[论文解读] Reconfigurable Intelligent Surfaces and Machine Learning for Wireless Fingerprinting Localization

Cam Ly Nguyen, Orestis Georgiou+1 more|arXiv (Cornell University)|Oct 7, 2020

Indoor and Outdoor Localization Technologies参考文献 19被引用 21

一句话总结

本文提出了一种利用可重构智能表面（RIS）生成多样化、易于区分的无线电地图的机器学习增强型无线指纹定位系统。通过应用特征选择减少RIS状态空间的复杂度，该方法在降低训练时间和网格分辨率的同时实现了亚米级定位精度，优于启发式和随机配置选择方法。

ABSTRACT

Reconfigurable Intelligent Surfaces (RISs) promise improved, secure and more efficient wireless communications. We propose and demonstrate how to exploit the diversity offered by RISs to generate and select easily differentiable radio maps for use in wireless fingerprinting localization applications. Further, we apply machine learning feature selection methods to prune the large state space of the RIS, thus reducing complexity and enhancing localization accuracy and position acquisition time. We evaluate our proposed approach by generation of radio maps with a novel radio propagation modelling and simulations.

研究动机与目标

• 在传统方法因信号来源模糊而失效的RIS赋能环境中，实现高精度室内无线定位。
• 解决基于RIS的无线电地图生成中状态空间大、复杂度高的挑战。
• 通过机器学习优化RIS配置选择，降低定位误差和定位获取时间。
• 验证基于机器学习的特征选择（ML-FS）相较于启发式和随机RIS配置选择方法的有效性。

提出的方法

• 该系统采用基于薄线天线阻抗矩阵的新型电磁波传播模型，以模拟接入点（AP）和RIS的复合电磁场。
• 通过模拟50种不同的RIS配置生成无线电地图：10种为均匀阻抗（平面反射），10种为线性递增阻抗（波束成形），30种为随机阻抗（扩散散射）。
• 应用机器学习特征选择（ML-FS）方法从50个候选配置中识别最具信息量的RIS配置，从而降低有效状态空间。
• 该方法采用k-最近邻（k-NN）、神经网络（NN）和随机森林（RF）进行定位，其中在测试条件下k-NN表现最佳。
• 采用启发式状态选择（HSS）和随机配置采样作为基线进行对比。
• 系统在两种网格分辨率下评估性能：100个点（2×2 m）和400个点（1×1 m），通过累积分布函数和平均误差测量定位误差。

实验结果

研究问题

• RQ1 是否可以利用RIS重配置生成多样化、可区分的无线电地图，以提升基于指纹的定位精度？
• RQ2 基于机器学习的特征选择是否在降低定位误差和复杂度方面优于启发式或随机的RIS配置选择？
• RQ3 在通过最优RIS配置选择保持亚米级定位精度的前提下，无线电地图的分辨率在多大程度上可降低（例如从400个网格点降至100个）？
• RQ4 在不同RIS配置集合下，不同机器学习算法（k-NN、NN、RF）在RIS辅助指纹定位中的表现如何？
• RQ5 在实现目标定位误差的前提下，无线电地图分辨率与RIS配置数量（M）之间存在何种权衡？

主要发现

• 在使用M=12个配置和L=100个网格点时，k-NN算法结合机器学习特征选择（ML-FS）在所有测试模型中实现了最佳定位精度，平均误差低于1米。
• ML-FS显著优于启发式状态选择（HSS）和随机配置选择，其中HSS表现甚至劣于随机采样，原因在于距离度量中的异常值偏差。
• 通过400个网格点和M=22个随机配置，或仅通过100个网格点和M=12个配置（采用ML-FS），可实现2米的平均定位误差，表明分辨率与配置复杂度之间存在关键权衡。
• 累积分布函数（CDF）结果显示，所有算法在使用特征选择后定位误差均持续改善，其中k-NN的增益最为显著。
• 所提方法通过利用RIS的可重构性生成多样化、信息丰富的无线电地图，无需密集的无线电地图采样或多接入点，即可实现亚米级定位精度。
• 结果证实，RIS重配置可作为动态工具用于增强指纹定位，显著降低时间和计算复杂度，同时保持高精度。