⚡ electrical engineering

Integrated Sensing, User Location and Orientation Estimation in RIS-Assisted Dynamic Rich Scattering Environment

本文提出了一种基于双向长短期记忆网络（biLSTM）控制器的自适应感知方案，通过顺序优化 RIS 配置及收发端波束成形，在动态富散射环境中利用 RIS 辅助 MIMO 系统实现了对用户设备位置与姿态的精准估计。

原作者： Anum Umer, Ivo Müürsepp, Muhammad Mahtab Alam

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Anum Umer, Ivo Müürsepp, Muhammad Mahtab Alam

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

这篇论文讲述了一个关于如何在充满干扰的复杂环境中，精准找到手机位置并判断它朝向的故事。

想象一下，你走进一个巨大的、回声缭绕的迷宫（这就是论文中的“丰富散射环境”）。在这个迷宫里，墙壁、家具、甚至走动的人（论文中的“散射物体”）都会把信号反射得乱七八糟。传统的定位方法就像是在这种迷宫里试图听清一个人的脚步声，结果因为回声太多，根本分不清声音是从哪来的，导致定位完全失效。

为了解决这个问题，作者提出了一种聪明的新方法，利用一种叫做**智能反射面（RIS）的新技术，配合人工智能（AI）**来当“向导”。

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：回声迷宫里的“捉迷藏”

场景：在一个室内环境里，信号（就像手电筒的光）从手机（UE）发出，射向基站（BS）。
问题：房间里有很多会动的物体（比如走动的人、移动的家具），还有墙壁。信号碰到它们会反弹、折射，形成无数条杂乱的路径到达基站。
后果：基站收到的信号是无数条路径的混合体，就像在嘈杂的派对上听不清谁在说话。传统的定位方法在这种“乱成一锅粥”的环境下会失效。

2. 解决方案：聪明的“智能镜子” + 会学习的“大脑”

作者引入了两个关键角色：

A. 智能反射面（RIS）：可操控的“魔法镜子”

比喻：想象墙上贴满了成千上万面微小的、可以独立控制的镜子（RIS 元素）。
作用：普通的镜子只能被动反射光，但这些“魔法镜子”可以瞬间改变角度，把光（信号）精准地引导到想要的方向。
创新点：在这个系统中，这些镜子不仅仅是反射信号，它们还能充当“侦察兵”。系统会专门用一部分镜子去探测房间里那些乱跑的物体（散射物体），搞清楚它们在哪里、怎么动。

B. 双向长短期记忆网络（biLSTM）：拥有“时间记忆”的 AI 大脑

比喻：这是一个非常聪明的 AI 大脑，它不仅能看现在的画面，还能记住过去发生的一切，并预测未来的趋势。
作用：
1. 感知环境：它分析从“魔法镜子”侦察兵那里收集到的数据，像侦探一样拼凑出房间里乱跑物体的位置图。
2. 动态调整：根据刚才看到的混乱情况，它指挥“魔法镜子”调整角度，指挥基站和手机调整信号发射的方向（波束成形）。
3. 逐步聚焦：它不是一次性搞定，而是像聚光灯一样，通过多次尝试（时间步骤），一步步把信号聚焦到目标手机上，最终精准锁定位置。

3. 工作流程：一场精心策划的“信号追逐战”

整个过程就像是一场动态的捉迷藏游戏：

第一轮：手机发出信号，AI 大脑接收到了杂乱的信号，同时“魔法镜子”侦察兵报告了房间里乱跑物体的大概位置。
思考与调整：AI 大脑根据这些信息，计算出：“哦，原来那个乱跑的物体挡住了路，下次我把镜子角度调一下，把信号绕过去！”
第二轮：AI 指挥镜子和基站调整了方向，再次发送信号。这次信号更清晰了。
重复：这个过程不断重复（论文中称为“自适应感知”），AI 大脑利用时间上的记忆，把每一次的反馈都记下来，不断优化策略。
结局：经过几轮调整后，信号被精准地“聚焦”在手机身上，AI 不仅算出了手机在哪里，还知道手机是正对着哪个方向（朝向）。

