On the Application of Deep Learning for Precise Indoor Positioning in 6G
作者: Sai Prasanth Kotturi, Anil Kumar Yerrapragada, Sai Prasad, Radha Krishna Ganti
分类: eess.SP, cs.LG
发布日期: 2024-10-25
备注: 6 Pages, 6 Figures
💡 一句话要点
提出LocNet，利用深度学习提升6G室内工厂环境的定位精度
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 室内定位 深度学习 6G 信道冲激响应 参考信号接收功率 智能工厂 非视距传播
📋 核心要点
- 室内定位受限于非视距传播，传统方法精度不足，难以满足高精度定位需求。
- LocNet利用深度学习直接从信道测量数据学习定位信息，无需复杂的信道建模。
- 实验表明，LocNet在室内工厂环境下实现了厘米级的定位精度，并具有良好的鲁棒性。
📝 摘要（中文）
由于信号的非视距(NLoS)特性，室内环境中的精确定位是一个挑战。本文探讨了AI/ML技术在室内工厂(InF)场景中提高定位精度的应用。我们提出的神经网络，命名为LocNet，使用来自多个发射接收点(TRP)的信道冲激响应(CIR)和参考信号接收功率(RSRP)等测量数据进行训练。仿真结果表明，当使用来自18个TRP的测量数据时，LocNet在90%的置信度下实现了9厘米的定位精度。此外，我们还证明了即使在某些TRP的测量数据随机不可用时，该模型也能有效地泛化。最后，我们提供了关于训练模型对用于训练的真实标签误差的鲁棒性的见解。
🔬 方法详解
问题定义：论文旨在解决6G室内工厂环境中，由于非视距(NLoS)传播导致的定位精度问题。现有方法通常依赖于复杂的信道建模，对环境变化敏感，且难以达到厘米级的精度要求。
核心思路：论文的核心思路是利用深度学习直接从信道测量数据（如CIR和RSRP）中学习定位信息，避免了复杂的信道建模过程。通过训练神经网络，建立信道测量数据与位置坐标之间的映射关系，从而实现高精度的室内定位。
技术框架：LocNet的整体框架是一个端到端的神经网络模型。输入是来自多个TRP的信道测量数据（CIR和RSRP），输出是目标设备的位置坐标。模型训练过程包括数据预处理、网络结构设计、损失函数选择和优化算法应用等步骤。模型在离线阶段进行训练，在线阶段直接利用训练好的模型进行定位。
关键创新：最重要的技术创新点在于直接利用深度学习从原始信道测量数据中学习定位信息，避免了传统方法中复杂的信道建模过程。这种方法能够更好地适应复杂的室内环境，并提高定位精度。此外，论文还探讨了模型对TRP数据缺失和训练标签误差的鲁棒性。
关键设计：LocNet的具体网络结构未知，但可以推测其可能采用多层感知机（MLP）或卷积神经网络（CNN）等结构，以提取信道测量数据中的特征。损失函数可能采用均方误差（MSE）或交叉熵损失函数，用于衡量预测位置与真实位置之间的差异。具体的参数设置和优化算法选择可能需要根据实际数据集进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，LocNet在室内工厂环境下，使用来自18个TRP的测量数据时，在90%的置信度下实现了9厘米的定位精度。此外，该模型还表现出良好的泛化能力，即使在部分TRP数据缺失的情况下，仍能保持较高的定位精度。论文还分析了模型对训练标签误差的鲁棒性，表明LocNet具有一定的抗干扰能力。
🎯 应用场景
该研究成果可应用于智能工厂、仓储物流、智能楼宇等需要高精度室内定位的场景。例如，在智能工厂中，可以利用该技术实现对生产设备、物料和人员的精确定位，从而提高生产效率和安全性。在仓储物流中，可以实现对货物的快速定位和追踪，优化库存管理。该技术还有助于实现室内导航、人员追踪和安全监控等功能。
📄 摘要（原文）
Accurate localization in indoor environments is a challenge due to the Non Line of Sight (NLoS) nature of the signaling. In this paper, we explore the use of AI/ML techniques for positioning accuracy enhancement in Indoor Factory (InF) scenarios. The proposed neural network, which we term LocNet, is trained on measurements such as Channel Impulse Response (CIR) and Reference Signal Received Power (RSRP) from multiple Transmit Receive Points (TRPs). Simulation results show that when using measurements from 18 TRPs, LocNet achieves a 9 cm positioning accuracy at the 90th percentile. Additionally, we demonstrate that the same model generalizes effectively even when measurements from some TRPs randomly become unavailable. Lastly, we provide insights on the robustness of the trained model to the errors in ground truth labels used for training.