面向5G无线户外定位的自适应注意力模型

动态环境（如城市和车辆环境）中的无线定位系统需要能够有效适应不同信号条件和环境变化的系统。多径干扰和障碍物会引入不同的复杂度层级，影响定位精度。虽然通用模型具有广泛适用性，但常常难以捕捉特定环境的细微差异，导致实际部署中的性能次优。相比之下，针对特定条件的专业模型可针对特定环境进行优化，通过有效处理领域特定变异实现更精确的定位，同时还可减少执行时间和模型规模。然而，部署多个专业模型需要一种高效的机制来为给定场景选择最合适的模型。本文开发了一个自适应定位框架，将浅层注意力模型与基于单层感知器的路由/切换机制结合，实现对针对不同条件优化的专业定位模型之间的无缝切换，平衡精度和计算复杂度。我们设计了三个低复杂度模型针对不同场景进行优化，以及一个路由器，可根据实时输入特征动态选择最合适的模型。该框架使用来自大规模MIMO基站收集的真实车辆定位数据进行验证，并与更通用的模型进行比较。