⚡ electrical engineering

SkySense: A Semi-Supervised Generative Framework for UAV Localization in ISAC Networks

本文提出了 SkySense，这是一个半监督生成式框架，它利用自监督时间特征提取和快速一致性模型，通过有效地克服数据稀缺性和多径歧义，在仅需极少量标注数据的情况下，实现集成通信感知一体化（ISAC）网络中高精度、低延迟的无人机定位。

原作者： Shenghan Luo, Yin Xu, Jie Yang, Yang Wang, Cixiao Zhang, Shi Jin, Wenjun Zhang

发布于 2026-06-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Shenghan Luo, Yin Xu, Jie Yang, Yang Wang, Cixiao Zhang, Shi Jin, Wenjun Zhang

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

想象一下，你正在试图寻找一只在繁忙城市上空飞行的失踪无人机。你看不见它，它也没有可以追踪的 GPS 信号。然而，这座城市充满了不断发送无线电波的 Wi-Fi 和移动基站。当无人机飞过这些电波时，它会反射回电波，产生一种独特的“回声”或指纹，称为信道状态信息 (CSI)。

问题在于，在城市中，无线电波会从建筑物、汽车和树木上反射。这创造了一片混乱的景象，使得两个不同的位置在无线电波看来可能完全一样。这就像是在一个每个房子看起来都一模一样的社区里，试图找到特定的某栋房子。

以下是该论文的解决方案——SkySense，它是如何利用巧妙的侦探手段和魔术技巧来破解这个谜题的。

1. 问题所在：线索太多，答案太少

传统方法试图通过观察一张巨大的地图来学习，其中每一个无线电回声都与无人机的精确 GPS 位置相匹配。

难点： 获取这种精确的 GPS 数据极其昂贵且困难。这就像是试图教一个学生开车，但要求老师在每一秒钟都拿着记录板站在旁边进行指导。
结果： 因为我们没有足够的“老师-学生”配对（标注数据），旧的方法会感到困惑。当它们看到一个令人困惑的回声时，它们会猜测“平均”位置，而这个位置通常是错误的。这就像是在房间的角落里有人时，却去猜房间的正中间。

2. 解决方案：SkySense（聪明的侦探）

SkySense 是一个全新的系统，即使只有极少量的“老师”帮助（仅 1% 的数据），它也能学会寻找无人机。它分为两个主要阶段进行：

第一阶段：学习“流动”（自监督学习）

想象一下，你正在观看一段人在公园里散步的视频。即使你不知道他们的名字或起点，你也知道如果他们在下午 2:00 位于喷泉处，那么在 2:01 时他们一定会靠近长凳。他们不会瞬间移动。

SkySense 利用了这种逻辑。它观察数千小时的无标签无人机飞行数据（即不知道具体位置的数据）。它学习到时间等于空间。如果无线电信号在每一秒之间发生微小的变化，说明无人机移动了一小段距离。

类比： 这就像是在从未告诉狗目的地的情况下，教它识别走路的“形状”。狗学会了：“当风的味道是这样时，我们在树附近；当味道变成那样时，我们在车附近。”SkySense 通过大量的无标签数据，学习了无人机飞行路径的“形状”。

第二阶段：“神奇逆转”（一致性模型）

一旦系统理解了飞行的“形状”，它就需要精准定位。传统的 AI 模型试图直接猜测答案，但它们往往会陷入前面提到的“平均值陷阱”。

SkySense 使用了一个一致性模型 (Consistency Model)，这是一种生成式 AI（类似于背后驱动 AI 图像生成的技术，但是针对定位任务）。

类比： 想象你有一张模糊、充满噪声的无人机位置照片。普通的 AI 试图从模糊中猜出照片，但它可能会猜出一个“模糊的平均值”。
SkySense 则不同。它会问：“如果我把这张模糊的照片稍微清理干净一点，它看起来是否与我用另一种方式清理后的照片指向同一个位置？”
它强制系统保持一致性。无论你如何“清理”噪声，最终的答案必须是相同的。这防止了 AI 被“平均值陷阱”所迷惑，并迫使它找到真实的位置。
速度提升： 通常，这类“清理”过程需要数百个步骤（就像一层层剥开洋葱）。SkySense 非常聪明，它只需 1 或 2 个步骤 即可完成。这就像拥有一个魔杖，可以瞬间清理照片，而不是花一个小时去擦拭。

