[논문 리뷰] Learning to Localize: A 3D CNN Approach to User Positioning in Massive MIMO-OFDM Systems

Chi Wu, Xinping Yi외 4명|arXiv (Cornell University)|2019. 10. 27.

Indoor and Outdoor Localization Technologies참고 문헌 29인용 수 7

한 줄 요약

이 논문은 3D 컨volution 신경망(CNN) 기반의 방법을 제안하며, 3D 사용자 위치 결정을 위해 각도-지연 채널 전력 매트릭스(ADCPM)를 지문으로 사용한다. ADCPM은 각도(방위각/고도각) 및 지연에서의 다중경로 특성을 캡처하며, 특징 정제 모듈, 확장된 Inception 블록, 회귀 헤드를 갖춘 3D CNN 모델은 기존 방법보다 높은 정확도와 낮은 복잡도를 달성하여 노이즈에 강건함을 입증한다.

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.

연구 동기 및 목표

• GPS가 기능하지 않는 복잡한 도시 환경에서 정확한 3차원 사용자 위치 결정 문제를 해결하기 위해.
• 다중경로가 풍부한 대량 MIMO-OFDM 시스템에서 RSS 및 저해상도 CSI 지문의 한계를 극복하기 위해.
• 균일 평면 어레이(UPA) 기반 대량 MIMO-OFDM 시스템의 높은 각도 및 지연 해상도를 활용하여 지문 기반 성능을 향상시키기 위해.
• 기존의 검색 기반 방법보다 정확도와 효율성이 뛰어난 딥 러닝 기반 위치 결정 프레임워크를 개발하기 위해.
• 3차원 위치 결정을 위한 안정적이고 노이즈에 강건한 지문으로서의 각도-지연 채널 전력 매트릭스(ADCPM)를 도입하기 위해.

제안 방법

• 논문은 3D CNN 아키텍처를 제안하며, ADCPM을 입력으로 받아 지연, 방위각 및 고도각을 기반으로 다중경로 성분을 표현한다.
• ADCPM 지문에서 추출한 저수준 특징을 향상시키기 위해 컨볼루션 정제 모듈을 포함한다.
• 3D 입력 텐서에서 계층적이고 고급스러운 공간-주파수-각도 특징을 추출하기 위해 세 개의 확장된 Inception 모듈을 활용한다.
• 추출된 특징을 바탕으로 회귀 헤드 모듈이 사용자의 3차원 Descartes 좌표를 추정한다.
• ADCPM은 UPA 기반의 대량 MIMO-OFDM 시스템의 채널 상태 정보(CSI)에서 유도되며, 전력, 지연 및 각도 정보(방위각 및 고도각)를 인코딩한다.
• 예측된 위치와 실제 위치 간 유클리드 거리를 최소화하기 위해 회귀 손실을 사용하여 네트워크를 엔드 투 엔드로 훈련시킨다.

실험 결과

연구 질문

• RQ1 3D CNN은 대량 MIMO-OFDM 시스템에서 ADCPM 지문을 기반으로 3차원 사용자 위치를 효과적으로 학습하고 회귀할 수 있는가?
• RQ2 기존의 검색 기반 위치 결정 기법과 비교해 본다면, 제안된 3D CNN 기반 방법은 정확도와 복잡도 측면에서 어떤가?
• RQ3 기존의 RSS 또는 CSI 지문에 비해 ADCPM 지문은 노이즈에 얼마나 더 강건한가?
• RQ4 3D CNN 아키텍처에서 확장된 Inception 모듈의 사용은 3차원 위치 결정을 위한 특징 표현을 향상시키는가?
• RQ5 복잡한 다중경로 전파 환경에서 제안된 방법은 고정밀 위치 결정을 달성할 수 있는가?

주요 결과

• 제안된 3D CNN 기반 방법은 특히 노이즈가 많은 환경에서 기존의 검색 기반 방법(WKNN 등)보다 훨씬 높은 위치 결정 정확도를 달성한다.
• ADCPM 지문은 기존의 RSS 또는 CSI 기반 지문보다 노이즈 오염에 더 강건하여 위치 결정의 안정성을 향상시킨다.
• 3D CNN의 효율적 특징 학습 덕분에 계산 복잡도와 저장 오버헤드가 감소하여 철저한 데이터베이스 검색을 피할 수 있다.
• 확장된 Inception 모듈은 3차원 특징 공간 내에서 복잡한 공간적 및 각도적 상관관계를 효과적으로 포착하여 표현 학습을 향상시킨다.
• ADCPM에 내장된 풍부한 다중경로 정보 덕분에 다양한 전파 환경에서 강력한 일반화 성능을 보이며, 다양한 환경에서의 적용 가능성을 입증한다.
• 선로 및 비선로 환경 모두에서 높은 정확도를 달성하여 실제 도시 환경의 구현에 있어 강건성을 입증한다.