Pozycjonowanie wewnątrz budynków z wykorzystaniem wielodomenowych sieci głębokiej uwagi opartych na CSI dla systemów MIMO

Znajdowanie drogi w pomieszczeniach

GPS działa świetnie na zewnątrz, ale wchodząc do centrum handlowego, fabryki czy magazynu jego dokładność szybko spada. Tymczasem wiele rozwijających się technologii — od robotów magazynowych i dronów dostawczych po zestawy rozszerzonej rzeczywistości — potrzebuje informacji o pozycji wewnątrz budynków z dokładnością rzędu kilku centymetrów. Niniejszy artykuł bada, jak przekształcić zwykłe sygnały z zaawansowanych systemów Wi‑Fi i sieci komórkowych w narzędzie do bardzo precyzyjnego pozycjonowania wewnętrznego przy użyciu współczesnej sztucznej inteligencji.

Uważne nasłuchiwanie bezprzewodowych echem

Kiedy twój telefon komunikuje się ze stacją bazową, sygnał odbija się od ścian, maszyn i ludzi, zanim dotrze do celu. Inżynierowie rejestrują szczegółowy „odcisk” tej drogi zwany informacją o stanie kanału, czyli CSI. CSI opisuje, jak zmieniają się siła sygnału, czas i kierunek podczas propagacji. Nowoczesne stacje bazowe z masywnym MIMO, które używają dziesiątek anten, zbierają CSI w ramach normalnej komunikacji — nie są potrzebne żadne dodatkowe nadajniki ani czujniki. Istotą tej pracy jest wydobycie z tych bogatych odcisków informacji pozwalających precyzyjnie określić położenie urządzenia w pomieszczeniu.

Postrzeganie tego samego sygnału na wiele sposobów

Autorzy pokazują, że CSI staje się bardziej informatywne, gdy spojrzeć na nie z kilku perspektyw. Przekształcają surowe dane do trzech komplementarnych „domen”. Jeden widok podkreśla, jak sygnały pojawiają się w czasie, rejestrując echo i opóźnienia. Drugi uwypukla zachowanie sygnału w różnych częstotliwościach radiowych. Trzeci skupia się na kątach nadejścia, ujawniając, jak energia rozkłada się w różnych kierunkach, podobnie jak wzór reflektora. Dla każdego widoku dane są przedstawione w dwóch prostych formach matematycznych, co mniej więcej odpowiada rozdzieleniu fali na jej wielkość i orientację. Połączenie tych perspektyw daje wielowarstwowy opis środowiska radiowego silnie powiązany z pozycją użytkownika.

Nauczanie sieci neuronowych, na co zwracać uwagę

Wcześniejsze badania opierały się głównie na splotowych sieciach neuronowych, klasie modeli AI dobrze nadających się do rozpoznawania wzorców w obrazach, do przetwarzania CSI. Choć skuteczne, modele te traktują wszystkie części wejścia mniej więcej jednakowo. W tym badaniu badacze projektują nową architekturę nazwaną głęboką siecią uwagi. Nadal używa ona warstw splotowych do wydobywania podstawowych wzorców, ale następnie dodaje bloki uwagi, które uczą się skupiać na najbardziej informacyjnych elementach każdego widoku CSI i ważować różne widoki względem siebie. W praktyce sieć uczy się, które echa, częstotliwości i kąty mają największe znaczenie przy precyzyjnym określaniu pozycji w zagraconym wnętrzu.

Testowanie dokładności i szybkości

Zespół ocenia swoje podejście na publicznym zestawie danych nagranym w laboratorium wyposażonym w stację bazową z 64 antenami skanującą obszar wewnętrzny o szerokości kilku metrów w drobnych krokach przestrzennych. Porównują różne kombinacje widoków CSI i architektur sieci. Wykorzystanie wszystkich trzech domen razem konsekwentnie przewyższa użycie dowolnej pojedynczej. Głęboka sieć uwagi zapewnia najniższe typowe błędy, często rzędu dwóch centymetrów, i utrzymuje wysoką dokładność przy różnych rozmieszczeniach anten i różnych ilościach danych treningowych. Jednak ta poprawa ma swoją cenę: model uwagi potrzebuje mniej więcej dwa razy więcej czasu na przetworzenie tej samej liczby próbek niż prostsza sieć splotowa, ponieważ mechanizm skupiania wymaga dodatkowych obliczeń.

Równoważenie precyzji i użyteczności

Mówiąc ogólnie, badanie pokazuje, że możemy przekształcić istniejące zaawansowane sieci bezprzewodowe w coś w rodzaju wewnętrznego „GPS”, działającego z dokładnością do kilku centymetrów, pozwalając AI starannie łączyć wiele perspektyw na to, jak fale radiowe odbijają się w pomieszczeniu. Głęboka sieć uwagi dostarcza najdokładniejszych oszacowań pozycji, lecz wymaga większych zasobów obliczeniowych i czasu, co czyni ją lepszym wyborem do zastosowań, w których niezawodność i duża precyzja są ważniejsze niż reakcje w ułamku sekundy. Prace przyszłe mają na celu usprawnienie tych mechanizmów uwagi oraz przetestowanie ich w bardziej złożonych, zmiennych przestrzeniach wewnętrznych, przybliżając ultra-precyzyjne pozycjonowanie wewnątrz budynków do rzeczywistego wdrożenia.

Cytowanie: Susarla, P., Mukherjee, A., Bulusu, S.S.K.C. et al. Indoor positioning with multi-domain CSI-based deep attention networks for MIMO wireless systems. npj Wirel. Technol. 2, 23 (2026). https://doi.org/10.1038/s44459-025-00021-y

Słowa kluczowe: pozycjonowanie wewnątrz budynków, masywne MIMO, informacja o stanie kanału, uczenie głębokie, sieci uwagi