面向细胞免捆绑MIMO系统的低延迟分布式机器学习定位方法
信号处理
2025-07-22 v1 机器学习
摘要
低延迟定位是细胞网络中至关重要的特性，支持需要精确定位的实时应用。在本文中，我们提出一种针对细胞免捆绑大规模MIMO系统（一种面向6G网络的新兴架构）的分布式机器学习（ML）框架，用于指纹式定位。该框架使每个接入点（AP）能够独立使用本地到达角（AoA）和接收信号强度（RSS）指纹训练高斯过程回归模型。这些模型为用户设备（UE）提供概率位置估计，然后通过最小计算开销与UE融合以获得最终位置估计。该去中心化方法消除了AP与中央处理单元（CPU）之间的前传导通信，从而降低延迟。此外，在AP之间分布计算任务可减轻CPU的处理负担，与传统集中式定位方案相比。仿真结果表明，所提出的分布式框架实现的定位精度相当于集中方法，尽管缺乏集中数据聚合的优势。此外，它有效地减少了位置估计的不确定性，如95%置信椭圆所示。结果凸显了分布式ML在未来6G网络中实现低延迟、高精度定位的潜力。
引用
@article{arxiv.2507.14216,
title = {Distributed Machine Learning Approach for Low-Latency Localization in Cell-Free Massive MIMO Systems},
author = {Manish Kumar and Tzu-Hsuan Chou and Byunghyun Lee and Nicolò Michelusi and David J. Love and Yaguang Zhang and James V. Krogmeier},
journal= {arXiv preprint arXiv:2507.14216},
year = {2025}
}
备注
This paper has been submitted to IEEE Transactions on Wireless Communications