[논문 리뷰] Data Augmentation and Attention for massive MIMO-based Indoor Localization in Changing Environments

Luisa Schuhmacher, Hazem Sallouha외 2명|arXiv (Cornell University)|2026. 02. 13.

Indoor and Outdoor Localization Technologies인용 수 0

한 줄 요약

본 논문은 차단된 안테나를 시뮬레이션하기 위한 두 가지 데이터 증강 기법을 제안하고, CSI 기반 실내 위치 추정을 위한 CNN/DNN에 어텐션 모듈을 추가하여, 무작위 약화로 보강된 정적 데이터로 학습했을 때 변화하는 환경에서 평균 오차 66 mm를 달성한다.

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.

연구 동기 및 목표

• 동적 환경에서 고정밀 실내 위치 추정의 동기 부여 및 정적 학습 데이터로부터의 일반화 문제 해결.
• 변경 환경에서 차단된 안테나 및 비-LOS 효과를 모방하는 데이터 증강 방법 개발.
• 대규모 MIMO CSI에서 정보 있는 안테나 및 서브캐리어에 주의를 집중하는 어텐션 메커니즘 도입.
• 변경 환경 데이터에 대한 증강 정적 학습 모델의 견고성 평가.
• 실험 재현을 위한 오픈 소스 코드 제공.

제안 방법

• 64-안테나 ULA와 100 서브캐리어로부터 64x100 복소 매트릭스로 CSI 표현.
• 두 가지 데이터 증강 방식 도입: (i) Vanilla: 무작위로 안테나 하위 집합의 CSI를 0으로 설정; (ii) Random Attenuation: 무작위로 안테나 하위 집합의 CSI를 감쇠.
• 두 개의 어텐션 모듈이 작동하는 서브캐리어 수준과 안테나 수준의 어텐션 모듈을 삽입하여 기존의 딥러닝 위치 추정 모델 강화.
• 제안된 기법으로 증강된 정적 환경 데이터에서 모델 학습 후 변화 환경 데이터에서 평가.
• 다양한 증강 전략 아래에서 기본 DenseNet(DN)과 AttentionDenseNet(ADN)을 비교.
• 오픈 소스 구현 링크 제공.

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.

실험 결과

연구 질문

• RQ1 차단된 안테나를 시뮬레이션하는 데이터 증강이 CSI 기반 실내 위치 추정의 일반화를 변화 환경으로 확장시키는가?
• RQ2 서브캐리어와 안테나의 어텐션 메커니즘이 동적 채널 조건 하에서 위치 추정 성능을 더 향상시키는가?
• RQ3 Vanilla 대 Random Attenuation 증강이 고정 및 변화 환경에서의 성능에 어떤 상대적 영향을 미치는가?
• RQ4 미지의 동적 시나리오에 대해 최적의 아키텍처와 증강의 조합은 무엇인가?

주요 결과

모델	데이터 증강	테스트 오차 (mm)
DN	None	6
ADN	None	8
DN	Vanilla	15
ADN	Vanilla	18
DN	RA	4
ADN	RA	8

• 정적 시나리오에서 DN이 ADN보다 성능이 우수하다(평균 오차 6–8 mm 대 4–8 mm, 증강에 따라 다름).
• Random Attenuation 증강과 ADN의 조합이 가장 우수한 정적 일반화를 보인다(DN: RA로 4 mm; ADN: RA로 8 mm).
• 변화 환경에서 ADN은 증강 방식 전반에서 DN보다 일관되게 성능 우수; ADN과 무작위 약화의 조합이 변화 데이터에서 평균 오차 66 mm를 달성.
• 상한선 참고치(변화 데이터에 직접 학습하는 경우)에서 DN과 ADN의 평균 오차가 12–13 mm로 나타나, 목표 도메인 데이터 없이도 개선 여지가 있음을 시사.
• 전반적으로 어텐션은 보이지 않는 변화에서 오차를 줄이는 데 도움이 되며, 증강 중에서도 무작위 약화 증강이 가장 강한 일반화를 제공한다.
• 최고 모델(ADN + Random Attenuation)은 변화 시나리오에서 평균 오차 66 mm를 달성하는 반면, 어텐션이나 증강 없이의 경우 286 mm에 그친다.

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.