利用无线电地图的实时室外定位：一种深度学习方法
机器学习
2023-04-11 v4 网络与互联网体系结构
信号处理
摘要
全球导航卫星系统在城市环境中通常表现不佳，因为设备与卫星间存在视距条件的概率较低。因此，需要替代定位方法以获得良好精度。我们提出 LocUNet：一种用于定位任务的卷积、端到端训练神经网络（NN），能够从少量基站（BS）的接收信号强度（RSS）估计用户位置。利用 BS 的路径损耗无线电地图估计与待定位用户的 RSS 测量值，LocUNet 能以最先进的精度定位用户，并对无线电地图估计中的不精确性具有高鲁棒性。所提方法无需为执行定位任务的每个特定区域生成 RSS 指纹，且适用于实时应用。此外，我们提出并公开了两个新数据集，可在真实城市场景中对 RSS 与 ToA 方法进行数值评估。借助这些数据集，我们还对密集城市场景中最先进的基于 RSS 与 ToA 的方法进行了公平比较，并从数值上表明 LocUNet 优于所有被比较的方法。
引用
@article{arxiv.2106.12556,
title = {Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach},
author = {Çağkan Yapar and Ron Levie and Gitta Kutyniok and Giuseppe Caire},
journal= {arXiv preprint arXiv:2106.12556},
year = {2023}
}
备注
Submitted to IEEE Transactions on Wireless Communications