基于深度学习的数据融合: 6G 感知与惯性信息用于目标定位的实验验证
信号处理
2025-04-01 v1
摘要
第六代 (6G) 移动通信技术将部署具有集成感知与通信 (ISAC) 的关键特征, 允许 cellular 网络通过雷达感知映射环境, 同时提供通信服务.就此而言, 整个网络可被视为一个拥有更广阔环境视野 (Field of View, FoV) 的传感器, 有助于主动目标定位和被动目标检测.另一方面, 目标上可获得的非 3GPP 传感器可提供特定于目标的额外信息, 可有利于与 ISAC 感知信息融合, 以增强整体可实现的定位精度.本文首先研究了在室内场景中 ISAC 系统实现的定位精度.其次, 我们研究了在融合目标非 3GPP 传感器信息后, ISAC 定位精度的性能提升.为此, 我们提出了一种基于深度学习框架的新型数据融合解决方案来融合 ISAC 和非 3GPP 传感器信息.我们使用实际的 6G ISAC 原型演示 (Proof-of-Concept, PoC) 作为无线基础设施, 使用自动导引车 (Automated Guided Vehicle, AGV) 作为目标, 使用目标上的惯性测量单元 (Inertial Measurement Unit, IMU) 传感器作为非 3GPP 传感器进行验证.实验结果表明, 我们提出的解决方案实现了平均定位误差为 , 优于所考虑的基准方法.
引用
@article{arxiv.2503.24253,
title = {Deep Learning-Based Data Fusion of 6G Sensing and Inertial Information for Target Positioning: Experimental Validation},
author = {Karthik Muthineni and Alexander Artemenko and Artjom Grudnitsky and Josep Vidal and Montse Najar},
journal= {arXiv preprint arXiv:2503.24253},
year = {2025}
}