[论文解读] CSI-based Outdoor Localization for Massive MIMO: Experiments with a Learning Approach

Alexis Decurninge, Luis G. Ordóñez+5 more|arXiv (Cornell University)|Jun 19, 2018

Indoor and Outdoor Localization Technologies参考文献 18被引用 6

一句话总结

本文提出了一种基于学习的5G大规模MIMO系统室内与室外定位方法，利用上行链路信道状态信息（CSI）协方差矩阵作为空间指纹。通过在华为5G测试平台采集的实验数据上应用极限学习机（ELMs），该方法在真实信道变化和频率选择性条件下均表现出高精度与鲁棒的用户定位性能。

ABSTRACT

We report on experimental results on the use of a learning-based approach to infer the location of a mobile user of a cellular network within a cell, for a 5G-type Massive multiple input, multiple output (MIMO) system. We describe how the sample spatial covariance matrix computed from the CSI can be used as the input to a learning algorithm which attempts to relate it to user location. We discuss several learning approaches, and analyze in depth the application of extreme learning machines, for which theoretical approximate performance benchmarks are available, to the localization problem. We validate the proposed approach using experimental data collected on a Huawei 5G testbed, provide some performance and robustness benchmarks, and discuss practical issues related to the deployment of such a technique in 5G networks.

研究动机与目标

• 仅使用网络侧CSI测量，实现5G大规模MIMO网络中用户设备（UE）的精确定位。
• 通过利用大规模MIMO阵列的高空间分辨率，克服传统指纹定位方法的局限性。
• 基于5G测试平台采集的真实实验数据，评估基于学习的定位方法的性能与鲁棒性。
• 解决实际部署挑战，如时变传播环境、频率选择性以及训练数据采集问题。
• 在基于CSI的定位框架中，将学习算法（特别是极限学习机，ELMs）与经典方法（如K近邻，K-NN）进行比较。

提出的方法

• 学习模型的输入是来自固定子载波上行链路信道估计的CSI样本空间协方差矩阵。
• 在短时间内窗内估计协方差矩阵，以考虑瑞利衰落与载波频偏的影响，假设该时间间隔内信道具有平稳性。
• 采用单层前馈神经网络（即极限学习机，ELM）将CSI协方差映射至用户位置，其中输入权重随机初始化，输出权重通过解析方法计算。
• 利用实验数据对比ELM与K-NN在定位精度与泛化性能方面的表现。
• 通过子带处理或将信号频谱搬移到参考频带后输入学习模型，以应对频率选择性问题。
• 探索了通过人工映射或众包方式进行训练数据采集，并提出了在性能下降时进行在线模型更新的机制。

实验结果

研究问题

• RQ1 大规模MIMO系统中基于CSI的空间协方差矩阵能否作为室外5G网络用户定位的有效指纹？
• RQ2 在真实信道条件下，极限学习机（ELMs）在基于CSI的定位中与K-NN相比表现如何？
• RQ3 在5G网络中部署基于学习的定位方法时，关键的实际挑战是什么，包括训练数据采集与模型更新策略？
• RQ4 宽带系统中的频率选择性如何影响定位精度？哪些预处理技术可缓解该影响？
• RQ5 在线模型更新与混合训练数据采集方式（人工+众包）在多大程度上可长期维持定位精度？

主要发现

• 基于ELM的方法使用CSI协方差矩阵作为输入，实现了高定位精度，且由于理论近似提供了性能基准。
• 来自华为5G测试平台的实验结果验证了所提基于CSI定位方法在真实室外环境中的可行性与鲁棒性。
• 在结合周期性模型更新的前提下，即使在传播环境时变（如散射环境变化或硬件老化）的情况下，该方法仍保持有效性。
• 若未处理，频率选择性会限制基于CSI定位的精度；通过将信号频谱搬移到参考频带进行预处理，可显著提升性能。
• 在确保足够用户参与以实现代表性空间覆盖的前提下，基于众包的训练数据采集方式适用于大规模部署。
• 采用增量学习技术（如[16]）进行在线模型更新，可在无需完全重训练的情况下长期维持精度，降低计算成本。