基于学习的5G和WiFi信道状态信息（CSI）在室内定位中的应用分析：特征稳定性、模型泛化能力以及性能权衡

《Neurocomputing》：Learning-based analysis of 5G and WiFi CSI for indoor localization: Feature stability, model generalization, and performance trade-offs

室内定位中5G与WiFi信道状态信息（CSI）的对比研究，分析幅度、相位、直接路径能量特征在时空稳定性及统计鲁棒性上的差异，通过机器学习、深度学习及集成模型评估分类与回归定位性能，发现5GCSI在长期稳定性和回归泛化上更优，而WiFiCSI在短期能区分性更强，为混合定位系统设计提供参考。

　　

阮彦琳|周欣|刘兆亮|刘晓燕|陈瑞志|陈亮

湖北师范大学电气工程与自动化学院，黄石435002，中国

摘要

信道状态信息（CSI）已成为室内定位的一种高分辨率感测方式，尤其是与机器学习技术结合使用时。随着第五代（5G）网络的部署，从学习的角度理解5G CSI与传统WiFi CSI的差异变得越来越重要。本文使用统一的软件定义无线电平台，对商用5G CSI和WiFi CSI在室内定位方面的性能进行了系统的、数据驱动的比较。我们通过量化它们的时间不变性、空间变异性和统计稳健性，分析了CSI幅度、相位和能量的学习适用性。使用代表性的机器学习、深度学习和集成模型，研究了点内分类和点外回归定位任务。实验结果表明，5G CSI在基于回归的定位中表现出更好的长期特征稳定性和改进的泛化性能，而WiFi CSI在分类任务中提供了更高的短期区分能力。这些发现强调了信号特性与学习模型之间的相互作用，并为设计数据驱动的室内定位系统和基于CSI的混合感测框架提供了实际见解。

引言

全球导航卫星系统（GNSS）在室外开阔区域可以利用各种支持技术实现分米级的定位精度[1]，[2]。然而，在室内提供连续可靠的定位结果具有挑战性，主要是由于GNSS信号的相对较弱[3]，[4]。对室内定位的需求迅速增加，特别是在智能超市、交通中心、智能制造、公共安全等行业[5]。根据Global Industry Analysts, Inc.的数据[6]，即使在COVID-19危机期间，2020年全球室内定位和导航市场的规模达到了28亿美元，并预计到2027年将增长到566亿美元，增长率为53.3%。Industry ARC的另一份报告[7]显示，全球室内定位和导航市场预计到2025年将达到236亿美元。因此，室内定位在人们的生活中扮演着重要角色。

最近，超宽带、蓝牙、第五代（5G）新无线电（NR）、无线保真（WiFi）、GNSS伪卫星、摄像头、地磁学、声音和行人航位推算等技术已被开发用于室内定位[8]，[9]。不同的技术各有优缺点。然而，由于室内空间布局、拓扑结构和复杂的信号环境的限制，没有一种技术能够同时实现实时、稳定、连续和高精度的室内定位[10]。相比之下，5G和WiFi信号是室内最普遍的无线信号，且支持这两种技术的设备数量众多[11]，[12]。因此，对于这个庞大的市场来说，仍然值得广泛研究使用这两种信号的高精度室内定位方法。

使用5G或WiFi信号进行室内定位包括两种方法：几何定位和指纹定位。几何定位通过测量收发器之间的距离和方向来实现会合定位[4]。然而，它需要多个基站才能实现精确定位，因此需要额外的设备部署，并且实施成本相对较高。此外，它在室内环境中需要良好的视线条件，这在实际应用中带来了挑战[13]。相比之下，指纹定位通过特征模式匹配来估计位置坐标，这涉及离线创建特征指纹数据库和在线匹配定位[14]。研究人员对指纹定位表现出更大的兴趣，因为它对环境视线的要求较低，并且比几何定位方法提供更高的定位精度[15]。

目前，接收信号强度指示（RSSI）[16]和信道状态信息（CSI）[17]是用于5G或WiFi指纹定位的主要测量和观测指标。RSSI测量容易受到多径效应的影响，并且当室内环境发生变化时容易波动[18]，[19]。然而，CSI更准确地描述了无线信道中的信号传播数据。因此，基于CSI的室内定位比基于RSSI的方法更有希望实现高精度的室内定位性能[21]。虽然一些研究人员分别探索了基于5G NR CSI（5G CSI）和WiFi CSI的室内定位方法，但尚未进行全面的比较。考虑到不同信号机制在室内定位方面的特征、精度和稳健性的差异，有必要对5G CSI和WiFi CSI的性能进行综合分析，这对于指导下一代混合室内定位系统的设计也至关重要。

在进行了上述分析和考虑之后，本研究在典型的室内场景中启动了长期观测实验。实验使用商用5G单基站和WiFi单基站作为发射器，以及通用软件无线电外设（USRP）作为接收器。主要目标是评估这两种信号在CSI幅度、相位和直接路径能量（EDP）这三个主要特征的时间、空间和稳定性方面的差异。随后，分别通过机器学习、深度学习和集成学习算法评估了两种CSI在点内分类和点外回归定位方面的性能。本研究的贡献总结如下。

