基于多任务学习与不确定性融合的深度学习定位方法
信号处理
2024-08-29 v2
摘要
深度学习方法已被证明能够提升第五代（5G）新空口（NR）空中接口多种用例的性能。本文研究了利用用户设备（UE）与多个基站（BS）之间的信道状态信息（CSI）指纹进行UE定位。在此设置下，我们考虑了两种不同的融合技术：早期融合和晚期融合。采用早期融合时，可以通过将多个基站的CSI指纹合并作为输入，训练单个深度学习模型进行UE定位。采用晚期融合时，在每个基站使用该基站特定的CSI训练单独的深度学习模型，然后将这些单独模型的输出进行合并以确定UE的位置。在这项工作中，我们比较了这些不同的融合技术，并表明融合单独模型的输出能够实现更高的定位精度，尤其是在动态场景中。我们还表明，多个输出的组合进一步受益于考虑每个基站深度学习模型输出的不确定性。为了更高效地跨基站训练深度学习模型，我们额外提出了一种多任务学习方案，通过在联合训练所有模型的同时共享部分参数来实现。该方法不仅提高了单个模型的精度，也提升了最终合并估计的精度。最后，我们评估了不确定性估计的可靠性，以确定哪种融合方法能提供最高质量的不确定性估计。
引用
@article{arxiv.2403.08565,
title = {Deep Learning based Positioning with Multi-task Learning and Uncertainty-based Fusion},
author = {Anastasios Foliadis and Mario H. Castañeda and Richard A. Stirling-Gallacher and Reiner S. Thomä},
journal= {arXiv preprint arXiv:2403.08565},
year = {2024}
}
备注
15 Pages, 17 Figures. Published in IEEE Journal