通信高效的协作定位：图神经网络方法
信号处理
2025-04-14 v1
摘要
协作定位利用噪声较大的节点间距离测量和交换的无线消息来估计无线网络中的节点位置。然而，在通信受限的环境中，传输大型消息就会变得具有问题。本文提出了一种面向通信高效协作定位的方法，以解决两个主要挑战。首先，协作定位通常需要在具有环形图拓扑结构的无线网络上执行。其次，需要设计一种算法，在保持低定位误差的同时，还需要显著降低通信开销。现有方法不足以同时解决这两个挑战。为实现此目标，我们提出了一种向量量化消息传递神经网络(VQ-MPNN)用于协作定位。通过端到端神经网络训练，VQ-MPNN 使节点定位和消息压缩的 co-design(联合设计)成为可能。具体而言，VQ-MPNN 将先验节点位置和距离测量作为节点和边特征，分别使用图神经网络编码为节点和边状态。为找到节点状态的有效表示，我们为所有节点状态构建了一个向量量化码本，以便每个节点只需传输一个码字索引即可发送长消息。数值评估表明，我们所提出的 VQ-MPNN 方法可以在类似现有方法的定位误差的同时，将总体通信开销降低一个数量级。
引用
@article{arxiv.2504.08135,
title = {Communication-Efficient Cooperative Localization: A Graph Neural Network Approach},
author = {Yinan Zou and Christopher G. Brinton and Vishrant Tripathi},
journal= {arXiv preprint arXiv:2504.08135},
year = {2025}
}