3. 团队协作（多基站融合）

该系统不仅仅依赖于一个基站。它利用多个从不同角度观察无人机的基站。

类比： 如果你问一个人车在哪里，他可能会说错。但如果你询问站在不同位置的三个人，并且他们都对位置达成一致，那么你就可以非常确定。
SkySense 结合了来自三个不同基站的预测。如果一个基站因为建筑物的反射而产生困惑，另外两个基站可以对其进行纠正。

结果：效果如何？

研究人员在真实的城市无人机飞行数据上测试了该系统。

设置： 他们只给了系统 1% 具有已知位置的数据（即“老师”数据），并让它从零开始学习其余部分。
准确度： 它找到无人机的平均误差仅为 9.77 厘米（约 4 英寸）。
速度： 它在不到一秒的时间内完成了定位（1-2 步），使其足以进行实时追踪。

总结

SkySense 就像一位不需要嫌疑人照片就能找到他们的侦探。相反，它通过观察成千上万小时的空旷街道（无标签数据）来学习嫌疑人是如何移动的。然后，当它看到线索时，它利用“一致性检查”瞬间排除错误答案，并精准定位，即使它只有极少量的先验知识。它解决了“线索太乱”和“训练数据不足”的问题，能够以惊人的精度找到无人机。

技术摘要：SkySense

1. 问题陈述

本文探讨了在 6G 通感一体化（ISAC）网络中定位未经授权的非合作无人机（UAV）这一关键挑战。虽然信道状态信息（CSI）指纹识别提供了一种极具前景的被动感知方案，但现有的基于深度学习的方法面临三个根本性的局限性：

空间歧义性（Spatial Ambiguity）： 由于多径效应，不同的物理位置可能会诱发高度相似的 CSI 指纹。传统的判别式模型在此类场景下往往表现不佳，在面对重叠映射时会产生无效的“平均”坐标（即均值塌陷）。
数据稀缺性（Data Scarsity）： 在实际部署中，获取大规模、厘米级实时动态载波相位差分技术（RTK）标记数据集的成本极高，这阻碍了全监督训练的开展。
推理延迟（Inference Latency）： 虽然生成式扩散模型可以通过概率建模来解决空间歧义问题，但其依赖于长链马尔可夫迭代去噪过程，这产生了难以承受的延迟，使其无法适用于高度动态的实时无人机追踪。

2. 方法论：SkySense 框架

作者提出了 SkySense，这是一个端到端的半监督生成式框架，旨在克服上述瓶颈。该架构分为两个截然不同的阶段运行，并支持分布式多基站（BS）融合。

A. 自监督空间表示（第一阶段）

为了减轻对标记数据的依赖，该框架利用了 无人机飞行轨迹的运动连续性。

机制： 一个自监督编码器（ $E_\theta$ ）在海量无标签 CSI 序列上进行预训练。
目标： 它采用了一种时间对比学习策略。通过构建基于学习到的潜在特征的空间相似性预测矩阵，并将其与基于时间戳（通过高斯衰减建模）的时间目标矩阵进行对齐，使编码器能够在不需要物理坐标的情况下学习鲁棒的空间表示。这确保了模型能够捕捉飞行路径的底层空间流形。

