Passive Channel Charting: Locating Passive Targets using Wi-Fi Channel State Information
本文提出被动信道图谱,利用Wi-Fi信道状态信息通过降维方法定位被动目标,在室内数据集上优于经典三角测量基线。
2025-04-24 cs.IT eess.SP math.IT
Augmenting Channel Charting with Classical Wireless Source Localization Techniques
本文针对信道图谱难以捕捉全局几何特征的问题,提出在前向图谱函数训练中融入经典基于模型的定位信息,形成增强信道图谱,并在实测数据上验证其定位性能优于传统方法。
2023-12-04 cs.IT eess.SP math.IT
Improving Channel Charting with Representation-Constrained Autoencoders
最近已经提出了信道制图(CC),以使得能够仅根据信道状态信息(CSI)在多天线基站的邻域中对用户设备(UE)进行逻辑定位。CC依赖于高维CSI特征的降维,以便构造捕获空间和无线电几何形状的信道图,使得空间上接近的UE在信道图中接近。在本文中,我们证明了自动编码器(AE)为基础的CC可以增加边信息,在CSI采集过程中获得。更具体地说,我们建议将成对表示约束纳入AE,目标是提高学习的信道图的质量。我们表明,这种表示约束的AE恢复了学习的信道图的全局几何形状,这使得CC能够在没有全球导航卫星系统或依赖于广泛而昂贵的测量活动的监督学习方法的情况下执行近似定位。
2019-08-07 cs.IT eess.SP math.IT
Positioning via Digital-Twin-Aided Channel Charting with Large-Scale CSI Features
该研究提出数字孪生辅助信道制图框架,提取大规模CSI特征并结合余弦相似度损失,在模拟室内场景中将相对平均距离误差降低29%,且对建模不匹配和数据分布偏移鲁棒。
2026-08-18 eess.SP
Velocity-Based Channel Charting with Spatial Distribution Map Matching
Fraunhofer IIS, Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所);Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)(弗里德里希-亚历山大-埃尔兰根-纽伦堡大学)
针对信道图谱定位依赖参考位置且精度不足的问题,提出融合速度信息与拓扑平面图的无参考位置框架,并在5G和分布式SIMO真实数据集上验证其可达到与现有方法相近的定位精度。
2023-11-14 cs.LG eess.SP
UNILocPro: Unified Localization Integrating Model-Based Geometry and Channel Charting
Chalmers University of Technology(查尔姆斯理工大学);Tampere University(坦佩雷大学)
提出统一定位框架UNILocPro及低复杂度版本UNILoc,通过自适应结合基于模型的方法与信道制图,在无监督下实现高精度定位。
2025-10-31 cs.IT eess.SP math.IT
Resilient Channel Charting Under Varying Radio Link Availability
Fraunhofer Institute for Integrated Circuits (IIS), Division Positioning and Networks(弗劳恩霍夫集成电路研究所(IIS)定位与网络部门);Computer Science Department, Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡大学计算机科学系)
本文提出AdaPos,一种能够处理不同信道测量数量的信道图谱架构,通过结合卷积和Transformer技术,提升在无线链路可用性变化下的定位鲁棒性。
2026-02-04 eess.SP
Channel Charting: Locating Users within the Radio Environment using Channel State Information
