DyLoc：基于预测循环神经网络的大规模 MIMO 动态定位
计算机视觉与模式识别
2021-01-25 v2 信号处理
摘要
本文提出了一种数据驱动的定位框架，在时变复杂多径环境（如密集城区与室内）中具有高精度，而此类环境中 GPS 与基于模型的定位技术表现不足。我们考虑大规模 MIMO 系统中的角度-延迟剖面(ADP)（信道状态信息(CSI)的线性变换），并表明 ADP 在按时间堆叠时保留用户的运动信息。我们讨论在静态环境下，利用视频帧预测算法可预测 ADP 时间序列的未来帧。我们指出可采用深度卷积神经网络(DCNN)来学习背景静态散射环境。为检测环境中对应于路径阻塞或新增的前景变化，我们引入一种利用已训练 DCNN 的算法。此外，我们提出 DyLoc，一种数据驱动框架，用于恢复因前景变化而失真的 ADP 并获得精确位置估计。我们利用 DeepMIMO 数据集生成室内外环境的地理标记 CSI 数据集，在多个动态场景中评估 DyLoc 的性能。我们表明先前的基于 DCNN 的技术在动态环境中无法达到理想精度，而 DyLoc 能精确地进行定位。此外，仿真表明，随着环境在多径数量上变得更丰富，DyLoc 对前景变化更加稳健。
引用
@article{arxiv.2101.07848,
title = {DyLoc: Dynamic Localization for Massive MIMO Using Predictive Recurrent Neural Networks},
author = {Farzam Hejazi and Katarina Vuckovic and Nazanin Rahnavard},
journal= {arXiv preprint arXiv:2101.07848},
year = {2021}
}
备注
Source Code: https://github.com/FarzamHejaziK/DyLoc