SPOT: Single-Shot Positioning via Trainable Near-Field Rainbow Beamforming

本文提出了一种基于端到端深度学习的 SPOT 方案，通过联合优化相移器和真时延系数来生成任务导向的彩虹波束，仅需单次下行传输即可实现高精度的用户二维定位，显著降低了系统开销并提升了定位精度。

要点

这篇论文介绍了一种名为 SPOT 的新颖技术，它能让基站（比如 5G 或未来的 6G 信号塔）像变魔术一样，只用一次“闪光”，就能精准地知道周围所有人在哪里（既知道方向，也知道距离）。

为了让你更容易理解，我们可以把整个过程想象成在一个巨大的、黑暗的舞厅里找人。

1. 传统方法的烦恼：拿着手电筒一个个照

在以前的技术中，基站想找人，就像一个人拿着手电筒在黑暗的舞厅里找人：

• 先照左边：问“有人吗？”（得到角度）。
• 再照右边：问“有人吗？”（得到角度）。
• 然后还得测距离：可能需要再发几次信号，或者让人大声喊回来，才能知道人离得有多远。
• 缺点：这就像玩“捉迷藏”时，你要一个个房间去敲门，既慢又累，而且如果人很多，信号塔会忙得不可开交，浪费大量时间和电力。

2. SPOT 的魔法：彩虹手电筒

这篇论文提出的 SPOT 方案，给基站装了一个神奇的"彩虹手电筒"（学术上叫“相时阵列”或 PTA）。

• 什么是彩虹光束？
  普通手电筒发出的光是白色的，照向一个方向。而 SPOT 的“彩虹光束”非常神奇：不同颜色的光（对应不同的频率）会射向不同的方向，而且还能聚焦在不同的距离上。
  • 想象一下，你打开手电筒，红色的光射向左边 10 米处的墙，蓝色的光射向右边 50 米处的墙，绿色的光射向正前方 20 米处。
  • 这就好比基站同时向整个舞厅发射了一张巨大的、覆盖所有角度的“光网”。

3. 核心创新：让手电筒自己“学会”怎么照

以前的彩虹手电筒，怎么调颜色、怎么射向哪里，是工程师根据公式死板计算出来的（就像按说明书组装玩具）。

但 SPOT 的厉害之处在于，它用人工智能（深度学习）来教这个手电筒：

• 训练过程：我们告诉 AI 系统：“你的目标是让人一眼就能被找到，而且越准越好。”
• 自我进化：AI 会不断调整手电筒里成千上万个微小的“旋钮”（相位和延时器），直到它发现一种最完美的照射模式。这种模式不是固定的，而是专门为了“找人”这个任务量身定制的。
• 结果：生成的光束不再是死板的，而是像有生命一样，能根据环境自动优化，确保无论人站在哪里，都能被最清晰地“点亮”。

4. 如何定位？只需“报个号”

这是 SPOT 最省力的地方：

1. 基站发射：基站只发射一次这种神奇的彩虹光信号。
2. 用户接收：每个人（用户）被光“照”到后，不需要大喊大叫，也不需要发回复杂的信号。他们只需要做两件事：
   • 看看哪一束光（哪个颜色/频率）照得自己最亮。
   • 看看自己有多亮（接收到的功率）。
3. 极简反馈：用户只需要告诉基站：“我是第 105 号颜色，亮度是 8 分。”（这就相当于只报了两个简单的数字）。
4. 基站猜位置：基站收到这两个数字，结合它刚才发射的光束模式，立刻就能算出：“哦，第 105 号颜色对应的是左边 30 度，亮度 8 分对应的是距离 50 米。” 定位完成！

5. 为什么它这么牛？

• 快（单发即达）：以前可能需要照 10 次、20 次才能定位，SPOT 只需要1 次。就像以前要一个个房间敲门，现在只要开一次“彩虹灯”，所有人同时举手。
• 省（极简反馈）：以前用户要发回一大堆数据（像发一张照片），现在只需要发两个数字（像发个表情符号）。这大大节省了网络流量和电量。
• 准（越远越稳）：传统方法在距离远的时候容易“晕头转向”，误差变大。SPOT 因为是用 AI 专门训练过的，即使在很远的地方（比如 300 米外），也能保持很高的精度。

总结

简单来说，SPOT 就是给基站装了一个“会思考的彩虹手电筒”。它不再笨拙地一个个找人，而是通过一次完美的“彩虹闪光”，让每个人只需报个简单的“编号和亮度”，基站就能瞬间知道所有人的位置。

这项技术不仅让定位更快、更准，还极大地节省了通信资源，是未来 6G 网络实现“万物互联、精准感知”的关键一步。

技术摘要

以下是基于论文《SPOT: Single-Shot Positioning via Trainable Near-Field Rainbow Beamforming》的详细技术总结：

1. 研究背景与问题 (Problem)

