⚡ electrical engineering

Joint single-shot ToA and DoA estimation for VAA-based BLE ranging with phase ambiguity: A deep learning-based approach

本文提出了一种基于深度学习的框架，通过解决单次蓝牙低功耗信道响应中的相位模糊问题，以实现在尺寸受限设备上利用虚拟天线阵列进行到达时刻与到达方向的联合估计。

原作者： Jincheng Xie, Yili Deng, Jiguang He, Pengyu Wang, Miaomiao Dong, Rui Tang, Zhongyi Huang

发布于 2026-02-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Jincheng Xie, Yili Deng, Jiguang He, Pengyu Wang, Miaomiao Dong, Rui Tang, Zhongyi Huang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：用单天线寻找“位置”与“距离”

想象一下，你正试图在漆黑且充满雾气的房间里，仅凭一只手电筒来定位一位朋友。你想知道两件事：

他们离你有多远？（到达时间 / ToA）
他们站在哪个方向？（到达方向 / DoA）

通常，为了准确做到这一点，你需要一整面天线墙（就像一个巨大的雷达盘）来获取清晰的 3D 图像。但蓝牙设备（比如你的手机）体积小、成本低；它们只有一个微小的天线。

这篇论文展示了一个聪明的技巧，让这个单天线表现得像一整面天线墙一样，同时还解决了通常会破坏测量结果的一个令人困惑的“镜像”问题。

问题所在：“双向”镜面与“翻转”

1. 虚拟天线阵列（移动的手电筒）
由于手机只有一个天线，作者利用手机的移动来创建一个“虚拟天线阵列”（VAA）。

类比： 想象你在走廊里一边走一边拿着手电筒。尽管你只有一个光源，但通过在行走路径上的不同位置捕捉快照，你可以通过数学手段将它们缝合在一起，从而假装你拥有一排长长的灯光。这让你能够确定信号的方向。

2. 蓝牙缺陷（双向信号）
蓝牙设备不仅发送信号，还会发出信号并监听回声（一次“双向”旅程）。这很好，因为它抵消了两个设备之间的计时误差。

缺陷： 然而，当数学运算试图将这种“往返”信号转换回“单向”信号以计算距离时，它遇到了障碍。这就像是在照镜子时试图通过照片来猜测人的朝向。数学会给出两种可能性：信号要么是“正向”的，要么是“负向”的（二元歧义性）。
结果： 如果不解决这个问题，计算机就会产生混乱。它可能会认为人的站立方向错误，或者距离计算错误。

解决方案：“双重侦探”与“投票站”

作者构建了一个深度学习系统（一种人工智能）来解决这种困惑。他们并没有直接使用一个庞大的 AI 来处理问题，而是将其分解为团队协作。

1. 两名侦探（行预测器与列预测器）
数据以网格形式呈现（就像带有行和列的电子表格）。

侦探 A（行向）： 观察数据在“空间”方向（即你行走的路径）上的变化。
侦探 B（列向）： 观察数据在“频率”方向（即不同的无线电信道）上的变化。
类比： 想象你在尝试解一道数独题。侦探 A 检查每一行中的数字是否合理；侦探 B 检查每一列中的数字是否合理。

2. 投票站（神经投票策略）
有时侦探 A 是正确的，有时侦探 B 是正确的。有时你走的路径是歪歪扭扭的（非均匀路径），这会让侦探 A 的工作变得更加困难。

解决方法： 系统使用了一种投票机制。它询问两名侦探的意见，判断某一段特定数据应该是“正向”还是“负向”。
规则： 如果大多数“选票”投给“正向”，系统就会锁定该结果。因为“空间”侦探（观察你行走路径的那位）通常更可靠，所以系统会赋予其更高的权重。
结果： 这消除了“镜像”带来的困惑。AI 成功地重建了真实的、清晰的信号。

3. 最终计算（MUSIC）
一旦 AI 修复了“翻转”问题，系统就可以使用一种经典的、高精度的数学工具——MUSIC。

类比： 现在雾气已经散去，镜面也被修复，系统可以使用一个超锐利的镜头来精确锁定信号的来源及其距离。

结果：优于竞争对手

作者在模拟环境中（一个带有墙壁和障碍物的虚拟房间）进行了测试。

测试： 他们将这种新的“AI + 投票”方法与传统的尝试在没有 AI 辅助下猜测方向的方法，以及假设行走路径是完美直线（这在现实中很少见）的方法进行了对比。
胜出者： 他们的方案是明显的赢家。
- 即使在行走路径杂乱且不规则的情况下，它依然有效。
- 它在寻找距离和方向方面更加准确。
- 它的表现非常出色，几乎达到了理论上的完美极限（即克拉美-罗界 / Cramér–Rao bound）。

总结

简而言之，这篇论文教会了蓝牙设备如何利用其移动来创造一个巨大的天线，并使用一套智能 AI 投票系统来修复通常会在“镜像”中出现的混淆错误。其结果是，即使仅凭一个微小的单天线，该设备也能准确告诉你某个物体的位置和距离。

技术摘要：基于虚拟天线阵列（VAA）且解决相位模糊性的 BLE 单次单脉冲 ToA 与 DoA 联合估计

1. 问题陈述

准确的到达角（DoA）和到达时间（ToA）估计对于无线定位至关重要。虽然经典的超分辨率方法（如 MUSIC）在物理多天线阵列上表现出色，但对于尺寸和成本受限的蓝牙低功耗（BLE）设备而言，这些方法往往难以实现。虚拟天线阵列（VAA）技术提供了一种解决方案，通过从沿接收机轨迹采集的单天线测量值中合成空间多样性。

