存在实际缺陷的增强型指纹定位：基于深度学习的方法

高精度定位对于蜂窝网络支持扩展现实、无人机（UAV）和工业物联网（IoT）系统等创新应用至关重要。现有的使用深度学习技术的定位算法需要大量标记数据，而这些数据在真实蜂窝环境中难以获取，并且这些模型通常难以有效泛化。为推进蜂窝定位技术，2024年无线通信算法精英赛提供了一个来自三扇区室外蜂窝系统的数据集，其中包含了实际挑战，例如有限的标记数据集、目标区域内动态的无线环境以及非均匀分布的锚点。我们的团队开发了三种创新的定位框架，包揽了本次比赛的前三名，即基于一致性的半监督框架、基于集成学习的算法和基于解耦映射头的算法。具体而言，基于一致性的半监督框架能有效生成高质量的伪标签，扩大了用于模型训练的标记数据集。基于集成学习的算法融合了在不同策略下训练的模型的定位坐标，有效应对了动态定位环境。基于解耦映射头的算法利用扇区旋转方案解决了锚点非均匀分布的问题。仿真结果表明，在{90%、80%、67%、50%}百分位数和平均距离误差方面，我们提出的定位算法相比现有基准具有优越的性能。