基于注意力增强的超大规模均匀圆形阵列近场定位
信号处理
2026-01-30 v1
摘要
在第六代（6G）移动通信的演化背景下，多输入多输出（MIMO）系统正融合大量天线元素，向极大规模多输入多输出（XL-MIMO）系统迈进。这一提升显著增加了空间自由度，为无线定位提供了巨大益处。然而，XL-MIMO 区域范围的扩大挑战了以往 MIMO 模型中基于远场假设的传统方法。众多配置中，均匀圆形阵列（UCA）通过保持恒定的角分辨率，显示出优越性能。针对如何利用 XL-MIMO 系统中扩大的景深并发挥近场效应的挑战，本文提出了一种基于注意力增强的深度学习方法进行精确定位。我们采用双路径通道注意力机制和空间注意力机制有效地整合通道级和空间级特征。我们的全面仿真结果表明，该模型优于注意力基准定位网络（ABPN）、近场定位网络（NFLnet）、卷积神经网络（CNN）和多层感知器（MLP）等现有基准。该模型通过利用输入信号的协方差指标实现了卓越的定位精度。此外，仿真结果表明，协方差指标在定位精度和模型效率方面优于信道状态信息（CSI）。
引用
@article{arxiv.2601.21550,
title = {Near-Field Positioning for XL-MIMO Uniform Circular Arrays: An Attention-Enhanced Deep Learning Approach},
author = {Yuan Gao and Xinyu Guo and Han Li and Jianbo Du and Shugong Xu},
journal= {arXiv preprint arXiv:2601.21550},
year = {2026}
}