辐射场增强预训练：利用无标签无线信号扩展定位模型
信息论
2025-12-09 v1 人工智能
math.IT
摘要
基于射频（RF）的室内定位为室内导航、增强现实和普适计算等应用提供了巨大前景。虽然深度学习大大提高了定位的准确性和鲁棒性，但现有的定位模型仍然面临跨场景泛化的重大挑战，因为它们依赖于场景特定的标记数据。为此，我们引入了辐射场增强预训练（RFRP）。这种新颖的自监督预训练框架将大型定位模型（LM）与神经射频辐射场（RF-NeRF）耦合在不对称的自动编码器架构中。在此设计中，LM将接收到的射频光谱编码为潜在的位置相关表示，而RF-NeRF将其解码以重建原始光谱。这种输入与输出之间的对齐使得利用大规模无标签射频数据进行有效的表示学习成为可能，这些数据可以以最少的努力持续收集。为此，我们在100个不同场景中的7,327,321个位置使用四种常见的无线技术——RFID、BLE、WiFi和IIoT——收集了射频样本。其中75个场景用于训练，其余25个用于评估。实验结果表明，RFRP预训练的LM与未预训练模型相比，定位误差降低了超过40%，与使用监督学习预训练的模型相比降低了21%。
引用
@article{arxiv.2512.07309,
title = {Radiance-Field Reinforced Pretraining: Scaling Localization Models with Unlabeled Wireless Signals},
author = {Guosheng Wang and Shen Wang and Lei Yang},
journal= {arXiv preprint arXiv:2512.07309},
year = {2025}
}