Внутренняя навигация с многодоменными CSI-основанными глубокими attention-сетями для MIMO беспроводных систем

Ориентируясь в помещениях

GPS прекрасно работает на открытом воздухе, но стоит зайти в торговый центр, завод или склад, как его точность быстро падает. Между тем многие новые технологии — от складских роботов и доставочных дронов до гарнитур дополненной реальности — требуют знать своё положение в помещении с точностью до нескольких сантиметров. В этой работе исследуется, как превратить обычные сигналы современных Wi‑Fi и сотовых систем в высокоточный инструмент для внутренней навигации с помощью современных методов искусственного интеллекта.

Внимательно слушая беспроводные эхо

Когда ваш телефон общается с базовой станцией, сигнал отражается от стен, машин и людей, прежде чем достигнуть приёма. Инженеры фиксируют подробный «отпечаток» этого пути, называемый информацией о состоянии канала, или CSI. CSI описывает, как меняются мощность, временные параметры и направления сигнала по пути. Современные базовые станции massive MIMO, использующие десятки антенн, собирают CSI в рамках обычной связи — дополнительные маячки или датчики не требуются. Идея этой работы — извлечь из этих насыщенных отпечатков положение устройства внутри помещения с высокой точностью.

Рассмотрение одного сигнала с разных сторон

Авторы показывают, что CSI становится более информативной, если смотреть на неё с нескольких позиций. Они преобразуют сырые данные в три взаимодополняющих «домена». Один вид подчёркивает, как сигналы приходят во времени, фиксируя эхо и задержки. Второй выделяет поведение сигнала по разным радиочастотам. Третий фокусируется на углах прихода, показывая, как энергия распределяется по направлениям, почти как прожекторный узор. Для каждого представления данные выражаются в двух простых математических формах, примерно соответствующих разложению волны на амплитуду и фазу (или на величину и ориентацию). Комбинирование всех этих представлений даёт многослойное описание беспроводной среды, тесно связанное с положением пользователя.

Обучение нейросетей искусству внимания

Ранние исследования в основном опирались на сверточные нейронные сети — класс моделей ИИ, хорошо подходящих для распознавания образов в изображениях — для обработки CSI. Хотя они эффективны, такие модели в значительной степени обрабатывают все части входа одинаково. В этом исследовании авторы предлагают новую архитектуру, названную глубокой attention-сетью. Она по-прежнему использует сверточные слои для выделения базовых шаблонов, но затем добавляет блоки внимания, которые учатся фокусироваться на наиболее информативных частях каждого представления CSI и взвешивать сами представления относительно друг друга. По сути, сеть учится определять, какие эхо, частоты и углы имеют наибольшее значение для точного определения положения в захламлённом помещении.

Проверка точности и скорости

Команда оценила предложенный подход на открытом наборе данных, записанном в лаборатории с базовой станцией на 64 антенны, сканировавшей область в несколько метров с мелкой сеткой измерений. Они сравнили разные комбинации представлений CSI и архитектур сетей. Совместное использование всех трёх доменов стабильно превосходит применение любого одного из них. Глубокая attention-сеть даёт наименьшие типичные ошибки, часто около двух сантиметров, и сохраняет высокую точность при разных схемах расположения антенн и объёмах обучающих данных. Однако это улучшение имеет цену: модель с attention требует примерно вдвое больше времени на обработку того же числа образцов по сравнению с более простой сверточной сетью, поскольку её механизм фокусировки добавляет вычислений.

Баланс между точностью и практичностью

Проще говоря, исследование демонстрирует, что существующие современные беспроводные сети можно превратить в некую «GPS» для помещений с точностью до нескольких сантиметров, если позволить ИИ аккуратно объединять несколько перспектив на то, как радиоволны отражаются в комнате. Глубокая attention-сеть даёт самые точные оценки положения, но требует больше вычислительных ресурсов и времени, что делает её предпочтительной для приложений, где надёжность и высокая точность важнее мгновенного отклика. Будущие работы нацелены на оптимизацию этих механизмов внимания и их проверку в более сложных, изменяющихся внутренних пространствах, приближая сверхточную внутреннюю навигацию к реальному внедрению.

Цитирование: 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

Ключевые слова: внутренняя навигация, massive MIMO, информация о состоянии канала, глубокое обучение, attention-сети