⚡ electrical engineering

RIS Nearfield Position and Velocity Estimation Using a Validated Propagation Model

本文针对非视距室内场景，提出了一种基于验证传播模型的改进多步估计算法，有效解决了近场 RIS 定位中远场假设不鲁棒及天线方向图影响问题，实现了毫米级位置与高精度速度估计。

原作者： Thomas Zemen, Musa Furkan Keskin, Moustafa Rahal, Thomas Wilding, Hamed Radpour, Markus Hofer, Benoit Denis, Henk Wymeersch

发布于 2026-02-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Thomas Zemen, Musa Furkan Keskin, Moustafa Rahal, Thomas Wilding, Hamed Radpour, Markus Hofer, Benoit Denis, Henk Wymeersch

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

这篇论文讲述了一项关于如何利用智能“魔法镜子”来精准定位和追踪移动物体的研究。

为了让你更容易理解，我们可以把这项技术想象成在一个伸手不见五指的黑暗房间里，试图找到并追踪一个正在走动的人。

1. 核心角色：智能反射面 (RIS)

想象一下，房间里有一面巨大的、由成千上万个微小镜片组成的智能镜子（这就是论文中的 RIS，可重构智能表面）。

传统情况：如果房间里有一堵墙挡住了你和你的手电筒（基站），你就看不见人，也测不出他在哪。
RIS 的作用：这面智能镜子可以像变魔术一样，调整每个微小镜片的角度，把手电筒的光“反射”到墙上，再精准地“弹”到那个移动的人身上，最后把光反射回你的眼睛。这样，即使没有直接视线（NLOS），你也能“看”到他。

2. 挑战：近场效应 (Near-field)

以前的算法就像是用望远镜看远处的星星。它们假设光线是平行的（远场假设），这在距离镜子很远的地方很准。

问题：当人离镜子很近（比如只有 2 米）时，光线不再是平行的，而是像从喷泉中心向四周散开的水花（球面波）。这时候，如果用老式的“望远镜算法”去猜人的位置，就会猜错，就像用看星星的方法去猜一只停在鼻尖上的苍蝇，误差会非常大。
论文的贡献：作者发现，在近距离下，必须换一种算法，要考虑到光线是“散开”的，而不是平行的。他们提出了一种更稳健的“三步走”策略来修正这个错误。

3. 解决方案：三步走定位法

作者设计了一个像侦探破案一样的流程：

第一步：粗略搜索（网格搜索）
- 旧方法：先猜个大概方向，再猜距离。在近距离下，这就像在黑暗中盲目乱撞，容易撞墙。
- 新方法：作者让算法在三维空间里（上下、左右、远近）同时进行搜索，就像拿着手电筒在房间里全方位地扫视，而不是只盯着一个方向。这大大减少了初始的误判。
第二步：精细修正（公式计算）
- 在有了大概位置后，利用数学公式快速微调。这就像侦探根据脚印的深浅和方向，迅速推断出嫌疑人的具体落脚点。
第三步：终极优化（梯度下降）
- 最后，算法会像下山一样，一步步沿着最陡的坡度走，直到找到误差最小的那个点（最准确的位置）。

4. 现实中的干扰：天线图案

论文还发现了一个有趣的细节：

就像手电筒的光不是均匀分布的（中间亮，边缘暗），智能镜子的每个小镜片反射信号的能力也不一样。
如果忽略这种“明暗不均”（天线图案），定位就会稍微变差。作者把这种现实因素也考虑进了模型，虽然这会让误差稍微增加一点点，但算法依然非常精准。

5. 结果有多好？

在距离镜子中心 2 米 的地方（典型的室内场景）：

位置误差：只有 7 毫米！这大概就是一根手指的宽度。
速度误差：只有 0.12 米/秒。这非常精准，连人走路是快是慢都能测出来。

总结

这项研究就像给智能镜子装上了一副特制的“近场眼镜”。它解决了在近距离下，智能镜子无法精准定位移动物体的难题。

应用场景：想象一下未来的智能工厂。机器人在复杂的车间里穿梭，中间可能有高大的货架挡住视线。有了这项技术，工厂里的智能镜子就能实时、精准地知道每个机器人的位置和速度，确保它们不会撞车，让自动化生产更加安全、高效。

简单来说，就是让智能镜子在近距离下也能像鹰眼一样，精准锁定移动目标。

这是一份关于论文《RIS Nearfield Position and Velocity Estimation Using a Validated Propagation Model》（基于验证传播模型的 RIS 近场位置与速度估计）的详细技术总结。

1. 研究背景与问题 (Problem)

应用场景：针对非视距（NLOS）室内场景（如工业自动化和控制），利用可重构智能表面（RIS）辅助基站（BS）对移动用户设备（UE）进行位置和速度估计。
核心挑战：
- 近场效应：在短距离内，RIS 的波前曲率显著，传统的远场（Far-Field, FF）假设不再适用，导致定位误差增大。
- 现有算法局限性：之前的研究（如文献 [4]）提出的多步估计算法，其初始步骤采用“远场假设下的网格搜索（Grid Search, GS）”结合“线搜索”来估计距离。论文指出，这种基于远场假设的初始步骤在 RIS 中心距离较近时（即近场区域）不够鲁棒，会导致较大的距离估计误差。
- 天线方向图影响：实际传播模型中，基站、RIS 单元和 UE 的天线方向图（Antenna Patterns）会引入信号衰减和相位变化，若忽略这些因素会进一步增加估计误差。

