[論文レビュー] Data Augmentation and Attention for massive MIMO-based Indoor Localization in Changing Environments

Luisa Schuhmacher, Hazem Sallouha+2 more|arXiv (Cornell University)|Feb 13, 2026

Indoor and Outdoor Localization Technologies被引用数 0

ひとこと要約

論文は、 blocked antennas を模倣する2つのデータ拡張技法を提案し、CSIベースの屋内定位のためにCNN/DNNにアテンションモジュールを追加して、静的データをランダム減衰で拡張して訓練した場合、環境変更時の平均誤差を66 mmに達成する。

ABSTRACT

The demand for high-precision indoor localization has grown significantly with the rise of smart environments, industrial automation, and location-aware applications. While massive Multiple-Input and Multiple-Output (MIMO) systems enable millimeter-level accuracy by leveraging rich Channel State Information (CSI), most existing solutions are optimized for static environments, where users or devices remain fixed during data collection and inference. Real-world applications, however, often require real-time localization in changing environments, where rapid movement, unpredictable blockages, and dynamic channel conditions pose significant challenges. To address these challenges, we introduce two data augmentation techniques designed to resemble blocked antennas, enhancing the generalizability of localization models to dynamic scenarios. Additionally, we enhance an existing Deep Learning (DL) model by incorporating attention modules, improving its ability to focus on relevant channel features and antennas. We train our model on data from a static scenario, augmented with the proposed techniques, and evaluate it on a dataset collected in changing scenarios. We investigate the performance enhancements achieved by the data augmentation techniques and the Attention modules, and observe a localization accuracy improvement from a mean error of 286 mm, when trained without Attention and without data augmentations, to 66 mm, when trained with Attention and data augmentation. This shows that high localization accuracy can be maintained in changing environments, even without training data from those scenarios.

研究の動機と目的

• ダイナミック環境における高精度な屋内定位を動機づけ、静的トレーニングデータからの一般化を検討する。
• blocked antennasと非LoS効果を模したデータ拡張法を開発する。
• Massive MIMO CSIにおける情報量の多いアンテナとサブキャリアに焦点を当てるアテンション機構を組み込む。
• 拡張静的訓練モデルの変化環境データでの頑健性を評価する。
• 研究を再現するオープンソースコードを提供する。

提案手法

• CSIを64×100の複素行列として表現する。これは64アンテナULAと100サブキャリアからなる。
• 2つのデータ拡張スキームを導入する： (i) Vanilla: アンテナの一部でCSIをランダムにゼロにする； (ii) Random Attenuation: アンテナの一部でCSIをランダムに減衰させる。
• 既存のDeep Learningによる定位モデルを、サブキャリアレベルとアンテナレベルの2つのアテンションモジュールを挿入して強化する（サブキャリアのアテンション、次にアンテナのアテンション）。
• 提案技法で拡張した静的環境データでモデルを訓練し、変化環境データで評価する。
• 基線DenseNet（DN）とアテンションDenseNet（ADN）を、異なる拡張戦略の下で比較する。
• オープンソース実装リンクを提供する。

Figure 1 : Our proposed enhancement of the DNN in [ 1 ] . We insert two Attention modules, shown in pink, to enable the model to focus on specific antennas and subcarriers. The rest follows the original model architecture.

実験結果

リサーチクエスチョン

• RQ1 blocked antennasを模したデータ拡張は、CSIベースの屋内定位の静的データから変化する環境への一般化を改善するか。
• RQ2 サブキャリアとアンテナのアテンション機構は、動的チャネル条件下での定位性能をさらに改善するか。
• RQ3 VanillaとRandom Attenuationの拡張が、静的および変化環境の性能に及ぼす比較的影響はどの程度か。
• RQ4 未知のダイナミックなシナリオに対して、最適なアーキテクチャと拡張の組み合わせは何か。

主な発見

Model	Data augmentation	Test error (mm)
DN	None	6
ADN	None	8
DN	Vanilla	15
ADN	Vanilla	18
DN	RA	4
ADN	RA	8

• 静的シナリオでは、DNはADNより優れており、平均誤差は6–8 mm対4–8 mm（拡張に依存）である。
• Random Attenuation拡張とADNを組み合わせた場合、静的一般化の最良が得られる（DN: RAで4 mm、ADN: RAで8 mm）。
• 変化する環境では、拡張に関係なくADNが一貫してDNより優れており、Random AttenuationとADNの組み合わせは変化データの平均誤差を66 mmに達成する。
• 上限の参照（変化データで直接訓練）はDNとADNの平均誤差を12–13 mmとするが、ターゲットドメインデータなしでは改善の余地があることを示している。
• 全体として、アテンションは unseen changesでの誤差を低減するのに寄与する；拡張の中で最も強い一般化を提供するのは Random Attenuation 拡張である。
• 最良のモデル（ADN with Random Attenuation）は、変化シナリオで66 mmの平均誤差を達成する一方、アテンションなしまたは拡張なしでは286 mmである。

Figure 2 : The setting of the nomadic dataset [ 3 ] . The black stars show the user positions, in blue the ULA , and in orange six trajectories of a human walking, each defining a new scenario in which data is collected. For the static scenario, no human is moving.