1)

对商用5G CSI和WiFi CSI进行了系统的、数据驱动的比较分析

，从时间不变性、空间变异性和统计稳健性的角度评估了它们直接路径的幅度、相位和能量。这项工作通过提供两种信号在真实世界环境中的首次全面特征级比较，填补了文献中的空白。

2)

从学习任务的角度评估了两种CSI的定位性能

，重点关注点内分类和点外回归。研究表明，5G CSI在长期特征稳定性和回归泛化方面表现更优，而WiFi CSI在分类任务的短期区分能力方面更高，为不同应用场景中的信号选择提供了实际指导。

3)

为实际部署提供了两种CSI的全面多维比较

，涵盖了更新率、数据容量、定位成本、用户隐私、访问次数和系统可扩展性等关键方面。这为设计成本效益高且可扩展的基于CSI的室内定位系统提供了有价值的参考。

4)

概述了基于CSI的室内定位面临的共同挑战

，以及有前景的研究方向，如长期特征稳定性、动态特征匹配和自动化指纹数据库构建。这为未来工作提供了明确的路线图，旨在提高基于学习的室内定位系统的稳健性和适用性。

本文的其余部分组织如下。第2节介绍了相关工作。第3节描述了本研究的动机。第4节介绍了5G和WiFi信号的帧结构和CSI获取过程。第5节比较了室内定位的幅度、相位和EDP特征。第6节比较了两种CSI在点内分类和点外回归方面的性能。第7节比较了两种CSI在室内定位的其他方面。第8节对本研究进行了总结。

相关研究

相关研究

尽管有许多研究使用WiFi CSI或模拟/新兴的5G CSI探索了室内定位，但在真实世界环境中对商用5G NR CSI和WiFi CSI进行系统比较分析的研究仍然明显不足。

动机

作为日常生活中最普遍的两种无线信号，WiFi和5G基于它们的CSI在室内定位技术领域受到了广泛关注。然而，关于这两种CSI在室内定位特征方面的全面比较分析在文献中仍然是一个明显的空白。这一空白强调了在选择实际室内定位解决方案时进行彻底研究的必要性。

目前，基于CSI的室内定位

WiFi帧结构

在电信领域，正交频分复用（OFDM）是一种在多个载波频率上编码数字数据的数字传输方案[25]，[33]。IEEE802.11n[34]是WiFi的一种OFDM标准，工作在2.4/5 GHz频段。使用高吞吐量OFDM（HT-OFDM）作为物理层技术，可以在20 MHz带宽内提供7.2 Mbps到72.2 Mbps的数据速率。此外，IEEE802.11n可以与IEEE802.11a/g协议向后兼容

室内定位特征比较

在本节中，分别比较和分析了可用于室内定位的CSI的三个特征，即幅度、相位和EDP。

为了最小化环境拓扑和硬件设施变化的影响，本研究在同一室内环境中固定基站位置的情况下，连续进行了5G CSI和WiFi CSI的观测实验，持续一个月。在国家级重点实验室的室内办公区选择了九个静止参考点

点内分类性能

为了比较5G CSI和WiFi CSI在室内定位中的点内分类性能，本研究采用了指纹方法来比较两种不同CSI在长期观测实验中的平均定位精度。具体来说，本研究使用了四种机器学习指纹算法：加权K最近邻（WKNN）、支持向量机（SVM）、随机森林（RF）和多层感知器（MLP）进行比较和分析。

室内定位其他方面的比较

除了上述特征、精度和稳定性之外，如表6所示，在基于两种CSI的实际定位应用中需要比较的重要方面还包括更新率、数据容量、成本、用户隐私、访问次数和系统可扩展性[47]。下面提供的每个方面的比较都基于图5中测量实验过程的统计结果和基于信号的分析

结论

本研究比较了5G NR CSI和WiFi CSI在室内定位中的信号特征和定位性能。现场测试使用了商用5G单基站和WiFi单基站作为发射器，USRP-B210作为接收器。发现两种信号的CSI幅度和相位在时空上都是稳定的，表明它们适用于室内指纹定位。然而，两种信号的相位特征质量较低

未引用的参考文献

[20]

CRediT作者贡献声明

阮彦琳：撰写——原始草稿、验证、软件、方法论、概念化。周欣：撰写——审阅与编辑。刘兆亮：验证。刘晓燕：可视化。陈瑞志：资源、项目管理。陈亮：撰写——审阅与编辑、监督、方法论、调查、资金获取。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢

本研究部分得到了湖北省教育科技计划项目（项目编号B2024125）的支持；部分得到了湖北省重点研发计划（项目编号2025BAB023）的支持；部分得到了江苏省重大科技项目（项目编号BG2024003）的支持；部分得到了广东省科技项目（项目编号未提供）的支持；

阮彦琳分别于2016年和2023年在武汉大学获得了控制理论与控制工程硕士学位和通信与信息系统博士学位。他目前是湖北师范大学电气工程与自动化学院的讲师，研究兴趣主要包括室内定位和无线传感、信号处理以及机器学习。