HoloFed：基于多频段可重构全息表面与联邦学习的环境自适应定位
信号处理
2023-10-11 v1 系统与控制
系统与控制
摘要
定位是各类应用的一项基础服务，并有望在5G和6G中与现有通信基础设施相集成。尽管当前的Wi-Fi与蜂窝基站（BS）可用于支撑该集成，但由于缺乏对无线信号的精确控制，所得精度不尽如人意。近来，采用可重构全息表面（RHS）的基站因RHS大量天线单元可生成任意且高度聚焦的信号波束模式而被提倡用于定位。然而，现有设计面临两大挑战：i) RHS仅具有有限工作带宽；ii) 定位方法无法适应实际中遇到的多样化环境。为克服这些挑战，我们提出HoloFed，一种利用多频段（MB）-RHS与联邦学习（FL）提供高精度环境自适应用户定位服务的系统。为提升定位性能，推导了误差方差的下界并用于指导MB-RHS的数字与模拟波束成形设计。为在保护隐私的同时增强适应性，提出一种FL框架供用户协作训练位置估计器，其中我们利用迁移学习技术处理用户位置标签缺失问题。此外，设计了基站选择哪些用户训练位置估计器的调度算法，联合考虑FL的收敛性与效率。仿真结果表明，与波束扫描基线相比，HoloFed的定位误差方差降低57%，且能有效适应多样化环境。
引用
@article{arxiv.2310.06336,
title = {HoloFed: Environment-Adaptive Positioning via Multi-band Reconfigurable Holographic Surfaces and Federated Learning},
author = {Jingzhi Hu and Zhe Chen and Tianyue Zheng and Robert Schober and Jun Luo},
journal= {arXiv preprint arXiv:2310.06336},
year = {2023}
}