• 背景：通感一体化（ISAC）是 6G 的关键技术，利用通信波形（如 OFDM）进行用户定位。在宽带系统中，**相位 - 时间阵列（PTA）**通过结合移相器（PS）和真时延（TTD），能够生成频率相关的“彩虹波束”（Rainbow Beam），即不同子载波指向不同空间方向，从而实现快速扫描。
• 现有挑战：
  1. 开销大：现有的基于 PTA 的定位方案（如 CBS、ConvNeXt 等）通常需要多次下行传输（多轮波束扫描）和大量的用户反馈（如反馈完整的接收信号向量或多次子载波索引），导致系统信令开销巨大。
  2. 近场定位精度受限：在近距离（近场）区域，球面波效应显著。现有方法多依赖启发式设计的波束，难以在宽距离范围内同时保持角度和距离的高分辨率映射，且容易受误差传播影响（如先估角度再估距离的两步法）。
  3. 资源浪费：传统波束设计往往覆盖过宽的角度范围（如 -90°到 90°），而实际用户分布较窄，造成资源浪费。

2. 核心方法论 (Methodology)

论文提出了一种名为 SPOT（Single-Shot Positioning with Trainable near-field rainbow beamforming）的端到端深度学习定位方案。

• 系统架构：

  • 发射端：基站（BS）配备 PTA 架构，通过可学习的移相器（PS）和真时延（TTD）系数，生成一次性的下行宽带彩虹波束。
  • 接收与反馈：用户接收信号后，仅计算接收功率谱，找出最大功率对应的子载波索引，并反馈量化后的最大功率值和该子载波索引。仅需单次下行传输和一次上行反馈。
  • 估计端：基站利用一个轻量级的全连接神经网络（DNN），根据反馈的两个标量值直接回归出用户的二维坐标（角度 $\phi$ 和距离 $r$）。

• 关键技术点：

  1. 可训练波束形成（Trainable Beamforming）：
     • 不同于传统启发式设计，SPOT 将 PS 和 TTD 的系数作为神经网络的可训练参数。
     • 通过端到端训练，网络自动合成针对定位任务优化的波束，使其在角度和距离维度上形成最优的映射关系。
  2. 可微分子载波选择：
     • 为了在训练过程中实现梯度反向传播，使用温度缩放 Softmax（Temperature-scaled Softmax）替代不可微的 arg max 操作，以平滑地选择最佳子载波索引。
  3. 轻量级估计网络：
     • 仅使用 4 层全连接层，输入为（功率，子载波索引），输出为（角度，距离）。通过激活函数（Tanh, Softplus）约束输出范围，确保物理合理性。
  4. 联合优化：
     • 波束生成模块（Module 1）和位置估计模块（Module 2）联合训练，最小化二维定位均方根误差（RMSE）。

3. 主要贡献 (Key Contributions)

1. 单次射击定位（Single-Shot）：实现了仅需一次下行波束传输和一次极简反馈（仅 2 个标量值）即可完成近场 2D 定位，显著降低了信令开销。
2. 任务导向的波束设计：首次将 PTA 的硬件参数（PS/TTD）作为可学习变量引入深度学习框架，生成了专为定位优化的“任务型彩虹波束”，而非通用的扫描波束。
3. 性能与效率的平衡：在大幅降低计算复杂度和反馈数据量的同时，实现了比现有最先进方案更低的定位误差。
4. 鲁棒性：方案在不同用户距离分布（5m-300m）下均表现出优异的鲁棒性，特别是在远距离场景下优势明显。

4. 实验结果 (Results)

• 定位精度：
  • 在 5m-300m 的测试范围内，SPOT 的 2D 定位 RMSE 显著低于 CBS、ConvNeXt、距离依赖型 CBS 和 RaiNet 等基准方案。
  • 与固定波束（CBS）+ 训练估计器相比，联合训练（SPOT）将平均 2D RMSE 降低了约 40.9%。
  • 与 RaiNet 相比，在仅反馈功率和索引的情况下，SPOT 的 RMSE 降低了约 39.5%。
• 开销与复杂度：
  • 反馈开销：SPOT 每个用户仅需反馈约 19 bits（11 位子载波索引 + 8 位量化功率），而 RaiNet 需反馈 50,688 bits（完整功率向量），CBS 需 2 轮反馈。SPOT 的反馈开销比 RaiNet 降低了 3 个数量级。
  • 计算复杂度：SPOT 的推理复杂度仅为 0.035 M FLOPs，而 RaiNet 为 19.37 M FLOPs，降低了约 30 倍。
• 量化影响：即使在 8 位量化反馈下，SPOT 的性能也几乎与无量化反馈相当，且优于固定波束方案。

5. 意义与价值 (Significance)

• 架构创新：证明了在 ISAC 系统中，将硬件控制参数（PS/TTD）与 AI 算法深度融合（End-to-End Learning）的可行性，为未来 6G 智能超表面和智能阵列设计提供了新范式。
• 实用性强：极大地解决了宽带 ISAC 系统中定位信令开销过大的痛点，使得在资源受限场景下（如大规模用户接入、低时延要求）进行高精度近场定位成为可能。
• 泛化能力：提出的方法能够自适应不同距离分布，生成的波束具有“空间编码”特性（子载波索引编码角度，功率编码距离），为宽带定位系统设计提供了新的理论依据。

总结：SPOT 方案通过深度学习的端到端优化，重新定义了 PTA 波束设计，以极低的通信和计算代价实现了高精度的近场定位，是通感一体化技术向实用化迈进的重要一步。