Jan, 2020

5G 下的 RF 指纹和深度学习辅助 UE 定位

PDF
TL;DR通过使用射线追踪工具和系统级模拟器，研究使用深度学习技术辅助用户设备在 5G 及更高网络中的定位能力，这项技术在无线资源管理方面更为高效和简单，并为未来网络提供了更积极的移动管理机制。
user equipment positioningdeep learning5g networksradio resource managementsystem level simulations
发现论文，激发创造
  • 基于 ML 的 5G NR 系统中的户外用户位置定位：通过上行 SRS 通道估计

    本文探讨了在 5G NR 网络下，利用机器学习技术通过基于上行信道估计的 5G NR 指纹来精准定位用户，并表明即使应用于非常稀疏的 SRS 数据，小型全连接适度深度神经网络也可以在商用 5G 环境中实现准确的户外用户定位。

    Apr, 2023

  • 使用波束形成 CSI 测量的 CNN 方法进行 5G 毫米波定位

    利用卷积神经网络的人工智能技术和 5G 新无线电设备所产生的波束形态侧信息，对无线电定位技术进行改进，实现了在城市环境下对移动设备的位置估计。

    Apr, 2022

  • 基于 CSI 的位置感知多环境元学习的迁移学习

    通过利用深度学习技术，该研究论文提出了一种新颖的模型结构，其中包括两个部分，第一部分旨在识别与环境无关的特征，而第二部分将这些特征与特定的环境结合起来以实现定位目标。该文研究发现，采用多环境元学习方法可以显著提高在新目标环境中用户设备定位的准确性及其不确定性估计的可靠性，且优于传统的迁移学习方法。

    May, 2024

  • 基于 CSI 指纹的多环境元学习在无线电定位中的应用

    本文提出了一种新的深度学习模型，通过学习环境无关的特征，并结合特定环境中的特征，基于多个环境的元学习方案来提高无线定位的精度和泛化性能。在新环境下使用该元学习模型初始化能够有效地进行转移学习，从而提高用户设备的定位精度。

    Oct, 2022

  • 5G 定位技术的人工智能 / 机器学习进展

    该研究综述了基于人工智能 / 机器学习的直接定位在 5G 系统中的应用，重点研究了其在常规方法难以应对的挑战性场景和条件下的潜力。结合技术报告 TR38.843 的见解，我们对与直接定位过程相关的生命周期管理进行了进一步研究。我们强调了在各种具有挑战性条件下的直接定位的重要模拟结果和关键观察结果。此外，我们还讨论了解决测量报告、数据收集和模型管理的选定解决方案，并强调它们对于推进直接定位的重要性。

    Nov, 2023

  • 无线指纹定位的资源感知深度学习

    本文就无线定位方案的发展趋势和制定更可持续的 AI 技术进行了探讨，重点关注了使用深度学习实现指纹定位的能源效率问题，并提出了一种计算深度学习模型复杂度、能耗以及碳足迹，以便制定更节能的无线定位方案的方法。

    Oct, 2022

  • 分布式大规模 MIMO 系统基于指纹定位技术

    该篇论文讨论了在使用大量多入多出系统的无线网络中进行定位的可能解决方案，并提出了一种基于接收信号强度向量的指纹识别技术，用于在高度杂波的复杂路径环境下进行站点定位。

    Sep, 2015

  • 运用深度学习技术进行 WiFi 指纹的低投入场所辨识

    本文研究使用深度神经网络来提高室内定位系统的可靠性和准确性，以 WiFi 信号为主要定位模式，并利用 UJIIndoorLoc 数据集进行实验和验证。

    Nov, 2016

  • 基于指纹识别的室内定位的深度学习方法综述

    本论文综述了在室内定位中利用深度学习的方法，包括对不同指纹类型的优缺点、已提出的解决方案以及性能评估等方面进行了综合分析比较，还介绍了公开数据集和实施过程中可能遇到的挑战和问题，为未来研究提供了一些展望。

    May, 2022

  • 利用深度学习对无线传播路径进行室外环境重建

    通过分析射频（RF）数据，本文提出了一种利用环境无线信号对室外环境进行重建的新方法，通过选定的深度学习技术在合成射频数据集 WAIR-D 上进行研究，评估了两种基于深度学习的方法，在性能评估中使用了交集 - 并集（IoU），豪斯多夫距离和切菲尔德距离等指标，结果显示基于射频的重建方法具有良好的性能，为轻量级和可扩展的重建解决方案铺平了道路。

    Feb, 2024