

non accessibile

Descrizione: Executive Summary
Dimensione 1.68 MB
Formato Adobe PDF
1.68 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/260588