[论文解读] Real-time Localization Using Radio Maps

Çağkan Yapar, Ron Levie+2 more|arXiv (Cornell University)|Jun 9, 2020

Indoor and Outdoor Localization Technologies参考文献 20被引用 4

一句话总结

本文提出了一种基于无线电信道图的实时定位方法，用于城市蜂窝网络，利用来自基站的接收信号强度（RSS）测量值。通过利用基于深度学习的路径损耗仿真器RadioUNet，构建精确的无线电信道图，通过信号强度等高线叠加估算用户设备（UE）位置，在存在汽车等动态障碍物的复杂城市环境中也能实现亚2米精度。

ABSTRACT

This paper deals with the problem of localization in a cellular network in a dense urban scenario. Global Navigation Satellite System typically performs poorly in urban environments when there is no line-of-sight between the devices and the satellites, and thus alternative localization methods are often required. We present a simple yet effective method for localization based on pathloss. In our approach, the user to be localized reports the received signal strength from a set of base stations with known locations. For each base station we have a good approximation of the pathloss at each location in the map, provided by RadioUNet, an efficient deep learning-based simulator of pathloss functions in urban environment, akin to ray-tracing. Using the approximations of the pathloss functions of all base stations and the reported signal strengths, we are able to extract a very accurate approximation of the location of the user.

研究动机与目标

• 解决GNSS在城市环境中因非视 Line-of-sight 条件导致的性能不佳问题。
• 克服传统基于RSS的定位方法在城市无线电传播中过度简化的局限性。
• 仅使用基站的标准RSS测量值，实现实时、高精度的定位。
• 开发一种可扩展、计算高效的定位方法，避免昂贵的物理射线追踪仿真。
• 将学习到的路径损耗模型集成到鲁棒的定位框架中，以适应真实城市环境的动态变化。

提出的方法

• 使用RadioUNet C，仅基于城市几何结构和基站位置生成路径损耗图，无需真实测量数据。
• 使用RadioUNet S，通过引入稀疏真实测量数据，对路径损耗图进行优化，提升复杂环境中的精度。
• 利用RadioUNet的输出，为每个基站构建无线电信道图，将路径损耗表示为空间位置的函数。
• 通过叠加多个基站的接收信号强度等高线，估算UE位置，增强定位稳定性。
• 应用基于投票的算法，结合不同噪声容忍度（epsilon）的多个估计值，提升鲁棒性。
• 使用训练数据优化超参数（epsilon和标准差），以最小化在未见测试地图上的定位误差。

实验结果

研究问题

• RQ1 基于深度学习的无线电信道图仿真器（RadioUNet）能否替代计算成本高昂的射线追踪，用于城市路径损耗建模？
• RQ2 在密集城市场景中，仅使用RSS测量值和预计算的无线电信道图，UE定位的精度能达到多高？
• RQ3 与纯仿真模型相比，将真实世界测量数据引入RadioUNet S后，定位精度的提升程度如何？
• RQ4 在动态城市条件下（如存在移动车辆）下，该方法的性能表现如何？
• RQ5 在实时部署中，定位精度与计算效率之间的最优权衡是什么？

主要发现

• 在DPM数据集上，使用RadioUNet C和等高线叠加方法，定位误差为1.3米。
• 在包含汽车的仿真数据上训练RadioUNet S后，方法的定位误差为1.6米，表明对动态障碍物具有鲁棒性。
• 在高精度IRT4仿真中，方法的定位误差仅为2.24米，标准差为零（Q=0 m），表明结果高度一致。
• 在IRT2仿真测试中，该方法优于基于粗略仿真模型的方法，表明其对更高保真度数据的适应性具有优势。
• 第二种算法（基于最优标准差选择epsilon）的精度优于固定epsilon方法，尤其在基站数量增加时表现更优。
• 即使真实测量数据有限，该方法依然有效，因为RadioUNet S能很好地适应真实世界条件，且校准需求极少。