Inomhuspositionering med flerdomäns CSI‑baserade djupa attention‑nätverk för MIMO‑trådlösa system

Hitta rätt väg inomhus

GPS fungerar utmärkt utomhus, men kliver du in i ett köpcentrum, en fabrik eller ett lager faller dess noggrannhet snabbt ihop. Många framväxande tekniker — från lagerrobotar och leveransdronor till headset för förstärkt verklighet — behöver ändå veta sin position inomhus med bara några centimeters noggrannhet. Denna artikel utforskar hur vanliga signaler från avancerade Wi‑Fi‑ och mobilnät kan omvandlas till ett mycket precist verktyg för inomhuspositionering med hjälp av modern artificiell intelligens.

Lyssna noga på trådlösa ekon

När din telefon kommunicerar med en basstation studsar signalen mot väggar, maskiner och människor innan den når fram. Ingenjörer fångar ett detaljerat ”fingeravtryck” av denna resa som kallas kanalstatusinformation, eller CSI. CSI beskriver hur signalens styrka, tid och riktning förändras längs vägen. Moderna massiv MIMO‑basstationer, som använder tiotals antenner, samlar in CSI som en del av normal kommunikation — inga extra fyrar eller sensorer behövs. Idén i detta arbete är att utvinna dessa rika fingeravtryck för att avgöra exakt var en enhet befinner sig inne i ett rum.

Se samma signal på flera sätt

Författarna visar att CSI blir mer informativt när det ses från flera perspektiv. De omvandlar rådata till tre kompletterande ”domäner”. En vy betonar hur signaler anländer över tid och fångar ekon och fördröjningar. En annan framhäver hur signalen beter sig över olika radiofrekvenser. En tredje fokuserar på ankomstvinklar och visar hur energi sprids över olika riktningar, ungefär som ett strålkastarmönster. För varje vy representeras data i två enkla matematiska former, ungefär motsvarande att dela upp en våg i dess amplitud och fas. Att kombinera alla dessa perspektiv ger en flerskiktad beskrivning av den trådlösa miljön som är starkt kopplad till användarens position.

Lära neurala nätverk att uppmärksamma

Tidigare forskning förlitade sig huvudsakligen på konvolutionella neurala nätverk, en klass AI‑modeller väl lämpade för mönsterigenkänning i bilder, för att bearbeta CSI. Dessa modeller är effektiva men behandlar i stort sett alla delar av indata lika. I denna studie utformar forskarna en ny arkitektur kallad ett djupt attention‑nätverk. Den använder fortfarande konvolutionella lager för att extrahera grundläggande mönster, men lägger sedan till attention‑block som lär sig att fokusera på de mest informativa delarna i varje CSI‑vy och att väga de olika vyerna mot varandra. I praktiken lär sig nätverket vilka ekon, frekvenser och vinklar som är viktigast för att exakt bestämma position i en rörig inomhusmiljö.

Test av noggrannhet och hastighet

Teamet utvärderar sin metod på en offentlig datamängd inspelad i ett laboratorium utrustat med en 64‑antennig basstation som skannade ett några meter brett inomhusområde med fina spatiala steg. De jämför olika kombinationer av CSI‑vyer och nätverksarkitekturer. Att använda alla tre domäner tillsammans överträffar konsekvent att använda någon enstaka. Det djupa attention‑nätverket ger de lägsta typiska felen, ofta omkring två centimeter, och bibehåller denna höga noggrannhet över olika antennkonfigurationer och varierande mängd träningsdata. Denna förbättring har dock en kostnad: attention‑modellen tar ungefär dubbelt så lång tid att bearbeta samma antal prover som ett enklare konvolutionellt nätverk, eftersom dess fokuseringsmekanism kräver extra beräkning.

Balansera precision och praktisk tillämpning

I praktiska termer visar studien att vi kan göra om befintliga avancerade trådlösa nätverk till en sorts inomhus‑”GPS” som fungerar ned till några centimeters noggrannhet, genom att låta AI noggrant kombinera flera perspektiv på hur radiovågor studsar runt i ett rum. Det djupa attention‑nätverket levererar de skarpaste positionsuppskattningarna, men kräver mer beräkningskraft och tid, vilket gör det bättre lämpat för applikationer där tillförlitlighet och fin precision är viktigare än omedelbara svar. Framtida arbete syftar till att strömlinjeforma dessa attention‑mekanismer och testa dem i mer komplexa, föränderliga inomhusmiljöer, för att föra ultraprecis inomhuspositionering närmare verklig tillämpning.

Citering: 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

Nyckelord: inomhuspositionering, massiv MIMO, kanalstatusinformation, djuplärande, attention‑nätverk