4. 为什么这个方法很厉害？（主要贡献）

不仅看现在，还看过去：以前的方法可能只看当前的信号，而这个 AI 大脑会利用“时间序列”信息，理解信号是如何随时间变化的，这让它能更好地应对动态环境。
不仅定位，还“看”环境：它不仅能找到手机，还能顺便把房间里乱跑的物体（散射物体）的位置也画出来。这就像你不仅能找到朋友，还能顺便把房间里所有乱跑的小狗都定位了。
适应性强：无论房间里有多少乱跑的物体，或者镜子装在哪里（一面墙还是四面墙），这个方法都能通过不断调整策略，保持高精度。

5. 实验结果：真的有效吗？

作者做了大量的模拟实验（就像在电脑里建了无数个虚拟迷宫）：

对比传统方法：在复杂的动态环境中，他们的方法比传统的数学公式计算（基于 BCRLB 的方法）和普通的 AI 方法都要准得多。
镜子越多越准：当“魔法镜子”（RIS）分布得越广（比如贴在四面墙上），定位精度就越高。
乱跑的物体越多越难：当然，如果房间里乱跑的物体太多太密，难度会增加，但这个方法依然比旧方法稳健得多。

总结

这篇论文的核心思想就是：在混乱的无线信号环境中，不要试图用死板的公式去计算，而是用“会思考、有记忆”的 AI 大脑，指挥“可操控的智能镜子”，通过一步步的试探和调整，把杂乱的信号梳理清楚，从而精准地找到目标。

这就像是给 6G 网络装上了一双“透视眼”和一个“聪明的大脑”，让它在充满障碍和干扰的复杂环境中，依然能精准地找到你。

这是一份关于论文《Integrated Sensing, User Location and Orientation Estimation in RIS-Assisted Dynamic Rich Scattering Environment》（RIS 辅助动态富散射环境中的集成感知、用户定位与姿态估计）的详细技术总结。

1. 研究背景与问题定义 (Problem)

应用场景：室内富散射环境（Rich-Scattering Environment, RSE），特别是针对 6G 网络中的窄带 MIMO 通信系统。
核心挑战：
- 多径效应：在室内环境中，用户设备（UE）的导频信号经过墙壁、动态散射体（Scattering Objects, SOs，如移动的人或物体）以及可重构智能表面（RIS）的多次反射，形成复杂的叠加路径。
- 动态性：散射体随机移动导致信道随时间快速变化，传统的基于几何或稀疏多径的模型难以适用。
- 定位难点：信号分量幅度相位重叠，难以区分；直接路径可能被遮挡；传统的基于到达角（AoA）或飞行时间（ToA）的解析方法在未知动态散射体存在时失效。
研究目标：在基站（BS）已知位置的情况下，利用 RIS 辅助，通过上行链路导频信号，联合估计 UE 的位置（ $u$ ）和姿态/朝向（ $\alpha$ ），同时感知并估计环境中动态散射体（SOs）的位置。

2. 方法论 (Methodology)

论文提出了一种基于自适应学习的联合定位与感知框架，利用双向长短期记忆网络（biLSTM）来处理时间序列数据中的依赖关系。

A. 系统模型

物理模型：采用基于物理的端到端信道模型，将环境（墙壁、SOs、RIS、收发器）建模为偶极子阵列。该模型考虑了电磁原理，如互耦、色散和 RIS 的相位 - 幅度耦合。
信号流程：
1. UE 发送已知导频。
2. BS 接收信号，同时利用 RIS 的一部分子集（ $S_{RIS}$ ）进行环境感知，以估计 SOs 的位置。
3. 基于历史测量和当前的环境感知结果，自适应地设计下一时刻的 RIS 配置、BS 波束成形和 UE 波束成形向量。

