《Ad Hoc Networks》:Single-AP indoor localization via multi-directional beamforming
编辑推荐:
随着智能家居、机器人和商业场景中对高精度室内定位需求的增长,利用最少基础设施实现精确定位已成为必要但具挑战性的目标。传统基于接收信号强度指示(Received Signal Strength Indicator, RSSI)的指纹法通常需要多个接入点(Acce
随着智能家居、机器人和商业场景中对高精度室内定位需求的增长,利用最少基础设施实现精确定位已成为必要但具挑战性的目标。传统基于接收信号强度指示(Received Signal Strength Indicator, RSSI)的指纹法通常需要多个接入点(Access Point, AP),限制了其在真实家庭环境等单AP场景下的实用性。为克服该限制,研究人员提出一种单AP定位方法,利用多方向波束赋形(Beamforming)生成丰富的RSSI指纹。通过在AP端扫描不同波束赋形角度,该方法捕获方向性RSSI特征,显著提升定位精度。此外,研究人员引入角度嵌入(Angular Embedding)机制,将波束赋形方向显式编码至神经网络输入中以增强鲁棒性,尤其在标注数据有限的条件下。大量仿真与真实世界实验表明,所提方法显著优于传统单AP RSSI方法,在使用少量训练数据集时稳定达到亚米级精度,验证了其有效性。
论文解读:《Single-AP indoor localization via multi-directional beamforming》发表于《Ad Hoc Networks》
一、研究背景与意义
现有室内定位技术分为几何法(如飞行时间Time of Flight, ToF、到达时间差Time Difference of Arrival, TDoA、到达角Angle of Arrival, AoA)、传感器融合法与指纹法。几何法需精密时间同步或天线阵列;传感器融合法需专用硬件;传统RSSI指纹法无需额外硬件但一般需多AP提供空间分集,否则单AP仅测得单一标量功率值,受多径与阴影影响导致指纹不可区分,中位误差可达6~8 m。基于信道状态信息(Channel State Information, CSI)的方法虽信息丰富但受限于驱动与硬件可用性。家庭环境通常仅部署单个AP,因此亟需一种能在单AP条件下通过增强信号空间多样性来实现高精度定位且无需CSI或专用硬件的方案。本文利用现代Wi-Fi/5G设备日益普及的波束赋形(Beamforming)能力,通过AP主动扫描多方向波束获取方向性RSSI构成多维指纹,并设计角度嵌入机制辅助浅层神经网络,解决单AP指纹模糊问题。
二、主要关键技术方法
研究人员在Blender中构建15 m×15 m×3 m的家居与办公室场景,采用MATLAB R2024a射线追踪(Ray Tracing)模型模拟5 GHz、3元均匀直线阵(Uniform Linear Array, ULA)发射的信号传播(含≤2次反射及漫散射),AP发射功率20 dBm,叠加σ=2 dB高斯噪声生成各参考点(Reference Point, RP)每方向30个RSSI样本。离线阶段AP按30°间隔均匀扫描全360°方位角,终端记录各方向RSSI构成指纹入库;在线阶段采集同格式向量输入浅层多层感知机(Multilayer Perceptron, MLP)做位置分类(交叉熵损失)。提出的角度嵌入(Angular Embedding)机制将波束方向角θi转换为[sin θi, cos θi]后经可学习线性投影得到嵌入表,与RSSI标量经线性映射后的向量逐元素相加再展平输入网络。对照基线为无波束赋形单AP的1维RSSI输入同一MLP,并与多AP无波束赋形方案及文献中单AP方法做对比;实机验证采用bladeRF 2.0 micro xA4软件定义无线电(Software Defined Radio, SDR)双通道相位控制波束赋形。
三、研究结果
3.1 单AP多方向波束赋形RSSI定位(Section 3.1)
通过射线追踪与实测证明,单AP扫描N个方向可获得N维RSSI向量,不同位置的方向性RSSI模式差异远大于全向RSSI。家庭与办公室环境中各方向RSSI极差Δ达12~22 dBm、标准差σ约4~7 dBm,证实波束赋形显著丰富了指纹可区分度。仿真实验(12方向,30°间隔)显示无波束赋形基线分类准确率仅约8%~12%、平均误差距离(Mean Error Distance, MED)约5.6~6.7 m;而所提方法在40%以上训练样本比例下准确率>80%,办公室MED<1 m(最低0.75 m),家居MED<1.2 m(最低1.03 m),效果匹敌甚至优于2~5个无波束赋形AP的传统方案。
