arXiv研究提出RIS辅助毫米波定位新框架，干扰下仍保持亚度级角度估计精度
围绕6G网络中毫米波波束管理需求，arXiv最新论文提出一种基于可重构智能表面（RIS）的波束域指纹定位方法。该方法通过一组预定义RIS反射状态对应的信噪比特征来估计用户设备的方位角与距离，无需获取信道状态信息。研究还针对跨链路干扰场景设计了干扰-噪声比约束的校准策略，并评估了四种机器学习回归器。28GHz频段、20×20 RIS仿真显示，K近邻算法在干净环境下角度误差仅0.37度、距离误差4厘米；干扰环境下分别为1.4度与7.6厘米。
毫米波波束方向性强、波束窄，依赖精确的用户位置信息完成波束管理。当基站与用户之间的直连链路不可用时，定位难度显著上升。近期发表于arXiv的研究提出一种基于可重构智能表面的波束域指纹定位框架，将RIS多个预定义反射状态下的接收信噪比作为位置指纹，直接映射至用户设备的方位角与距离，无需依赖传统信道状态信息获取。
该框架的核心思路是利用RIS提供可控、可枚举的反射状态集合，在波束域形成具有区分度的位置指纹。研究团队进一步将其拓展至存在跨链路干扰的现实场景：相邻链路的干扰信号会污染原始信噪比指纹，形成基于信干噪比的指纹。为保证干扰水平的物理可解释性，论文提出了一种基于干扰-噪声比约束的校准策略，对干扰强度加以约束后再进行回归估计。
在28GHz频段、20×20 RIS配置下的仿真中，研究比较了四种机器学习回归器的性能。结果显示，K近邻算法在干净条件下取得最低误差，角度平均绝对误差为0.37度、距离为4厘米；引入干扰后，误差上升至1.4度与7.6厘米。论文还指出一个值得关注的规律：所有模型在干扰下都表现出角度估计退化幅度显著大于距离估计的非对称现象，这与位置信息在波束域指纹中的非对称编码方式有关。
【空音视角】 这篇工作体现了一个值得关注的趋势：把射频信号的物理特征当作"指纹"再用机器学习建模，正成为通信与感知融合的一种主流范式。这与空音关注的WiFi感知、非接触生命体征监测思路相通——同样不依赖显式的信道估计，而是从原始信号特征中提取位置或状态信息。另一个启发是干扰鲁棒性：在真实部署中，无论是无线定位还是生命体征监测，环境干扰都是影响精度的关键因素，因此如何在算法层面刻画、约束并补偿干扰，将是工程化落地的核心课题。
—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2608.07444
来源：arXiv 信号处理（查看原文）