我们提出了信道制图(CC),一种新的框架,其中多天线网络元件学习在其周围区域的无线电几何图形的图表。通道图捕获区域的局部空间几何形状,使得在空间上接近的点在通道图中也将接近,反之亦然。CC以完全无监督的方式工作,即,学习仅基于信道状态信息(CSI),所述信道状态信息是在空间中的单个点处被动收集的,但是是随时间从该区域中的多个发射位置收集的。然后,该方法提取表征无线信道的大尺度衰落特性的信道特征。最后,使用降维、流形学习和深度神经网络工具生成通道图。执行CC的网络元件可以是例如蜂窝系统中的多天线基站和服务小区中的图表区域。与发射机的位置和运动有关的逻辑关系,例如,小区中的用户设备(UE)然后可以通过将测量的无线电信道特性与信道图进行比较而直接推断。CC的无监督性质使得能够在UE定位、网络规划、用户调度、多点连接、切换、小区搜索、用户分组以及依赖于CSI和UE相对于基站的移动的其他认知任务中实现一系列新的应用,而不需要来自全球导航卫星系统的信息。
2018-08-21 cs.IT eess.SP math.IT
Indoor Localization with Robust Global Channel Charting: A Time-Distance-Based Approach
Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所IIS);Friedrich-Alexander-Universität Erlangen-Nürnberg(弗里德里希-亚历山大-埃尔朗根-纽伦堡大学)
基于指纹的定位技术在非视距主导的室内定位中具有显著的优势。然而,它的部署和维护是成本密集型的,因为它需要地面实况参考系统进行初始训练和适应环境变化。相比之下,信道制图(CC)在没有显式参考信息的情况下工作,并且仅需要信道状态信息(CSI)的空间相关性。虽然CC在无线电环境的几何建模方面已经显示出有希望的结果,但使用多锚点大带宽测量对CC进行定位的更深入了解仍然悬而未决。我们贡献了一种新的距离度量的时间同步的单输入/单输出CSI的方法的线性相关的欧几里得距离。这允许在没有注释的情况下学习环境的全局几何。为了有效地优化全局通道图,我们近似的度量与暹罗神经网络。这使得完全CC辅助指纹识别和定位仅使用从图表到真实世界坐标的线性变换。我们将我们的方法与最先进的CC在两个不同的真实世界数据集上进行了比较,这些数据集是用5G和UWB无线电设置记录的。我们的方法优于其他方法,UWB的定位精度为0.69米,5G设置为1.4米。我们表明,CC辅助指纹识别可以实现高度准确的定位,并减少(或消除)需要注释的训练数据。
2022-10-07 cs.LG eess.SP
Channel Charting in Smart Radio Environments
Department of Electronics, Information and Bioengineering, Politecnico di Milano(电子、信息与生物工程系,米兰理工学院)
本文提出在现实城市环境中利用静态电磁皮肤(EMS)增强信道图谱绘制(CC)的设备定位,通过优化EMS相位轮廓设计,显著降低了定位误差并提升了可信度和连续性。
2025-08-10 cs.LG eess.SP
Channel Charting With Physical Channel Fingerprints For Massive MIMO-OFDM Channel Acquisition
National Mobile Communications Research Laboratory, Southeast University(东南大学国家移动通信实验室);Purple Mountain Laboratories(紫金山实验室);University of Delaware(特拉华大学)
提出基于物理信道指纹的信道图构建方法,利用簇几何随机信道模型提取参数,实现大规模MIMO-OFDM系统中信道状态信息的高效获取,并用于波束域统计信道估计,性能接近传统在线探测方法。
2026-06-18 eess.SP
A Distributed Massive MIMO Channel Sounder for "Big CSI Data"-driven Machine Learning
提出了一种用于获取大型CSI数据集的分布式大规模MIMO信道探测器DICHASUS。测量的数据在用于用户定位、JCAS、信道制图、在FDD操作中实现大规模MIMO等的各种机器学习算法的研究中具有潜在的应用。所提出的信道探测器架构与以前类似的设计不同,因为每个单独的单天线接收器是完全自主的,能够实现任意的空间分布的天线部署,并提供几乎无限的天线数量的可扩展性。可选地,提取的信道系数向量可以用通过GNSS接收器(用于室外操作)或通过各种室内定位技术获得的地面实况位置数据来标记。
2022-06-30 cs.IT eess.SP math.IT
