基于多域 CSI 深度注意力网络的 MIMO 无线系统室内定位

在室内找到你的位置

GPS 在户外表现出色，但一旦进入购物中心、工厂或仓库，其定位精度便迅速下降。然而，从仓库机器人与投递无人机到增强现实头戴设备，许多新兴技术都需要在室内以厘米级精度获知自身位置。本文探讨如何利用现代人工智能，将先进 Wi‑Fi 和蜂窝系统的普通信号转化为高度精确的室内定位工具。

密切聆听无线回波

当你的手机与基站通信时，信号会在到达之前在墙壁、设备和人群间反射。工程师捕获这一传播过程的详细“指纹”，称为信道状态信息（CSI）。CSI 描述了信号强度、时延和方向等在传播过程中的变化。现代的大规模 MIMO 基站使用数十根天线，在正常通信过程中就能采集 CSI——无需额外的信标或传感器。本文的核心思想是挖掘这些丰富的指纹，以推断设备在室内空间中的精确位置。

从多角度观察同一信号

作者展示了将 CSI 从多个角度观察会使信息量大幅增加。他们把原始数据转换为三种互补的“域”。一种视角强调信号随时间的到达特性，捕捉回波和延迟；第二种强调信号在不同射频频率上的行为；第三种聚焦到达角，揭示能量如何在不同方向上分布，类似聚光灯的模式。对每个视角，数据以两种简单的数学形式表示，粗略对应于把波分解为幅度和相位。将这些视角组合起来，产生了对无线环境的多层次描述，与用户的位置紧密关联。

教会神经网络学会关注重点

早期研究主要依赖卷积神经网络——一种擅长图像中模式识别的 AI 模型——来处理 CSI。尽管有效，这类模型对输入的各部分通常一视同仁。该研究设计了一种名为深度注意力网络的新架构。它仍使用卷积层提取基本特征，但随后加入注意力模块，学习聚焦每个 CSI 视角中最有信息量的部分，并对不同视角之间进行加权。实质上，网络学会识别哪些回波、哪些频率和哪些角度在杂乱的室内环境中对精确定位最为关键。

测试精度与速度

团队在一组公开数据集上评估了他们的方法，该数据集在配备 64 根天线的基站、覆盖数米宽室内区域并以精细空间步长扫描的实验室中记录。他们比较了不同 CSI 视角与网络架构的组合。将所有三种域结合使用，始终优于单一域的方案。深度注意力网络提供了最低的典型误差，通常在约两厘米左右，并在不同天线布局和不同训练数据量下维持高精度。然而，这种改进也有代价：由于注意力机制增加了额外计算，注意力模型处理相同数量样本所需时间约为更简单卷积网络的两倍。

在精度与实用性之间权衡

通俗地说，这项研究表明，我们可以通过让 AI 仔细结合对无线电波在房间中反射的多重视角，将现有先进无线网络变成一种室内“GPS”，实现厘米级定位。深度注意力网络能提供最精确的位置估计，但需要更多计算资源和时间，因此更适合那些可靠性和精细精度优先于毫秒响应的应用场景。未来的工作旨在精简这些注意力机制并在更复杂、动态变化的室内环境中测试它们，从而使超高精度室内定位更接近实际部署。

引用: 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

关键词: 室内定位, 大规模 MIMO, 信道状态信息, 深度学习, 注意力网络