然而，将 VAA 应用于 BLE 测距面临两个主要挑战：

双向信道频率响应（CFR）的局限性： BLE 测距通常构建双向 CFR，通过哈达玛积（Hadamard product）来抵消本地振荡器（LO）和同步偏差。虽然这消除了相位偏移，但也加剧了多径效应并降低了信噪比（SNR）。
二进制相位模糊： 从双向 CFR 恢复单向 CFR 需要进行逐元素平方根运算。这引入了一个二进制的 $\{ \pm 1 \}$ 相位模糊，如果无法解决，将严重降低 ToA 和 DoA 的估计性能。
非均匀几何结构： 与均匀线性阵列不同，由用户轨迹形成的 VAA 通常具有不规则的几何结构，这使得传统的阵列信号处理变得复杂，并导致现有的歧义解决启发式算法（为均匀阵列设计）失效。

现有方法通常假设存在多个快照或均匀阵列结构，且未能解决 BLE 单次测量中的特定约束以及平方根恢复过程中固有的二进制模糊问题。

2. 方法论

作者提出了一个统一框架，该框架将 VAA 建模与 BLE 双向 CFR 处理相结合，并配合基于深度学习的相位恢复机制。

系统模型

系统考虑了一个单输入单输出（SISO）多载波 BLE 场景，其中用户设备（UE）沿轨迹移动以形成 VAA。

信号模型： 接收信号被建模为多径分量的总和，其中信道系数包括幅度、初始相位以及取决于 UE 位移（ $d_n$ ）和方向（ $\phi_n$ ）的空间相位偏移。
双向 CFR 构建： 为了抵消 LO 相位，系统通过对前向（ $Y^{(R)}$ ）和反向（ $Y^{(I)}$ ）信道响应进行哈达玛积来构建双向 CFR ( $\hat{Y}$ )。该操作抵消了 LO 相位矩阵 $\Phi$ ，但引入了平方项信道和噪声。
引入模糊性： 单向 CFR 通过 $(\hat{Y})^{1/2} = Y \circ N$ 进行恢复，其中 $N$ 是一个元素为 $\{1, -1\}$ 的二进制矩阵，代表未知的相位模糊。

基于深度学习的相位恢复

为了解决二进制模糊矩阵 $N$ ，论文提出了一种带有投票机制的双神经网络算法：

双预测器： 采用了两种 U-Net 架构：
- 一个行向网络（ $f_{row}$ ）沿空间维度（天线位置）预测符号。
- 一个列向网络（ $f_{col}$ ）沿频率维度（子载波）预测符号。
- 这两个网络都输出相对于其各自行或列第一个元素的符号一致性的概率。
训练： 网络使用监督学习进行训练，损失函数为交叉熵损失，标签来源于模拟数据中已知的符号关系。
投票机制：
- 由于 VAA 轨迹是随机的，而子载波间隔是固定的，实验发现行向预测器更为可靠。
- 算法强制执行与行向预测的一致性。
- 对于每一行 $n$ ，通过使用多数投票法聚合所有列的候选估计值来确定第一个元素的符号（ $N_{n,1}$ ）。
- 一旦确定了每一行的第一个元素，即可利用行向预测重建整个模糊矩阵 $N$ 。

参数估计

一旦恢复了模糊矩阵 $N$ ，即可获得修正后的单向 CFR ( $\tilde{Y}$ )。随后应用二维 MUSIC 算法，通过计算伪谱并识别峰值来估计 ToA 和 DoA。

3. 核心贡献

统一的 VAA-BLE 模型： 本文建立了一个统一的信号模型，该模型结合了 VAA 空间多样性与 BLE 双向 CFR 构建，明确考虑了在单向 CFR 恢复过程中引入的二进制相位模糊。
神经投票框架： 提出了一种新型深度学习方法，将模糊解决任务分解为行向和列向预测，并通过投票机制将两者融合，从而稳健地处理非均匀阵列几何结构。
单次测量能力： 所提出的方法能够从单次测量中实现联合 ToA 和 DoA 估计，解决了以往依赖多个快照的方法的局限性。
非均匀性下的性能： 该方法专门设计用于在不规则 VAA 几何结构下有效运行，而在这些结构下传统的连续性方法会失效。

4. 仿真结果

作者在 2D 场景（40m $\times$ 40m）中评估了该方法，其中 UE 沿轨迹移动以形成包含 $N=16$ 个元素和 $M=80$ 个子载波的 VAA。信道包含 1 条视距（LoS）路径和 1–3 条非视距（NLoS）路径。

对比实验： 将所提方法与以下方法进行了比较：
1. 双向 CFR MUSIC（未进行模糊消除）。
2. 基于相位连续性的模糊消除方法（为均匀阵列设计）。
3. 理论克拉美-罗下界（CRLB）。
性能指标： 不同 SNR 下 DoA 和 ToA 估计的均方误差（MSE）。
结论：
- 所提方法在所有 SNR 水平下均显著优于上述基准方法。
- 相位连续性方法在非均匀几何结构下完全失效，导致巨大的估计误差。
- 所提估计器的 MSE 在 SNR $\geq 5$ dB 时非常接近 CRLB，展示了统计效率。
- 该方法实现了卓越的 ToA 和 DoA 精度，特别是在低到中等 SNR 范围内。

5. 重要性与主张

论文声称，通过将 VAA 建模与学习辅助的神经投票策略相结合，可以解决 BLE 双向 CFR 恢复中固有的二进制相位模糊。这使得在资源受限的单天线 BLE 设备上应用 MUSIC 等超分辨率算法成为可能。作者断言，其方法提供了一种高保真度的低成本替代方案，可以取代物理多天线阵列，即使在存在多径和非均匀天线几何结构的情况下，也能实现接近最优的估计精度。