基于深度学习的6G室内高精度定位方法研究
信号处理
2024-10-28 v1 机器学习
摘要
由于信号的非视距（NLoS）传播特性，室内环境中的精确定位是一项挑战。本文探讨了利用人工智能/机器学习（AI/ML）技术进行精确室内定位的方法。我们提出了一种基于深度学习的定位模型，该模型利用信道冲激响应（CIR）数据来估计用户设备的位置。具体而言，我们设计了一个神经网络架构，该架构以CIR作为输入，并输出位置坐标。我们使用一个包含大量CIR样本及其对应真实位置标签的数据集来训练该模型。我们评估了所提模型在不同数量的参考点（TRP）下的性能。仿真结果表明，当使用来自18个TRP的测量数据时，所提出的模型（LocNet）在第90百分位误差下实现了9厘米的定位精度。此外，我们证明了该模型在部分TRP的测量数据不可用时，其性能依然稳健。最后，我们分析了训练标签误差对模型性能的影响，为实际部署提供了鲁棒性方面的见解。
引用
@article{arxiv.2410.19436,
title = {On the Application of Deep Learning for Precise Indoor Positioning in 6G},
author = {Sai Prasanth Kotturi and Anil Kumar Yerrapragada and Sai Prasad and Radha Krishna Ganti},
journal= {arXiv preprint arXiv:2410.19436},
year = {2024}
}
备注
6 Pages, 6 Figures