⚡ electrical engineering

In-Tunnel Single-Anchor Localization Exploiting Near-Field and Radio-Reflective Road Markings

本文提出了一种名为 JAVELIN 的单锚点定位框架，通过结合近场传播模型、自适应处理算法及被动式无线电反射路面标记，实现了在 GNSS 拒止隧道环境中无需先验知识的鲁棒高精度车辆定位。

原作者： Lorenzo Italiano, Mattia Brambilla, Monica Nicoli

发布于 2026-04-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Lorenzo Italiano, Mattia Brambilla, Monica Nicoli

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

这篇文章介绍了一种让汽车在没有 GPS 信号（比如隧道里）也能精准知道自己位置的新方法。

想象一下，你开车进了一条长长的隧道，手机导航突然说“信号丢失”，你就像一只在黑暗迷宫里乱撞的蚂蚁，完全不知道自己在哪。这篇文章就是为了解决这个“迷路”问题而设计的。

以下是用通俗语言和比喻对这篇论文核心内容的解读：

1. 核心难题：隧道里的“盲人摸象”

在隧道里，卫星信号被挡住了。以前的方法通常需要安装很多个像“灯塔”一样的基站（锚点），或者依赖昂贵的地图数据。但这就像为了在房间里找东西，非要装几十个摄像头，既贵又不现实。

这篇文章提出的方案是：只需要一个“灯塔”（一个基站），就能让车知道自己在哪。

2. 两大“超能力”：近场效应与“反光路标”

为了让这一个基站变聪明，作者用了两个关键技巧：

A. 近场效应（Near-Field）：从“看方向”到“看距离”

传统做法（远场）： 就像你在远处看一个人，你只能大概知道他在你的“左边”还是“右边”（角度），但不知道他具体离你多远。
新方法（近场）： 当信号源离得比较近，或者天线阵列很大时，无线电波不再是平行的直线，而是像水波一样呈弧形扩散。
比喻： 想象你在海边，如果海浪是平行的（远场），你只能知道浪从哪个方向来；但如果浪是呈扇形拍向你的（近场），你不仅能知道方向，还能通过波浪弯曲的程度，精准算出浪是从哪块礁石上反弹回来的，以及那块礁石离你有多远。
论文贡献： 作者首先算出了一个“安全界限”。如果天线阵列太大，这个“弧形波浪”的模型就会失效。他们就像给建筑师画了一张图纸，告诉你在隧道里装多大的天线阵列，才能确保这种“看弯曲度测距离”的方法是准确的。

B. 无线电反光路标（RRMs）：给隧道穿上“夜光衣”

问题： 隧道里如果只有墙壁反射，信号可能会乱跑，导致定位不准。
解决方案： 作者建议在隧道里贴一些特殊的“反光路标”（就像马路上的反光漆，但它是反射无线电波的）。
比喻： 这就像在黑暗的隧道里，给墙壁贴上了夜光贴纸。当汽车的“灯塔”（基站）发出信号，信号碰到这些贴纸会反弹回来。因为贴纸的位置是固定的，汽车就能通过这些“回声”更精准地判断自己相对于贴纸的位置。
优势： 这些路标是被动的（不需要电，不需要联网），便宜又好用，就像给隧道里的车装上了隐形的“路标”。

3. 主角登场：JAVELIN 系统

作者给这套系统起了个名字叫 JAVELIN（标枪）。你可以把它想象成一个超级聪明的导航大脑，它的工作流程是这样的：

听回声（参数提取）： 它接收从墙壁和“反光路标”反弹回来的信号，分析这些信号的角度、时间差和弯曲度。
猜谜游戏（数据关联）： 它需要判断哪个回声是来自墙壁，哪个是来自路标，哪个是干扰。它像一个经验丰富的侦探，用数学方法（卡尔曼滤波）把正确的线索拼凑起来。
动态追踪（持续定位）： 车在动，环境在变。JAVELIN 不是一次性算完就结束，而是像玩“接龙”游戏一样，根据上一秒的位置预测下一秒的位置，不断修正误差。即使信号偶尔断一下，它也能靠“惯性”猜个大概，等信号回来再修正。

