[論文レビュー] Learning to Localize: A 3D CNN Approach to User Positioning in Massive MIMO-OFDM Systems

Chi Wu, Xinping Yi+4 more|arXiv (Cornell University)|Oct 27, 2019

Indoor and Outdoor Localization Technologies参考文献 29被引用数 7

ひとこと要約

本稿では、アングル・ディレイチャネルパワー行列（ADCPM）をフィンガープrintとして用いる、マス・MIMO-OFDMシステムにおける3次元ユーザーポジショニングのための3次元畳み込みニューラルネットワーク（CNN）ベースの手法を提案する。ADCPMは、アングル（方位角/仰角）および遅延における多径特性を捉え、特徴の精錬モジュール、拡張されたInceptionブロック、回帰ヘッドを備えた3次元CNNモデルは、従来の手法よりも高い精度と低い複雑性を達成し、ノイズに対して高いロバスト性を示す。

ABSTRACT

In this paper, we consider the user positioning problem in the massive multiple-input multiple-output (MIMO) orthogonal frequency-division multiplexing (OFDM) system with a uniform planner antenna (UPA) array. Taking advantage of the UPA array geometry and wide bandwidth, we advocate the use of the angle-delay channel power matrix (ADCPM) as a new type of fingerprint to replace the traditional ones. The ADCPM embeds the stable and stationary multipath characteristics, e.g. delay, power, and angle in the vertical and horizontal directions, which are beneficial to positioning. Taking ADCPM fingerprints as the inputs, we propose a novel three-dimensional (3D) convolution neural network (CNN) enabled learning method to localize users' 3D positions. In particular, such a 3D CNN model consists of a convolution refinement module to refine the elementary feature maps from the ADCPM fingerprints, three extended Inception modules to extract the advanced feature maps, and a regression module to estimate the 3D positions. By intensive simulations, the proposed 3D CNN-enabled positioning method is demonstrated to achieve higher positioning accuracy than the traditional searching-based ones, with reduced computational complexity and storage overhead, and the ADCPM fingerprints are more robust to noise contamination.

研究の動機と目的

• GPSが機能しない複雑な都市環境における正確な3次元ユーザーポジショニングの課題に対処すること。
• 多径環境が豊富なマス・MIMO-OFDMシステムにおけるRSSおよび低解像度CSIフィンガープリントの限界を克服すること。
• 均一な平面アレイ（UPA）を用いたマス・MIMO-OFDMの高精度な角度および遅延分解能を活用し、向上したフィンガープリントを実現すること。
• 従来の探索ベース手法よりも精度と効率に優れる深層学習ベースのポジショニングフレームワークを開発すること。
• 3次元ロケーションに適した安定的でノイズに強いフィンガープリントとして、アングル・ディレイチャネルパワー行列（ADCPM）を導入すること。

提案手法

• 本稿では、多径成分を遅延、方位角および仰角角度の観点から表現する、アングル・ディレイチャネルパワー行列（ADCPM）を入力として使用する3次元CNNアーキテクチャを提案する。
• ADCPMフィンガープリントから抽出された低レベル特徴を強化するための畳み込み精錬モジュールをモデルに組み込む。
• 3次元入力テンソルから階層的で高度な空間周波数・アングル特徴を抽出するために、3つの拡張されたInceptionモジュールを採用する。
• 抽出された特徴に基づき、ユーザーの3次元デカルト座標を推定する回帰ヘッドモジュールを設ける。
• ADCPMは、UPAを備えたマス・MIMO-OFDMシステムのチャネル状態情報（CSI）から導出され、電力、遅延、および角度情報（方位角および仰角）を符号化する。
• 予測位置と実際のユーザー位置との間のユークリッド距離を最小化するため、回帰損失を用いてネットワークをエンド・トゥ・エンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 3次元CNNは、マス・MIMO-OFDMシステムにおけるADCPMフィンガープリントから、3次元ユーザーポジションを効果的に学習し回帰できるか？
• RQ2 提案された3次元CNNベースの手法は、従来の探索ベースのポジショニング技術と比較して、精度および複雑性の面でどのように異なるか？
• RQ3 ADCPMフィンガープリントは、従来のRSSまたはCSIフィンガープリントと比較して、ノイズに対してどの程度のロバスト性を向上させるか？
• RQ4 3次元CNNアーキテクチャにおける拡張されたInceptionモジュールの使用は、3次元ポジショニングのための特徴表現をどのように向上させるか？
• RQ5 提案手法は、複雑な多径伝搬を示す豊富な散乱環境においても高精度なロケーションを達成できるか？

主な発見

• 提案された3次元CNNベースの手法は、特にノイズ環境下において、従来の探索ベース手法（例：WKNN）と比較して顕著に高いロケーション精度を達成する。
• ADCPMフィンガープリントは、従来のRSSまたはCSIベースのフィンガープリントと比較して、ノイズ汚染に対してよりロバストであることが判明し、ポジショニングの安定性が向上する。
• 3次元CNNによる効率的な特徴学習のおかげで、計算複雑性およびストレージオーバーヘッドが低減され、膨大なデータベース検索を回避できる。
• 拡張されたInceptionモジュールは、3次元特徴空間における複雑な空間的および角度的相関を効果的に捉え、表現学習を強化する。
• ADCPMに埋め込まれた豊富な多径情報のおかげで、さまざまな伝搬環境にわたる優れた一般化性能を示す。
• ライン・オブ・サイト（LoS）およびライン・オブ・サイトでない（NLoS）の両状況においても高精度な位置特定が達成され、実都市環境への実用性が裏付けられる。