2. 方法论 (Methodology)

论文提出并验证了一种改进的基于快照的多步估计算法，结合了经过实证验证的数值传播模型。

系统模型：
- 包含一个 BS、一个由 4 个 RIS 面板组成的复合 RIS（共 508 个单元）和一个移动 UE。
- 采用 23.8 GHz 毫米波频段，RIS 单元为 1-bit 相位控制。
- 使用经过实验验证的数值传播模型（参考文献 [6]-[8]），该模型包含了天线方向图、RIS 单元尺寸及几何配置。
信号模型简化：
- 在保持物理正确性的前提下，对接收信号模型进行了简化，将距离项合并，并假设在短时间间隔内信号幅度恒定，主要关注相位变化。
- 构建了包含位置 $p$ 和速度 $v$ 的似然函数，目标是最小化投影误差（Maximum Likelihood Estimation, MLE）。
改进的三步估计算法：
1. 改进的初始网格搜索 (Robust Near-Field GS)：
  - 原方法：使用远场假设进行方位角/俯仰角的 2D 搜索，再搜索距离。
  - 改进：直接采用近场（Near-Field, NF）表达式进行3D 网格搜索（同时搜索方位角、俯仰角和距离）。这解决了短距离下远场假设失效导致的误差传播问题。
2. 闭式解细化 (Closed-Form Refinement)：
  - 利用线性化技术，基于当前的位置和速度估计值，通过闭式解（Closed-Form, CF）计算位移量 $\Delta p$ 和速度偏移量 $\Delta v$ ，对初始估计进行迭代更新。
3. 6D 梯度下降搜索 (6D Gradient Descent)：
  - 以细化后的结果为初值，执行 6 维（3 维位置 +3 维速度）梯度下降搜索，以最小化最大似然估计代价函数，获得最终的高精度估计。

3. 关键贡献 (Key Contributions)

算法鲁棒性提升：证明了基于远场假设的初始网格搜索在近场（短距离）下表现不佳，并提出并分析了一种基于近场模型的 3D 网格搜索替代方案，显著提高了初始估计的准确性。
真实传播模型验证：首次在一个包含天线方向图（BS、RIS 单元、UE）的复合 RIS 结构（4 个面板，508 单元）上，利用经过实证验证的数值传播模型进行了位置和速度估计的仿真评估。
误差分析：量化了天线方向图对估计误差的影响，并展示了改进算法在不同距离下的性能表现。

4. 实验结果 (Results)

仿真设置：
- 兴趣区域（AOI）：3m × 3m 的二维区域。
- RIS 配置：4 个面板拼接，总单元数 $M=508$ ，瑞利距离（Fraunhofer distance）约为 16.3m，覆盖典型的室内近场场景。
- 蒙特卡洛模拟：250 次运行，评估均方根位置误差（RMSPE）和均方根速度误差（RMSVE）。
性能指标：
- 在距离 RIS 中心 2 米 处：
  - 位置误差：达到 7 mm。
  - 速度误差：达到 0.12 m/s。
对比分析：
- 近场 vs 远场：在距离小于 2 米时，改进的近场网格搜索（GS NF）比远场假设搜索（GS FF）误差显著更小。
- 细化步骤：闭式解（CF）和 6D 梯度下降步骤能进一步将误差降低至毫米级。
- 天线方向图影响：当忽略天线方向图（设为全向）时，误差较小；但在包含真实天线方向图的情况下，误差略有增加，但仍在工业应用可接受范围内。
- 距离依赖性：随着距离 RIS 中心距离的增加，误差逐渐增大（由于近场效应减弱和信号衰减），但在 1.2 米至 2.5 米范围内表现稳定。

5. 意义与结论 (Significance)

理论价值：修正了现有 RIS 定位算法在近场区域的理论缺陷，证明了在短距离下必须采用近场模型而非远场近似。
应用价值：
- 证明了 RIS 在工业自动化和控制的 NLOS 室内场景中，能够提供毫米级的位置精度和厘米/秒级的速度精度。
- 提出的算法流程（3D NF GS -> CF Refinement -> 6D GD）为实际部署提供了可行的技术路径。
实际意义：即使在考虑了复杂的天线方向图和真实传播环境的情况下，该方案依然保持了高精度，表明 RIS 辅助的定位技术在下一代（6G）工业物联网中具有巨大的应用潜力。

总结：该论文通过引入近场网格搜索和结合真实天线模型的数值仿真，成功解决了 RIS 在近场 NLOS 场景下的高精度定位难题，将位置估计误差控制在 7mm 以内，为 RIS 在工业定位中的应用奠定了坚实基础。