PosFormer: グローバル・ローカル特徴量融合ネットワークによる汎用性の高い屋内測位

科学分野:

• ロボット工学と自動化
• 無線通信とネットワーク
• 信号処理

背景:

• 超広帯域（UWB）技術は高精度な屋内測位を提供しますが、マルチパスの非見通し線（NLOS）環境では苦戦します。
• 幾何学的アプローチや深層学習アプローチを含む既存の手法は、UWB信号伝播特性を正確に捉える上で限界があります。
• 課題には、従来のメソッドでの距離推定誤差や、現在の深層学習モデルでの特徴抽出不足が含まれます。

研究 の 目的:

• UWB信号を用いた高精度屋内測位のための高度な深層学習モデルを開発すること。
• 複雑でマルチパスの多い環境における既存手法の限界に対処すること。
• UWB測位システムの堅牢性と展開効率を向上させること。

主な方法:

• チャネルインパルス応答（CIR）を処理するために、Transformerと畳み込みニューラルネットワーク（CNN）モジュールを組み合わせたデュアルフュージョンネットワークであるPosFormerを提案しました。
• 特徴抽出を強化するために、マルチパス物理情報を組み込みました。
• CIRの多様性のための非隣接アンカーサブセット（NAASs）スキームと、クロス環境展開のための軽量転移学習（TL）フレームワークを導入しました。
• 広範な実験的検証のために、公開されている産業データセットを利用しました。

主要な成果:

• PosFormerは、平均絶対誤差（MAE）17.64 cmを達成し、ベースラインモデル（CNN、LSTM、Transformer）を大幅に上回りました。
• 困難な産業ホールの環境において、TLフレームワークにより、事前学習済みモデルが指紋データのわずか20%で35.92 cmの精度を達成しました。
• UWB CIRからグローバルおよびローカルのマルチスケール特徴量を抽出する上で優れた性能を示しました。

結論:

• 提案されたPosFormerモデルは、NLOS環境におけるUWB屋内測位の課題を効果的に解決します。
• デュアルフュージョンネットワークアーキテクチャとTLフレームワークは、精度、堅牢性、データ効率を向上させます。
• PosFormerは、特に産業分野において、実際のUWB測位アプリケーションに大きな実用価値を示しています。