Transfer Learning for CSI-based Positioning with Multi-environment Meta-learning

利用深度学习技术通过信道状态信息（CSI）指纹对用户设备（UE）进行基于无线电的定位已经显示出显著的潜力。深度学习模型可以从特定环境的CSI指纹中提取复杂的特征，并准确地预测UE的位置。然而，基于CSI指纹训练的DL模型的有效性高度依赖于特定的训练环境，限制了训练模型在不同环境下的适用性。本文提出了一种新颖的DL模型结构，由两部分组成，第一部分旨在识别与任何特定环境无关的特征，而第二部分则以特定环境的方式结合这些特征，目的是进行定位。为了训练这样一个双重模型，我们提出了多环境元学习（MEML）方法来促进在各种环境下的训练，而模型的第二部分则仅使用来自特定环境的数据进行训练。我们的研究结果表明，采用MEML方法初始化DL模型的权重，可以显著提高在新的目标环境中UE定位的准确性以及其不确定性估计的可靠性。这种方法优于传统的迁移学习方法，无论是环境之间的直接迁移学习（DTL）还是完全使用来自新环境的数据进行训练。该方法在直视（LOS）和非直视（NLOS）环境下进行了实际测量验证。

提出一种新的深度学习模型结构和训练方法，用于通过信道状态信息指纹对用户设备进行基于无线电的定位，并提高其在不同环境下的适用性。

该论文提出了一个两部分的深度学习模型结构，第一部分旨在识别与特定环境无关的特征，而第二部分将这些特征以特定环境的方式结合起来，实现定位。为了训练这样的模型，提出了多环境元学习（MEML）方法来促进跨多个环境的训练。

论文使用真实的LOS和NLOS环境的测量数据验证了该方法的有效性。结果表明，使用MEML方法初始化新环境中的DL模型的权重显著提高了在新目标环境中UE定位的准确性和不确定性估计的可靠性。与传统的迁移学习方法相比，这种方法表现更好。

与该论文相关的研究包括基于CSI指纹的无线定位研究，以及深度学习在该领域中的应用。例如，"DeepSense: A Unified Deep Learning Framework for Time-Series Mobile Sensing Data Processing"和"CSI-Based Fingerprinting for Indoor Localization: A Deep Learning Approach"等。