5G 中射频指纹与深度学习辅助的 UE 定位
网络与互联网体系结构
2020-01-07 v1 信号处理
摘要
在本工作中，我们研究 5G 及未来网络中由深度学习（DL）辅助的用户设备（UE）定位。与当今网络中使用的先进定位算法相比，无线电信号指纹和机器学习（ML）辅助定位需要更小的额外反馈开销；且定位估计直接在无线接入网（RAN）内部完成，从而辅助无线电资源管理。常规定位算法将用作环境条件高变异性环境下的备份；但 ML 辅助定位作为一种更高效、更简单的技术，可提供更好或相似的定位精度。为此，我们研究 ML 辅助定位方法，并使用芝加哥林肯公园户外场景的系统级仿真评估其性能。该研究基于射线追踪工具、符合 3GPP 5G NR 的系统级仿真器和 DL 框架来估计 UE 的定位精度。射线追踪工具和系统级仿真器的使用有助于在实际场景中避免昂贵的路测测量。我们提出的机制是未来网络更主动移动性管理的第一步。我们评估并比较了多种 DL 模型的性能，并展示了最佳 DL 配置配合适当系统特征建模下 1-1.5m 范围内的平均定位误差。
引用
@article{arxiv.2001.00977,
title = {RF Fingerprinting and Deep Learning Assisted UE Positioning in 5G},
author = {M Majid Butt and Anil Rao and Daejung Yoon},
journal= {arXiv preprint arXiv:2001.00977},
year = {2020}
}
备注
submitted to ICC 2020