[论文解读] 3-D Positioning and Environment Mapping for mmWave Communication Systems

Jie Yang, Shi Jin+3 more|arXiv (Cornell University)|Aug 12, 2019

Indoor and Outdoor Localization Technologies参考文献 35被引用 10

一句话总结

该论文提出了一种用于毫米波云无线电接入网络（mmWave CRANs）的三维协同定位与环境映射框架，采用混合的时延差（TDoA）、到达角（AoA）和频率差（FDoA）测量方法。该研究提出了一种闭式加权最小二乘（WLS）估计算法，实现了分米级精度；并提出了一种基于WLS-Net的SLAM算法，利用神经网络实现厘米级精度，其有效性已在公开的射线追踪数据集上得到验证。

ABSTRACT

Millimeter-wave (mmWave) cloud radio access networks (CRANs) provide new opportunities for accurate cooperative localization, in which large bandwidths, large antenna arrays, and increased densities of base stations allow for their unparalleled delay and angular resolution. Combining localization into communications and designing simultaneous localization and mapping (SLAM) algorithms are challenging problems. This study considers the joint position and velocity estimation and environment mapping problem in a three-dimensional mmWave CRAN architecture. We first embed cooperative localization into communications and establish the joint estimation and mapping model with hybrid delay and angle measurements. Then, we propose a closed-form weighted least square (WLS) solution for the joint estimation and mapping problems. The proposed WLS estimator is proven asymptotically unbiased and confirmed by simulations as effective in achieving the Cramer-Rao lower bound (CRLB) and the desired decimeter-level accuracy. Furthermore, we propose a WLS-Net-based SLAM algorithm by embedding neural networks into the proposed WLS estimators to replace the linear approximations. The solution possesses both powerful learning ability of the neural network and robustness of the proposed geometric model, and the ensemble learning is applied to further improve positioning accuracy. A public ray-tracing dataset is used in the simulations to test the performance of the WLS-Net-based SLAM algorithm, which is proven fast and effective in attaining the centimeter-level accuracy.

研究动机与目标

• 为下一代无线网络中的毫米波CRAN实现高精度三维定位与环境映射。
• 解决用户设备位置、速度与环境结构的联合估计问题，利用混合测量方法（TDoA、AoA、FDoA）。
• 开发一种基于几何原理且可学习的框架，结合闭式WLS估计与深度学习，实现鲁棒的SLAM。
• 利用真实的射线追踪数据，在复杂的城市与室内环境中实现厘米级定位精度。

提出的方法

• 在三维毫米波CRAN环境中，利用混合TDoA、AoA与FDoA测量方法，构建联合估计与映射模型。
• 推导出一种闭式加权最小二乘（WLS）估计算法，用于联合位置与速度估计，并证明其渐近无偏。
• 建立理论条件，证明WLS估计算法在特定条件下可达到Cramér-Rao下界（CRLB），确保最优性能。
• 通过将神经网络集成到WLS框架中，提出WLS-Net，以替代线性近似，提升鲁棒性。
• 在WLS-Net中引入集成学习方法，进一步提升定位精度与泛化能力。
• 利用公开的射线追踪数据集对所提框架进行验证，以模拟真实的毫米波传播环境。

实验结果

研究问题

• RQ1 在使用混合测量方法的三维毫米波CRAN中，闭式WLS估计算法能否实现接近最优的定位精度（即CRLB）？
• RQ2 如何有效将神经网络嵌入几何估计算法中，以提升定位的鲁棒性与精度？
• RQ3 WLS-Net-based SLAM算法在真实的毫米波传播环境中，能否实现厘米级精度？
• RQ4 所提出的框架能否在城市与室内场景中高精度地联合估计位置、速度与环境结构？
• RQ5 集成学习在WLS-Net-based SLAM系统中如何提升性能？

主要发现

• 所提出的WLS估计算法实现了分米级定位精度，并在小测量噪声条件下渐近逼近Cramér-Rao下界（CRLB）。
• 基于WLS-Net的SLAM算法在使用公开射线追踪数据集的仿真中，实现了厘米级精度。
• 将神经网络集成到WLS框架中，显著提升了鲁棒性与性能，超越了纯几何估计方法。
• 在WLS-Net中引入集成学习，通过降低方差并提升泛化能力，进一步增强了定位精度。
• 理论分析证实，WLS估计算法在特定条件下可达到CRLB，验证了其最优性。
• 该框架在毫米波CRAN中展现出实现实时、高精度定位与环境映射的强大潜力。