基于异构知识图谱推理的视距（LOS）/非视距（NLOS）信道共存场景下的精确定位

《ACM Transactions on Sensor Networks》：Accurate Localization in LOS/NLOS Channel Coexistence Scenarios Based on Heterogeneous Knowledge Graph Inference

高精度定位在智能城市和工厂中至关重要。传统基于视距（LOS）传播的定位算法（如TDOA、AOA）在非视距（NLOS）场景中失效，因NLOS环境下可观测基站少且存在非理想因素。本文提出融合知识图谱与图神经网络（GNN）的定位方法，通过异构图注意力机制实现复杂场景下数据关系推理，实验表明其2D定位精度达10米，优于现有算法。

　　

摘要

精确的定位是智能城市和智能工厂的基本要求之一。在无线蜂窝网络定位中，基站与用户之间的电磁波直线传播被称为视距（LOS）无线传播。在某些情况下，由于建筑物或树木的阻挡，电磁波信号无法沿直线传播，这些情况通常被称为非视距（NLOS）无线传播。传统的定位算法（如TDOA、AOA等）基于视距信道，但在以非视距传播为主的环境中这些算法不再适用。此外，在大多数情况下，具有视距信道的基站数量较少，导致传统定位算法无法满足高精度定位的精度要求。另外，实际系统中可能存在一些非理想因素，这些因素都会导致定位精度下降。因此，本文提出的方法利用知识图谱和图神经网络（GNN）技术将通信数据建模为知识图谱，并采用基于异构图注意力机制的知识图谱推理技术，根据已知数据及数据之间的关系来推断复杂场景中的未知数据表示，从而在视距/非视距信道共存的场景中实现高精度定位。我们在多个数据集上实验验证了该方法的空间二维定位精度约为10米，发现所提出的算法比现有最先进算法具有更高的精度和更强的鲁棒性。