Performance analysis of WDM in LoS communications with arbitrary orientation and position
这封信考虑了最近在[1]中提出的用于平行(并排)空间连续电磁段之间的视线通信的波数复用(WDM)方案。我们的目的是分析WDM的性能,结合不同的数字处理架构,当电磁段具有任意的方向和位置。为此,我们首先展示了如何将[1]中的一般电磁MIMO(多输入多输出)模型具体化为感兴趣的情况,然后使用数值结果来评估几何参数(例如,水平和垂直距离、方位角和仰角方向)。结果表明,当发送和接收段不在彼此的双向时,WDM也能令人满意地执行。
2022-06-21 cs.IT eess.SP math.IT
RIS-Aided Localization under Position and Orientation Offsets in the Near and Far Field
该研究针对近远场场景下RIS辅助定位中RIS位置与方向偏移校正问题,通过贝叶斯EFIM分析揭示了远场未知相位偏移阻碍方向偏移估计、近场多接收天线可消除该阻碍的规律,并给出定位性能界。
2023-08-21 cs.IT eess.SP math.IT
Reconfigurable Intelligent Surfaces for Localization: Position and Orientation Error Bounds
下一代蜂窝网络将见证智能无线电环境(SRE)的创建,其中墙壁和物体可以涂覆可重新配置的智能表面(RIS),以通过控制反射的多径来加强通信和定位覆盖。事实上,最近已经引入了RIS,不仅用于克服由于障碍物造成的通信阻塞,而且用于在GPS拒绝环境中对移动用户进行高精度定位,在屋里.为了实现这一愿景,本文提出了一个单一的下一代节点B基站(gNB),配备了多个天线,推断的位置和方向的用户设备(UE)在一个RIS辅助SRE的通信场景的定位性能限制。我们考虑的信号模型,也是有效的近场传播条件下,通常采用的远场假设并不总是成立,特别是对于大的RISs。对于所考虑的情况下,我们得出的克拉美-饶下限(CRLB)的同步和异步信令方案的最终定位和定向性能进行评估。此外,我们提出了一个封闭形式的RIS相位分布,以及适合联合通信和本地化。我们进行了广泛的数值结果,以评估我们的计划的各种本地化方案和RIS阶段设计的性能。数值结果表明,所提出的方案可以实现显着的性能,即使在异步信令和所提出的相位设计方法的数值最优相位设计,最大限度地减少CRLB。
2020-09-06 cs.IT eess.SP math.IT
On the Limits of Single Anchor Localization: Near-Field vs Far-Field
本文基于Fisher information理论研究了单锚点定位极限,发现在近场下可联合估计3D位置与方向,而远场仅能估计2D位置与方向,且近场无需波束成形即可测3D方向角。
2023-06-30 cs.IT eess.SP math.IT
A Hybrid Model/Data-Driven Solution to Channel, Position and Orientation Tracking in mmWave Vehicular Systems
针对毫米波车辆系统中的信道、位置和姿态跟踪问题,提出一种结合F-MOMP算法与VO-ChAT、VP-ChAT网络的混合模型/数据驱动解决方案,在80%情况下实现26厘米位置精度和0.5度以下姿态误差。
2025-03-07 eess.SP
RIS Position and Orientation Estimation via Multi-Carrier Transmissions and Multiple Receivers
本文针对配备RIS的静态用户,在多载波传输和多接收机系统中,提出多级估计器联合估计RIS的三维位置与姿态,并推导克拉美-罗下界验证性能,仿真证明其有效性。
2023-11-15 eess.SP
AoA-based Position and Orientation Estimation Using Lens MIMO in Cooperative Vehicle-to-Vehicle Systems
本文研究协作式V2V场景下基于透镜MIMO的车辆定位与姿态估计,推导了CRLB并提出低复杂度AoA估计算法,证明其性能优于传统ULA。
2023-06-29 eess.SP
Kalman Filtering for Precise Indoor Position and Orientation Estimation Using IMU and Acoustics on Riemannian Manifolds
