基于机器学习的多小区室内可见光高精度三维定位用于室内毫米波/太赫兹通信辅助

《IEEE Photonics Journal》：High-Precise Multi-Cell Indoor Visible Light Positioning Based on Machine Learning for Indoor Millimeter-Wave/Terahertz Communication Assistance

　　

Beyond 5G（B5G）与未来6G移动通信系统中，毫米波（30–300 GHz）/太赫兹（0.1–1 THz）无线通信技术对高容量、高速率业务至关重要。由于此类信号波长短、波束窄，用户设备（UE）需进行高精度三维（3D）定位。传统波束跟踪方法依赖发送训练符号，降低系统吞吐与效率。研究人员提出并实验验证一种基于可见光通信（VLC）的多小区3D室内高精度定位技术：采用两阶段人工神经网络（ANN），在体积为1.5×1.5×0.4 m3与0.5×0.5×0.4 m3的多小区室内环境中实现小于1 cm的定位误差。该方法可集成至B5G及下一代室内毫米波/太赫兹通信与定位系统。据研究人员所知，该工作是迄今报道的基于VLC的3D定位最高分辨率成果。

论文解读：《IEEE Photonics Journal》发表的多小区室内可见光机器学习三维定位研究

研究背景方面，近年来4K/8K超高清视频、虚拟现实（VR）与增强现实（AR）等应用驱动互联网带宽需求指数增长。为缓解无线数据通信带宽拥塞，毫米波（30–300 GHz）与太赫兹（0.1–1 THz）频段因可提供高数据速率而备受关注。但高频信号自由空间传播损耗大，需借助波束赋形（beamforming）获得高天线增益。波束越窄增益越高，因此毫米波/太赫兹系统必须获知用户设备（UE）精确方向。传统波束跟踪通过发送训练符号实现，会带来开销与时延，降低吞吐与效率。替代方案是利用室内定位系统辅助毫米波通信确定UE方向。现有室内定位中，全球定位系统（GPS）室内精度差，无线局域网（WLAN）与蓝牙受干扰和多径影响为1–7 m，超宽带（UWB）精度高但成本较高，近场通信（NFC）作用距离过近；可见光通信（VLC）具有低成本、人眼安全、抗电磁干扰、可与照明融合等优势，且可见光互干扰小，便于利用接收信号强度（RSS）定位。已有VLC定位方法如增强到达时间差（TDOA）平均误差9.2 cm、相机辅助4–6 cm、非线性估计4.63 cm、正交频分多址（OFDMA）在0.2×0.2×0.15 m³达1.68 cm、朗伯（Lambertian）模型理想条件下1.58 cm；研究人员前期单小区两层ANN在0.9×1×0.4 m³达0.9 cm。但单小区难以覆盖实际大空间，多小区面临小区间同频干扰与跨区识别问题，因此研究人员将单小区扩展至多小区，用机器学习实现厘米级3D定位以辅助B5G/6G毫米波通信。

主要关键技术方法：研究人员采用四颗LED构成多小区，每颗LED使用不同载波频率（70 kHz、190 kHz、310 kHz、430 kHz）发送QPSK调制的伪随机二进制序列（PRBS）作为小区与灯标识；接收端用带放大器的光电探测器（PD）采数，离线完成重采样、带通滤波、下变频、低通滤波与ID匹配以获得各LED接收光功率；以朗伯模型定性指导特征选取，将三路功率及其两两乘积与平方共9项作为单小区定位人工神经网络（ANN）输入；提出两阶段ANN，第一阶段用四路功率做小区识别（Softmax输出四类），第二阶段将对应三路功率送入隐藏层为8与5节点、输出XYZ的单小区ANN；并通过平均功率替代最大功率、增加网络层数节点、算法补偿PD倾斜来提升精度。实验区域LED距地2.7 m，覆盖1.5×1.5×0.4 m³，另取0.5×0.5×0.4 m³中心区加密测量，Z轴0/10/20/30 cm分层、XY平面10 cm栅格采样，每点重复测量取平均。

研究结果如下。

SECTION I. Introduction：研究人员指出毫米波/太赫兹需窄波束与准确UE方向，传统训练符号波束跟踪低效，VLC具备室内高精度定位潜力；通过文献对比说明已有VLC定位精度有限或环境理想化，单小区工作已获0.9 cm但多小区未解决；由此引出基于两阶段ANN的多小区3D定位研究。

SECTION II. Theoretical Analysis：该部分含三小节。Principle of Visible Light Positioning Model中，研究人员给出朗伯辐射模型接收光功率公式 P_r=P_tA_s(m+1)cos^mβ cosα/(2π d²)，由几何关系导出单小区三LED时坐标可由接收功率非线性函数表示，但商用LED阵列参数（m、K_i）难准确获取，故用ANN直接从测量数据学习功率—位置映射，并以功率二次项等作为ANN输入特征。Principle of High-Precision Indoor Positioning Using ANN中，研究人员设计单小区ANN：输入9项，两隐藏层8/5节点、Sigmoid激活，输出XYZ无激活；多小区用四种小区类型（C₃⁴），两阶段ANN第一阶段四输入两隐藏层各10节点、ELU激活、四输出Softmax做小区识别，第二阶段取三相关频率功率做精密3D定位。Integration of VLC-Based 3D Indoor Positioning With B5G Millimeter-Wave Communication中，研究人员说明控制中枢先经VLC定位获得UE坐标，再算方向并 steer 毫米波波束；60 GHz 1×4阵列波束赋形区约1 cm²（λ/2×4），故需厘米级定位，VLC定位与低频WLAN/蜂窝链路协同可支撑室内高速毫米波/太赫兹通信。

SECTION III. Experimental Setup and Results：研究人员用AWG产生50 kBaud QPSK信号上采样至1 MSa/s，偏置T驱动四颗各含六片Cree-XR-E芯片的LED；PD为Thorlabs PDA36A，示波器与LabVIEW离线处理。EVM（误差矢量幅度）显示四LED均低于14%，满足QPSK识别。360个参考点训练20000轮后可分小区，初版最大功率输入受噪声影响；改进后0.5×0.5×0.4 m³内25点×50次测量、用平均功率并加深网络、补偿倾斜，各小区误差均低于1 cm，平均0.96 cm，无异于单小区0.9 cm之明显退化，多小区可覆盖更大面积且避开了邻区同频干扰。

SECTION IV. Conclusion and Future Work：研究人员总结两阶段ANN在1.5×1.5×0.4 m³达厘米级、0.5×0.5×0.4 m³低于1 cm，为B5G/6G波束赋形与波束跟踪提供高精度位置服务；未来将加入倾斜角度数据增强或惯性测量单元（IMU）信息以补偿接收端倾斜。

讨论与结论翻译：本文提出基于ANN机器学习的室内高精度定位系统。研究人员评估每颗LED性能并将实验区分四小区；利用两阶段ANN在1.5×1.5×0.4 m³体积实现厘米级3D定位，在0.5×0.5×0.4 m³体积经算法改进后定位误差低于1 cm，全程无过拟合。据研究人员所知，这是已报道VLC用户设备定位最佳3D分辨率。结果表明该ANN定位系统可提供高精度服务，对B5G及未来6G毫米波/太赫兹系统的波束赋形与波束跟踪具有重要意义。当前系统假设接收端水平放置；未来工作将引入含不同倾角的增强训练策略或融合惯性测量单元（IMU）信息实时补偿倾角，提升实际场景鲁棒性。