[论文解读] HoloFed: Environment-Adaptive Positioning via Multi-band Reconfigurable Holographic Surfaces and Federated Learning

Jingzhi Hu, Zhe Chen+3 more|arXiv (Cornell University)|Oct 10, 2023

Indoor and Outdoor Localization TechnologiesEngineering被引用 3

一句话总结

HoloFed 提出了一种高精度、环境自适应的用户定位系统，采用多频段可重构全息表面（MB-RHS）与联邦学习（FL）相结合。该系统通过 Cramér-Rao 下界（CRLB）优化数字与模拟波束成形，以最小化定位误差，同时利用联邦学习实现在多样化环境中的隐私保护型协同模型适配，与基线相比将定位误差方差降低 57%，并通过联邦适配实现约 95% 的 MSE 降低。

ABSTRACT

Positioning is an essential service for various applications and is expected to be integrated with existing communication infrastructures in 5G and 6G. Though current Wi-Fi and cellular base stations (BSs) can be used to support this integration, the resulting precision is unsatisfactory due to the lack of precise control of the wireless signals. Recently, BSs adopting reconfigurable holographic surfaces (RHSs) have been advocated for positioning as RHSs' large number of antenna elements enable generation of arbitrary and highly-focused signal beam patterns. However, existing designs face two major challenges: i) RHSs only have limited operating bandwidth, and ii) the positioning methods cannot adapt to the diverse environments encountered in practice. To overcome these challenges, we present HoloFed, a system providing high-precision environment-adaptive user positioning services by exploiting multi-band(MB)-RHS and federated learning (FL). For improving the positioning performance, a lower bound on the error variance is obtained and utilized for guiding MB-RHS's digital and analog beamforming design. For better adaptability while preserving privacy, an FL framework is proposed for users to collaboratively train a position estimator, where we exploit the transfer learning technique to handle the lack of position labels of the users. Moreover, a scheduling algorithm for the BS to select which users train the position estimator is designed, jointly considering the convergence and efficiency of FL. Our simulation results confirm that HoloFed achieves a 57% lower positioning error variance compared to a beam-scanning baseline and can effectively adapt to diverse environments.

研究动机与目标

• 解决现有无线基础设施在信号控制和带宽受限条件下，导致在无 GPS 环境中定位精度低的挑战。
• 克服单频段可重构全息表面（RHSs）在动态或多样化传播环境中性能受限的局限性。
• 通过联邦学习（FL）实现用户间协同模型训练，无需泄露用户隐私，从而实现环境自适应定位。
• 利用 Cramér-Rao 下界（CRLB）作为性能指导，优化多频段 RHS 系统中的波束成形设计，以最小化定位误差方差。
• 设计一种高效的用户调度算法，以在分布式训练中平衡收敛速度与通信效率。

提出的方法

• 该系统利用多频段可重构全息表面（MB-RHS）在多个频段上生成高度聚焦且可自适应的波束成形模式，提升信号分辨率与信噪比（SNR）。
• 推导了定位误差方差的 Cramér-Rao 下界（CRLB），并用于指导 MB-RHS 系统中数字与模拟波束成形的优化。
• 采用联邦学习（FL）实现用户间位置估计算法的协同训练，通过本地保留原始数据保护用户隐私。
• 在联邦学习框架内应用迁移学习，通过源域知识初始化模型，以应对标注位置数据稀缺的问题。
• 提出一种用户调度算法，用于在每轮 FL 中选择最优用户参与，联合优化收敛速率与上行链路传输效率。
• 通过基于分解的方法优化波束成形配置，以最小化 CRLB，与 ProxSARAH 相比计算时间减少 37.5%。

实验结果

研究问题

• RQ1 如何利用多频段可重构全息表面提升在多样化无线环境中的定位精度？
• RQ2 在 MB-RHS 系统中，何种波束成形策略可最小化定位误差方差的理论下界？
• RQ3 联邦学习能否在异构传播环境中实现有效且隐私保护的位置估计算法适配？
• RQ4 如何在联邦学习中有效集成迁移学习，以应对定位应用中标签数据有限的问题？
• RQ5 何种用户调度策略可优化基于联邦学习的定位中收敛速度与通信效率之间的权衡？

主要发现

• 与波束扫描基线相比，HoloFed 将定位误差方差降低了 57%，证明了优化波束成形带来的显著性能提升。
• 所提出的波束成形优化算法相比 ProxSARAH 将计算时间减少 37.5%，提升了实际部署效率。
• 联邦适配过程在多样化环境中将定位 MSE 降低了约 95%，即使目标域与源域差异显著，仍表现优异。
• 与基准方法 CAPS 相比，用户调度算法在 FL 过程中平均 MSE 降低 11% 至 37%，提升了模型收敛速度与精度。
• 通过联邦学习，系统能有效适应多样化传播环境，无论多径条件或角度扩展偏差如何，均保持一致的性能增益。
• 将基于 CRLB 的波束成形设计与联邦学习相结合，实现了在 6G 及更未来网络中高精度、可扩展且隐私保护的定位。