arXiv cs.AI· Yaya Etiabi, Wessam Ajib, Halima Elbiaze·· 10 小时前AI 评分23
SCFT：面向毫米波定位与无线电 SLAM 的多径参数联合估计 Transformer
Spectral-Convolutional Factorized Transformer for Joint Multipath Parameter Estimation: Applications to mmWave Positioning and Radio SLAM
AI 导读
研究者提出 Spectral-Convolutional Factorized Transformer（SCFT），从含噪复信道估计与物理波束对描述中联合估计多径分量的时延、AoA 与 AoD，并区分视距与非视距路径。
正文 · AI 翻译
摘要：未来的 6G 无线网络预计将演进为 AI 原生系统，支持包括定位与建图在内的智能、环境感知服务。当前研究已将 AI 集成到通信的多个方面，尤其是无线信道估计。然而，大多数基于学习的信道估计器关注面向通信的目标，而非显式估计多径参数，如时延、到达角（AoA）和离开角（AoD）。这些参数为定位和无线电同时定位与建图（SLAM）等下游任务提供了关键的几何信息。在本工作中，我们提出了一种频谱-卷积因子化 Transformer（SCFT），用于从含噪复信道估计和物理波束对描述符中联合估计多径分量（MPC）。SCFT 结合了局部频谱卷积、置换等变波束集注意力和基于查询的 Transformer 解码器，以检测和分类视距与非视距路径，并估计其观测时延、AoA 和 AoD。在真实射线追踪数据上的实验表明，与最强的竞争基线 ResNet 相比，SCFT 将广义最优子模式分配误差降低了 13.1%。我们进一步在独立快照定位和无线电 SLAM 中展示了这一优势，相对于 ResNet，SCFT 分别将位置 RMSE 降低了 18.5% 和 65.0%。这些发现凸显了显式恢复多径几何的重要性，因为 MPC 估计的改进可以转化为下游任务的大幅增益。
| 学科： | 信号处理（eess.SP）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.01491 [eess.SP] |
| （或本版本使用 arXiv:2611.01491v2 [eess.SP]） | |
| https://doi.org/10.48550/arXiv.2611.01491 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yaya Etiabi [查看邮箱]
[v1]
2026 年 11 月 1 日周日 03:23:27 UTC（1,504 KB）
[v2]
2026 年 11 月 10 日周二 05:28:19 UTC（1,466 KB）
来源：arXiv cs.AI · arxiv.org