4. 实验结果：比“老方法”更准

作者在计算机里模拟了一个真实的隧道场景，让虚拟汽车在里面跑：

有“反光路标”时： 定位精度达到了厘米级（就像你能精确知道车在车道的哪条线上）。
没有“反光路标”时： 精度会下降，但依然比现有的其他单基站方法要好。
对比： 以前的方法在隧道里（特别是没有直线视线时）误差可能达到几米甚至更多，而 JAVELIN 能把误差控制在非常小的范围内。

总结

这篇论文就像是在说：

“别担心隧道里没 GPS！只要我们在隧道里装一个聪明的‘大耳朵’（基站），再贴点便宜的‘无线电反光条’（路标），汽车就能利用无线电波的‘弯曲形状’和‘回声’，像蝙蝠一样精准地感知自己的位置，哪怕是在完全封闭的黑暗隧道里。”

这项技术未来可以让自动驾驶汽车在隧道里更安全地行驶，不再依赖昂贵的卫星信号，也不需要到处安装复杂的设备。

这是一份关于论文《In-Tunnel Single-Anchor Localization Exploiting Near-Field and Radio-Reﬂective Road Markings》（利用近场传播和无线反射道路标记进行隧道内单锚点定位）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：在协同智能交通系统（C-ITS）和自动驾驶车辆（CAV）中，高精度定位至关重要。然而，全球导航卫星系统（GNSS）在隧道等信号遮挡环境中完全失效，导致定位误差巨大或服务中断。
现有局限：
- 多锚点方案：传统的基于多基站（Multi-BS）或超宽带（UWB）的方案需要密集部署基础设施且需严格同步，成本高且实施困难。
- 单锚点方案：现有的单基站（Single-BS）定位方法通常假设远场（Far-Field, FF）条件，仅利用到达角（AoA）信息，缺乏距离信息，难以在单锚点下实现高精度定位。
- 近场模型适用性：虽然利用大天线阵列的近场（Near-Field, NF）波前曲率可以提供距离信息，但现有的“单反射器近场（SR-NF）”信道模型缺乏严格的几何有效性边界。如果阵列过大，该模型会失效，导致定位误差。
- 环境依赖：许多现有方法依赖数字地图或预先知道反射体位置，限制了其在复杂或未知隧道环境中的适用性。

2. 方法论 (Methodology)

论文提出了一种名为 JAVELIN (Joint and Adaptive Virtual and Ego-user Localization In Near-field) 的单基站定位框架，主要包含以下核心技术模块：

A. 理论基石：SR-NF 模型的几何有效性条件

推导过程：作者推导了 SR-NF 信道模型的几何有效性条件。该模型假设所有天线的非视距（NLoS）路径均源自平面上的单一镜面反射点。
关键发现：证明了对于给定的传播距离和波长，存在一个最大阵列尺寸（ $M_{max}$ ）。
- 当阵列尺寸 $M \le M_{max}$ 时，信道可等效为单一物理反射器。
- 当 $M > M_{max}$ 时，必须使用虚拟锚点（Virtual Anchor, VA）表示，单一反射器近似不再成立。
物理意义：该边界与菲涅尔区（Fresnel region）的缩放规律直接相关，为实际部署中阵列大小的选择提供了理论依据。

