[论文解读] 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 7

一句话总结

该论文提出了一种基于3D卷积神经网络（CNN）的方法，用于在大规模MIMO-OFDM系统中利用角度-延迟信道功率矩阵（ADCPM）作为指纹实现3D用户定位。ADCPM能够捕捉在方位角/俯仰角和延迟方面的多径特性，所提出的3D CNN模型——包含特征精炼模块、扩展的Inception模块和回归头——在定位精度方面优于传统方法，且复杂度更低，表现出对噪声的强鲁棒性。

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.

研究动机与目标

• 为解决在GPS失效的复杂城市环境中实现高精度3D用户定位的挑战。
• 克服在多径丰富的大规模MIMO-OFDM系统中，传统接收信号强度（RSS）和低分辨率信道状态信息（CSI）指纹的局限性。
• 利用大规模MIMO-OFDM系统中均匀平面阵列（UPA）的高角度和延迟分辨率，提升指纹质量。
• 开发一种基于深度学习的定位框架，其在精度和效率方面优于传统基于搜索的方法。
• 提出角度-延迟信道功率矩阵（ADCPM）作为稳定且抗噪声的3D定位指纹。

提出的方法

• 该论文提出一种3D CNN架构，以角度-延迟信道功率矩阵（ADCPM）作为输入，表示以延迟、方位角和俯仰角为参数的多径分量。
• 模型包含一个卷积精炼模块，用于增强从ADCPM指纹中提取的低级特征。
• 采用三个扩展的Inception模块，从3D输入张量中提取分层的、高级的空间-频率-角度特征。
• 回归头模块基于提取的特征估计用户的3D笛卡尔坐标。
• ADCPM由具有UPA的大规模MIMO-OFDM系统的信道状态信息（CSI）推导而来，编码了功率、延迟以及方位角和俯仰角信息。
• 网络通过回归损失端到端训练，以最小化预测位置与实际用户位置之间的欧几里得距离。

实验结果

研究问题

• RQ1 3D CNN能否在大规模MIMO-OFDM系统中有效学习并从ADCPM指纹回归出3D用户位置？
• RQ2 所提出的基于3D CNN的方法在精度和复杂度方面与传统基于搜索的定位技术相比如何？
• RQ3 与传统的RSS或CSI指纹相比，ADCPM指纹在抗噪声方面提升了多少鲁棒性？
• RQ4 在3D CNN架构中使用扩展的Inception模块是否能增强3D定位的特征表示能力？
• RQ5 所提出的方法能否在具有复杂多径传播的丰富散射环境中实现高精度定位？

主要发现

• 所提出的基于3D CNN的方法在定位精度上显著优于传统基于搜索的方法（如WKNN），尤其是在噪声环境中。
• ADCPM指纹相比传统的RSS或基于CSI的指纹更具抗噪声能力，提升了定位稳定性。
• 由于3D CNN的高效特征学习能力，计算复杂度和存储开销得以降低，避免了耗时的数据库搜索。
• 扩展的Inception模块有效捕捉了3D特征空间中的复杂空间和角度相关性，增强了表征学习能力。
• 由于ADCPM中嵌入了丰富的多径信息，该模型在多样化传播环境中表现出强大的泛化性能。
• 该方法在视 Line-of-Sight（LoS）和非视 Line-of-Sight（NLoS）场景下均实现了高精度定位，验证了其在真实城市部署中的鲁棒性。