B. 条件一致性生成骨干网络（第二阶段）

为了解决空间歧义并降低延迟，该框架使用 一致性模型（Consistency Model，一种扩散架构的衍生形式） 作为核心生成骨干网络（ $F_\phi$ ）。

生成公式： 该模型并非对完整的反向扩散过程进行建模，而是学习从任意噪声状态到干净物理原点的直接映射。它使用连续噪声尺度 $\sigma$ 对扰动进行参数化。
训练目标： 骨干网络使用有限的标记数据与预训练的编码器进行联合微调。其损失函数（ $L_{total}$ $L_{t o t a l}$ ）结合了：
1. 结构一致性（ $L_{cons}$ ）： 确保同一轨迹上不同噪声水平下的预测都能映射到相同的干净坐标。
2. 物理锚点（ $L_{anchor}$ ）： 将生成式预测锚定在稀缺的地面真值坐标上。
推理效率： 与需要数百个步骤的传统扩散模型不同，一致性公式允许将推理轨迹压缩至 1–2 步，从而绕过了迭代去噪的瓶颈。

C. 分布式多基站融合

该框架支持轻量级的分布式融合机制。在在线推理期间，多个基站根据各自的局部 CSI 独立生成坐标提议。这些预测通过空间共识机制（取平均值）进行聚合，从而形成统一的估计，从多视图几何的角度有效地抑制了多径歧义。

3. 核心贡献

半监督生成范式： 本文引入了一种新型框架，将自监督表示学习与条件一致性生成相结合，同时解决了数据稀缺和空间歧义问题。
延迟优化： 通过采用一致性模型而非标准扩散模型，该框架在保持生成式建模概率优势的同时，实现了实时推理能力（1–2 步）。
物理感知预训练： 自监督策略利用了“时间上相邻的观测在空间上接近”这一物理原理，提供了一个鲁棒的初始化，减少了对标记数据的依赖。
分布式融合： 提出了一种轻量级机制，用于聚合来自多个基站的预测，而无需承担联合多基站训练的高昂开销。

4. 实验结果

该框架在一个包含 3 基站雷达监测测量值的真实开源 ISAC 无人机数据集上进行了评估，该数据集处于复杂的城市环境中。

标签稀缺下的准确度： 在仅使用 1% 标记数据（RTK 坐标）的情况下，SkySense 在 3 基站融合设置下实现了 9.77 cm 的平均 3D 定位误差。
与基准模型的对比：
- SkySense 显著优于全监督判别式基准模型（如 FC-AE-GPR）和半监督判别式基准模型（如 SSLUL）。
- 在极端标签稀缺（0.1%）的情况下，SkySense 仍能保持分米级的精度，而判别式模型则会出现精度塌陷。
- 与标准扩散概率模型（DDPM）相比，SkySense 避免了性能的灾难性下降（在半监督设置下 DDPM 误差 >245 cm），并消除了对长推理链的需求。
消融研究：
- 骨干架构： 骨干网络中的 U-Net 变体表现最佳，证实了层次化结构对于保留空间特征的必要性。
- 一致性 vs. 扩散： 一致性目标被证明至关重要；标准的 DDPM 在有限的锚点下无法建立鲁棒的映射。
- 多基站融合： 从单基站转向 3 基站设置，将误差从约 20.67 cm 降低到 9.77 cm，证明了空间共识在解决歧义方面的有效性。
推理效率： 当压缩至 1–2 个推理步骤时，SkySense 仍能保持稳健的准确度，而截断 DDPM 轨迹会导致误差呈指数级增长。

5. 重要性与主张

作者声称，SkySense 通过解决数据稀缺、空间歧义和推理延迟这一“三难困境”，代表了 ISAC 实际部署领域的重大进展。

实用性： 该框架能够以极低的标注成本（1% 标签）实现厘米级定位，这使得在获取大规模标记数据集成本极高的场景下具有可行性。
实时能力： 通过将推理减少到 1–2 步，该系统对于高度动态的无人机追踪变得在计算上可行，而这曾是以往生成式方法的局限。
鲁棒性： 对条件分布的概率建模有效地解决了判别式模型在面对多径空间歧义时固有的均值塌陷问题。

文章总结认为，该方法为普遍存在的无人机定位提供了可扩展的基础，未来的工作旨在利用合成数据集和从模拟到现实（Sim-to-Real）的迁移，以进一步消除对经验性测量的依赖。