基于三束指纹的Massive MIMO-OFDM系统联合定位与姿态估计

随着基于位置的服务的广泛应用，指纹定位在复杂信号传播环境中显示出优势。深度学习显著提高了定位过程中离线训练和在线匹配的效率。然而，现有指纹仅包含终端位置信息，而未捕获运动状态；且神经网络设计未充分利用指纹稀疏性等结构特征。本文提出一种包含多普勒信息的三束指纹（TBF），并设计一种基于Transformer的定位与姿态感知网络（LOA-Net），用于在Massive MIMO-OFDM系统中同时估计用户位置和运动方向。首先，我们展示了TBF与多径信息之间的相关性，并研究了不同TBF之间的共线性，表明TBF是一种有效的小尺寸稀疏指纹。随后，本文提出LOA-Net，包含用于回归的掩码增强检测Transformer（MaskDETR-Reg）模块和用于方向分类的融合增强Transformer（Fusion-TDC）模块，分别处理角时延域信息和多普勒域信息。最后，在3GPP 38.901定义的室内场景仿真中，所提方法优于加权K近邻（WKNN）、2D和3D卷积神经网络（CNN），实现了显著更好的定位精度，并获得了令人满意的运动方向估计精度。