面向5G室内定位的无线基座模型：基于Transformer的预训练方法
信号处理
2024-10-02 v1 机器学习
摘要
基于人工智能（AI）的无线指纹（FP）定位技术在多径效应显著的传播环境中优于经典定位方法。然而，FP的模型和数据编排需要大量参考位置和广泛的测量活动，因而耗时且昂贵。相比之下，现代无监督和自监督学习方法所需参考数据更少，但准确率较低，或需要额外的传感器信息，难以实际应用。本文提出一种自监督学习框架，在5G信道测量上预训练通用Transformer神经网络。我们 novel 的预任务随机遮蔽和丢弃输入信息，以学习其重构，从而隐式学习传播环境的时空模式和信息，实现基于FP的定位。最值得注意的是，当我们针对特定环境优化此预训练模型时，仅需十分之一的参考数据即可达到最新方法的准确率，显著缩短从训练到实际操作的时间。
关键词
引用
@article{arxiv.2410.00617,
title = {Radio Foundation Models: Pre-training Transformers for 5G-based Indoor Localization},
author = {Jonathan Ott and Jonas Pirkl and Maximilian Stahlke and Tobias Feigl and Christopher Mutschler},
journal= {arXiv preprint arXiv:2410.00617},
year = {2024}
}