3.2 角度嵌入RSSI特征编码(Section 3.2)
引入角度嵌入后,在训练样本极少(每RP仅3个样本)时家居环境准确率由约62.8%提升至约70%,MED由2.30 m降至1.90 m;随训练数据增加优势收窄但仍稳定存在。SHAP(SHapley Additive exPlanations)分析表明嵌入使各方向RSSI特征对预测贡献增大,模型更有效利用空间分集。嵌入维度d在1~32范围表现稳健,d=2或4略优。
3.3 实验评估——单AP设置下评估(Section 4.2)
与文献单AP方法对比,本方法仅靠方向性RSSI即取得MED 0.75~2.30 m,与需CSI、FTM(Fine Timing Measurement)、ToF之单AP系统精度相当,验证了仅凭普通RSSI加波束赋形可实现竞争性精度。
3.4 AP布置对定位性能的影响(Section 4.2子节)
AP置于房间中心时y轴镜像RP因ULA沿x轴产生近似对称波束方向图致RSSI相似难区分;AP靠墙(房间一边中点,ULA平行于墙)打破对称性,精度提升。中心放置时MED仍约1 m满足多数应用,推荐靠边放置以获取更优性能。
3.5 不同波束赋形间隔下的性能饱和(Section 4.2子节)
间隔由60°缩至15°(维数6→24)时精度持续上升但收益递减,30°(12方向)相较15°仅微劣而建库开销减半,选为默认平衡配置。
3.6 互信息(Mutual Information, MI)分析(Section 4.2子节)
无波束赋形总MI≈1.03~1.19 nats;30°间隔总MI升至16.51~16.87 nats,平均单维MI也略增,说明增加方向采样同时提升累积信息与单维判别力。
3.7 神经网络超参数消融实验(Section 4.3)
模型对超参较鲁棒:Dropout=0.15、隐层128、权重衰减1×10-4、学习率1×10-3、训练≥100 epoch为较优设定。
3.8 角度嵌入评估(Section 4.4)
同前3.2结果,嵌入在低训练数据下提升明显,高数据量下仍有微弱优势。
3.9 计算开销(Section 5.1)
角度嵌入引入参数量ΔP=d+Ld+Lh(d-1)随嵌入维d线性增长,L=12、d=2时增量极小,计算复杂度仍低,适合轻量部署。
3.10 基于SDR的真实环境部署(Section 5.2)
在约15 m×11 m实验室用bladeRF双天线(dant=4.5 cm, fc=2.4 GHz)实现相位控制波束赋形,12方向扫描,26个RP。全门开条件下27样本/RP训练准确率99.10%、MED 0.07 m;仅3样本/RP训练准确率79.62%、MED 1.04 m,验证方案可行性。
3.11 环境变化鲁棒性(Section 5.3)
关门致多径结构改变使同位置RSSI偏移,全部门关闭时准确率由97%降至24%(训练于开门、测试于关门),同室RP受影响较小,跨室经关门衰减RP退化严重。指出可通过少量新数据微调(fine-tune)或众包更新无线电地图应对,属指纹法固有挑战。
3.12 波束扫描期间通信维持(Section 5.4)
12方向全扫描耗时约1~2 ms(波束切换微秒级),可通过IEEE 802.11be多链路操作(Multi-Link Operation, MLO)在辅链路上执行扫描,主链路通信不受影响。
四、讨论与结论
研究人员提出并验证了通过单AP多方向波束赋形扫描获取方向性RSSI指纹、结合角度嵌入浅层神经网络的室内定位方案。仿真与SDR实测表明该方法在单AP条件下显著优于传统RSSI指纹法,达到亚米级(mean error distance 0.75~1.03 m with sufficient training data, 1.04 m with merely 3 samples per RP in real-world test),精度可与需多AP或需CSI/ToF之单AP系统相比拟,且只需普通RSSI无需特殊硬件。角度嵌入机制进一步提升了小样本下的鲁棒性。AP推荐靠房间侧墙放置(ULA平行墙面)以减少对称性模糊;30°波束间隔是性能与开销的平衡点。指纹法对环境变化敏感,可通过迁移学习少量新样本微调恢复性能。未来工作将致力于在商用AP上实现并发展更先进嵌入策略。