B. JAVELIN 定位框架

参数估计：
- 利用基于张量分解（Tensor-based CP Decomposition）的算法（TeNFiLoc）从信道响应中提取参数。
- 提取的参数包括：方位角（ $\phi$ ）、俯仰角（ $\psi$ ）、波前曲率半径（ $\kappa$ ，反映近场距离）、时延差（ $\Delta d$ ）和多普勒频移。
- 自适应处理：根据估计的曲率半径 $\kappa$ 判断信号处于近场还是远场，自适应选择相应的参数估计模式。
状态估计与跟踪：
- 构建了一个可变维度的扩展卡尔曼滤波器（EKF）。
- 状态向量：包含车辆（UE）的 3D 坐标以及多个跟踪中的虚拟用户设备（VUE，即反射路径的虚拟源）坐标。
- 数据关联：采用基于马氏距离（Mahalanobis distance）的**门控最近邻（Gated NN）**策略，将测量值与状态轨迹进行关联，解决多径路径的匹配问题。
- 轨迹管理：包含“出生 - 死亡”机制，自动初始化新的反射路径轨迹，并在连续丢失关联时移除旧轨迹，同时利用多普勒频移区分静态反射体和动态杂波。
被动反射增强：
- 引入**无线反射道路标记（RRMs）**作为被动反射体。这些标记部署在隧道墙壁或路面上，无需电源，作为“几何锚点”增加空间分集，提升定位鲁棒性。

3. 主要贡献 (Key Contributions)

理论突破：首次形式化推导了 SR-NF 信道模型的几何有效性条件，建立了阵列尺寸、传播距离与菲涅尔区行为之间的定量关系，明确了单反射器近似的适用边界。
框架创新：提出了 JAVELIN 框架，这是首个结合近场参数提取、自适应近/远场处理以及递归贝叶斯跟踪的单基站隧道定位方案。
无需先验知识：该方法不需要数字地图支持，也不需要预先知道反射体（如墙壁或 RRM）的位置，能够在线估计环境特征。
低成本基础设施：提出利用被动 RRM 增强几何多样性，提供了一种可扩展、低成本的隧道定位基础设施部署方案。
全面验证：在逼真的隧道仿真环境中进行了广泛评估，验证了理论推导和实际可行性。

4. 实验结果 (Results)

仿真设置：
- 场景：100 米长、半圆柱形隧道。
- 配置：单基站（5G, 5.9 GHz, 100 MHz 带宽），100 天线阵列，部署 4 个被动 RRM。
- 对比基准：TeNFiLoc（基于张量分解的快照式近场定位算法）。
性能指标：
- 精度：在视距（LoS）条件下，JAVELIN 实现了**厘米级（~20 cm RMSE）**的定位精度。
- 鲁棒性：在非视距（NLoS）或部分遮挡条件下，JAVELIN 仍保持亚米级精度（~0.88 m RMSE），显著优于 TeNFiLoc（在 NLoS 下误差可达 2 米以上）。
- RRM 的作用：移除 RRM 会导致性能显著下降（RMSE 从 0.88m 升至 2.26m），证明了被动反射体在维持几何多样性和鲁棒性方面的关键作用。
- 动态场景：在蛇形（Slalom）轨迹等动态场景下，尽管误差有所增加，JAVELIN 仍优于现有单锚点方法。
结论：JAVELIN 在不同传播条件和运动模式下均表现出高精度和强鲁棒性，特别是在缺乏 GNSS 的隧道环境中。

5. 意义与影响 (Significance)

解决 GNSS 拒止环境痛点：为隧道等封闭空间提供了一种无需密集部署同步基站的高精度定位解决方案，降低了基础设施成本。
推动 5G/6G 定位演进：展示了利用大规模 MIMO 阵列的近场效应进行定位的潜力，为未来 6G 通感一体化（ISAC）提供了理论支撑。
智能交通新范式：提出的“被动反射标记（RRM）”概念类似于人类驾驶中的车道线，为自动驾驶车辆在无 GNSS 环境下提供了可靠的几何参考，符合未来智能道路（Smart Road）的部署策略。
理论指导实践：推导的阵列尺寸边界为实际工程中的天线阵列设计提供了明确的指导，避免了因阵列过大导致的模型失配。

综上所述，该论文通过理论推导与系统设计的结合，提出了一种高效、低成本且高精度的隧道车辆定位方案，对提升协同智能交通系统的安全性具有重要意义。