变革室内定位：面向基于分布式传感器的非视距主导无线环境的高级 Transformer 架构
机器学习
2025-12-29 v2 人工智能
信号处理
摘要
在具有挑战性的非视距 (NLOS) 环境中，传统方法的室内定位往往精度不佳。深度学习 (DL) 已被用于应对这些挑战；然而，许多 DL 方法忽略了计算复杂度，尤其是浮点运算次数 (FLOPs)，使其不适用于资源受限的设备。基于 Transformer 的模型在自然语言处理 (NLP) 和计算机视觉 (CV) 任务中取得了显著成功，这激发了其在无线应用中的使用。然而，它们在室内定位中的应用仍处于起步阶段，直接将 Transformer 用于室内定位不仅计算量大，且在精度上存在局限。为了应对这些挑战，本文引入了一种新颖的标记化方法，称为传感器快照标记化 (SST)，该方法保留了功率延迟分布 (PDP) 的特定变量表示，并通过有效捕获多变量相关性来增强注意力机制。作为补充，我们提出了一种轻量级的基于 Swish 门控线性单元的 Transformer (L-SwiGLU-T) 模型，旨在在不牺牲定位精度的情况下降低计算复杂度。这些贡献共同减轻了计算负担和对大型数据集的依赖，使 Transformer 模型更高效且适用于资源受限的场景。在模拟和真实数据集上的实验结果表明，SST 和 L-SwiGLU-T 实现了显著的精度和效率提升，在使用显著更少的 FLOPs 和训练样本的情况下，性能比更大的 Transformer 和 CNN 基线高出 40% 以上。
关键词
引用
@article{arxiv.2501.07774,
title = {Transforming Indoor Localization: Advanced Transformer Architecture for NLOS Dominated Wireless Environments with Distributed Sensors},
author = {Saad Masrur and Jung-Fu and Cheng and Atieh R. Khamesi and Ismail Guvenc},
journal= {arXiv preprint arXiv:2501.07774},
year = {2025}
}
备注
The paper has been accepted at IEEE Transactions on Machine Learning in Communications and Networking