MudiNet：面向5G室内多路径辅助定位的任务引导解缠表示学习
信号处理
2025-06-05 v1
摘要
在第五代通信系统（5G）中，多路径辅助定位（MAP）已成为一种有前景的 method。随着信号分辨率的提升，多路径分量（MPC）不再被视为噪声，而是可为定位贡献的有价值信息。然而，现有研究常将反射表面视为理想反射器，面对由扩散反射器引起的难以区分的多路径时束手无策。本研究从不确定性角度考察扩散反射器，探讨室内扩散和镜面反射器的统计分布特征。基于这些洞见，我们设计了一种基于多时延信道脉冲响应（CIR）观测的任务引导解缠表示学习方法，旨在直接将 CIR 映射到位置，从而减轻对对定位精度贡献最小的成分（如扩散多路径）的不利影响。在本半监督学习框架中，提出了基于自注意力的全局特征提取架构，以捕获与位置无关的无线环境信息；同时采用多层感知器（MLP）提取与用户设备（UE）位置相关的时变特征。我们应用基于变分推断的潜在变量模型（LVM）分离 CIR 中的独立特征，位置标签引导 LVM 更好地表达有助于定位的成分。此外，我们提供了关于 CIR 中扩散和镜面环境特征可分离性的可行性证明。仿真结果表明，所提方法在常规基于搜索的定位方法中实现更高的定位精度，并在抗击扩散反射器产生的难以区分的多路径方面具有更强鲁棒性。
引用
@article{arxiv.2506.04024,
title = {MudiNet: Task-guided Disentangled Representation Learning for 5G Indoor Multipath-assisted Positioning},
author = {Ye Tian and Xueting Xu and Ao Peng},
journal= {arXiv preprint arXiv:2506.04024},
year = {2025}
}