Aramco Research Center(阿美石油研发中心);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Higher School of Communication of Tunis (Sup’Com)(突尼斯高等通信学院(Sup’Com))
本文提出将IMU惯性导航与基于声学的黎曼流形定位系统融合,采用EKF和UKF及新投影算法进行室内位置与姿态估计,实验表明其精度显著优于基准方法。
2024-09-02 cs.RO eess.SP
Impact of Electrode Position on Forearm Orientation Invariant Hand Gesture Recognition
本研究通过19名受试者和12种手势实验,证明前臂电极位置相比肘部位置能提升最高5.35%的前臂方向不变手势识别性能,并验证了其鲁棒性,为肌电假肢和人机交互设备优化电极布局提供了依据。
2024-09-16 cs.HC eess.SP
Localization Coverage Analysis of THz Communication Systems with a 3D Array
本文考虑的问题,估计的位置和方向的用户配备了一个三维(3D)阵列接收下行链路远场太赫兹信号从多个基站与已知的位置和方向。我们推导出Cramér-Rao界的本地化问题,并定义所考虑的系统的覆盖。我们比较了传统的平面阵列和3D阵列配置在不同的用户设备(UE)的位置和方向的误差下界分布。我们的数值计算结果得到的阵列配置具有相同数量的元素显示非常有限的覆盖面的平面阵列配置,特别是在整个UE的方向范围。相反,3D阵列配置提供总体较高的覆盖,在某些UE位置和取向上具有较小的性能损失。
2022-09-19 eess.SP
6DMA-Aided Hybrid Beamforming with Joint Antenna Position and Orientation Optimization
本文研究6DMA辅助的多用户通信系统,通过联合优化天线位置、方向及混合波束成形器,并采用分数规划辅助的交替优化框架求解,显著提升了系统和速率。
2024-12-22 eess.SP
Invoking Deep Learning for Joint Estimation of Indoor LiFi User Position and Orientation
光保真(LiFi)是一种完全联网的双向光无线通信(OWC),被认为是用于高速室内连接的有前途的解决方案。与传统的射频无线系统不同,OWC信道不是各向同性的,这意味着设备方向会显著影响信道增益。然而,由于缺乏合适的LiFi系统信道模型,许多研究都假设接收器垂直向上并随机位于覆盖区域内,从实际角度来看,这并不是一个现实的假设。本文提出了室内LiFi系统的新型现实且基于测量的信道模型。准确地说,信道增益的统计数据是针对随机定向的固定和移动LiFi接收器的情况导出的。对于静止用户,提出了两种信道模型,即修正的截断拉普拉斯(MTL)模型和修正的Beta(MB)模型。针对LiFi用户,提出了两种信道模型,即修正截断高斯和模型(SMTG)和修正Beta和模型(SMB)。基于导出的模型,LiFi用户的随机方向和空间分布的影响进行了研究,其中我们表明,上述因素可以强烈影响信道增益和系统性能。
2020-07-21 eess.SP
A Deep Learning Approach to Location- and Orientation-aided 3D Beam Selection for mmWave Communications
位置辅助波束选择方法已被证明是实现高波束成形增益同时限制毫米波(mmWave)通信中的初始接入的开销和延迟的有效方法。然而,该领域的大多数研究都集中在车辆应用上,其中用户终端(UT)的方向大多固定在环境的每个位置处。本文提出了一种基于位置和方向的波束选择方法,以在UT可以在每个位置处采取任意方向的应用中实现基于上下文信息(CI)的波束对准。我们提出了三种不同的网络结构,具有不同数量的可训练参数,可用于不同的训练数据集大小。一个专业的三维光线跟踪工具被用来生成IEEE标准的室内场景的数据集。数值结果表明,所提出的网络优于CI辅助基准,如广义逆指纹(GIFP)方法以及分层波束搜索作为一种非CI为基础的方法。此外,与GIFP方法相比,所提出的基于深度学习的波束选择对训练和测试数据集中不同的视线阻塞概率具有更高的鲁棒性,对位置和方向信息的不准确性具有更低的敏感性。
2021-10-13 eess.SP
Near-Field Position and Orientation Tracking With Hybrid ELAA Architecture