B. 核心算法：双阶段 biLSTM 架构

该框架包含两个主要的神经网络模块，通过时间序列迭代优化：

散射估计 biLSTM (Scattering Estimation biLSTM)：
- 输入： $S_{RIS}$ 接收到的感知信号（幅度和相位）。
- 功能：捕捉时间上的相关性，估计动态散射体（SOs）的位置 $\hat{p}(t)$ 。
- 输出：环境散射状态估计，用于指导后续的波束设计。
UE 定位 biLSTM (UE Localization biLSTM)：
- 输入：BS 接收到的导频信号（幅度、相位）以及散射估计结果 $\hat{p}(t)$ 。
- 功能：利用时序记忆，联合设计下一时刻的 RIS 配置向量 $k(t+1)$ 、BS 波束成形向量 $\omega_{BS}(t+1)$ 和 UE 波束成形向量 $\omega_{UE}(t+1)$ 。
- 输出：
  - 自适应的波束和 RIS 配置（用于聚焦能量到 UE）。
  - 最终的 UE 位置 $\hat{u}$ 和姿态 $\hat{\alpha}$ 估计。
损失函数：
- 联合优化散射估计误差、UE 位置估计误差和姿态估计误差（RMSE）。
- 网络在训练阶段学习如何设计序列向量，以最小化最终时刻 $T$ 的定位误差。

C. 对比基准

为了验证性能，论文构建了基于**贝叶斯克拉美 - 罗下界（BCRLB）**的解析优化方法作为基准。该方法通过贪婪策略，在每一步最小化条件 BCRLB 来设计 RIS 配置。

3. 主要贡献 (Key Contributions)

自适应联合设计框架：提出了一种在动态富散射环境中，基于历史测量和环境感知，联合自适应设计 RIS 配置、BS 和 UE 波束成形的方案。该方案能同时估计 UE 的位置和姿态，并处理随机移动的散射体。
数据驱动与理论基准的对比分析：提供了基于 BCRLB 的解析建模作为基准，量化了数据驱动方法与理论估计极限在复杂 RSE 中的性能差距。
广泛的性能评估：在多种 RSE 条件下进行了全面评估，包括：
- 分布式 RIS 的不同部署方案（单墙、多墙、四面墙）。
- 随机移动散射体（SOs）数量的变化。
- 感知 RIS 元素数量的变化。
可解释性与渐进聚焦：证明了通过联合顺序设计，网络能够逐步增强感知到的多径信息质量，从而在复杂环境中实现高精度的定位和姿态估计。

4. 仿真结果 (Results)

定位精度：提出的 biLSTM 方法在所有时间帧（ $T$ ）下，其 UE 位置和姿态估计的均方根误差（RMSE）均显著低于基准方法（包括无波束成形的 biLSTM、仅定位的 biLSTM 以及 BCRLB 优化方法）。
信噪比（SNR）鲁棒性：在不同 SNR 下，该方法始终保持最低的定位误差，表明其能有效利用历史测量和散射信息。
RIS 部署的影响：
- 分布式部署：将 RIS 部署在四面墙上（全包围）比单面墙部署显著降低了 RMSE，因为提供了更好的角度分集和空间可观测性。
- 元素数量：增加 RIS 元素数量能提升精度，但在高密度下收益递减。
散射体数量（M）的影响：随着移动散射体数量增加，定位误差会上升（因为估计维度增加且多径耦合更严重），但提出的方法相比传统方法仍表现出更强的鲁棒性。
感知元素数量（ $S_{RIS}$ ）：增加用于感知的 RIS 元素数量能显著改善散射估计精度，进而提升定位性能。

5. 意义与结论 (Significance)

突破传统局限：该方法不再依赖难以在富散射环境中提取的单一几何参数（如 AoA），而是利用深度学习挖掘复杂时空散射模式中的定位信息。
6G 定位的关键技术：证明了 RIS 不仅是通信增强工具，更是低成本、高精度的定位锚点。通过“感知 - 通信”一体化（ISAC）和自适应波束成形，可以在没有额外射频链的情况下实现高精度定位。
动态环境适应性：该框架特别适用于室内、工厂、机器人等存在大量随机移动物体的动态场景，解决了传统静态模型失效的问题。
工程价值：提出的基于 biLSTM 的控制器能够实时适应环境变化，为未来 6G 网络中的自主导航、沉浸式应用和智能交通管理提供了可行的技术路径。

总结：这篇论文通过引入深度学习（biLSTM）来处理 RIS 辅助下的动态富散射环境，成功解决了传统解析方法难以处理的非线性、高维多径定位问题，实现了高精度的用户位置与姿态联合估计，并验证了其在不同环境配置下的鲁棒性。