The Chinese University of Hong Kong(香港中文大学);University of Electronic Science and Technology of China(电子科技大学)
针对混合架构超大规模天线阵列基站,提出预测性模拟合并辅助扩展卡尔曼滤波框架,实现多天线移动台近场位置与姿态的高精度跟踪。
2026-05-29 eess.SP
WiCluster: Passive Indoor 2D/3D Positioning using WiFi without Precise Labels
Qualcomm AI Research(高通人工智能研究院)
我们介绍WiCluster,一种新的机器学习(ML)方法,用于使用射频(RF)信道状态信息(CSI)的无源室内定位。WiCluster可以预测区域级别的位置和精确的2D或3D位置,而无需在训练期间使用任何精确的位置标签。之前基于CSI的室内定位工作依赖于使用数字信号处理(DSP)的非参数方法,以及最近的参数方法(例如,完全监督的ML方法)。然而,这些方法不能很好地处理现实世界环境的复杂性,也不能满足大规模商业部署的要求:基于DSP的方法的准确性在非视线条件下会显着恶化,而监督ML方法需要大量难以获取的厘米精度位置标签。相比之下,WiCluster是精确的,需要较弱的标签信息,可以很容易地收集,并在非视线条件下工作得很好。我们的第一个贡献是一个新的降维方法的图表。它结合了三重损失和多尺度聚类损失,将高维CSI表示映射到2D/3D潜在空间。我们的第二个贡献是两个弱监督损失,将这个潜在空间映射到笛卡尔映射中,从而得到米精度的位置结果。这些损失只需要简单地获取先验:平面布置图的草图、近似的接入点定位和用平面布置图中的对应区域标记的几个CSI分组。第三,我们报告的结果和鲁棒性研究的2D定位在两个单层办公楼和3D定位在一个两层楼的家。
2021-09-27 cs.CV cs.LG cs.NI
6D Movable Antenna Enhanced Multi-Access Point Coordination via Position and Orientation Optimization
针对WLAN中固定天线AP难以实现海量接入和干扰消除的问题,本文提出6DMA增强多AP协调系统,通过联合优化天线位置、方向及接收合并矩阵最大化加权和速率,仿真验证了其显著提升网络容量。
2024-12-14 eess.SP
RIS-Position and Orientation Estimation in MIMO-OFDM Systems with Practical Scatterers
Nanchang University(南昌大学);National Mobile Communications Research Laboratory, Southeast University(东南大学移动通信国家重点实验室);Institute of Space Science and Technology, Nanchang university(南昌大学空间科学与技术学院);Université Paris-Saclay, CNRS, CentraleSupélec, Laboratoire des Signaux et Systèmes(巴黎萨克雷大学、法国国家科学研究中心、中央理工-高等电力学院信号与系统实验室);University of New South Wales(新南威尔士大学)
提出一种利用RIS创建的虚拟视距链路和实际散射体非视距链路的两步定位方案,通过粗估计和细估计获取信道参数并估计位置相关参数,仿真验证了算法优越性。
2026-06-18 eess.SP
Tracking the Turn: Mamba-Powered Human Orientation Detection using UWB
Ghent University(根特大学)
提出一种纯UWB方法,利用双向Mamba架构从信道脉冲响应预测人体偏航朝向,结合卡尔曼滤波后误差降至18.9度。
2026-06-26 eess.SP
A Drone Can Hear the Shape of a Room
我们表明,人们可以重建一个房间的形状与平面墙壁的一阶回波放置在一个无人机上的四个非平面麦克风与通用的位置和方向。考虑了源位于房间内和无人机上的两种情况。如果麦克风的位置是随机选取的,那么概率为1,只要有四个麦克风听到,任何墙壁的位置都会被正确重建。我们的算法使用一个简单的回波排序标准来恢复回波的壁分配。我们证明,如果安装麦克风的无人机的位置和方向不位于所有无人机位置和方向的6维空间中的某个维度集合上,则通过我们的回波排序标准获得的墙壁分配必须是正确的,因此通过我们的算法获得的重建是正确的。我们的证明使用计算交换代数的方法。
2020-01-15 eess.SP math.AC math.MG