针对5G-Advanced（5G-A）工业室内工厂（Indoor Factory, InF）场景下严重非视距（Non-Line-of-Sight, NLoS）传播及标注数据稀缺导致传统纯信道制图（Channel Charting, CC）产生无单位嵌入与全局非线性畸变、基于模型定位在NLoS下性能退化的问题，研究人员提出了模型辅助信道制图（Model-assisted Channel Charting, MCC）框架。该方法融合：(i) 基于信道状态信息（Channel State Information, CSI）的掩码自编码器（Masked Autoencoder, MAE）预训练；(ii) 由测地不相似度（geodesic dissimilarity）驱动的三元组（triplet）流形学习；(iii) 链路级异方差（heteroscedastic）伪距似然函数，联合预测每基站（Base Station, BS）残差均值与不确定性。多头回归器输出位置、残差偏差及噪声方差，并通过不确定性加权平衡各损失项。不同于依赖成对距离标度的既往模型辅助CC方法，MCC借助物理一致的似然函数将信道图表直接锚定至度量坐标系，同时学习数据驱动的链路可靠性用于重加权。在具有严峻NLoS的3GPP合规5G InF数据集上的评估表明MCC达到业界领先精度：配置18个基站及1/2 points/m2标注密度时，所提基于模型的指纹法（Model-based Fingerprinting, MFP）与基于模型的三元组法（Model-based Triplet, MT）对90%用例的位置误差分别为0.62 m与0.69 m；在极稀疏标注（＜1/20 points/m2）下MT优于对比基线。校准结果表明预测不确定性与经验残差单调相关，支持恶劣NLoS条件下的可靠性感知定位。
论文解读：《Digital Communications and Networks》——Model-assisted channel charting for 5G-Advanced localization with sparse data
研究背景与动机
在5G-Advanced（5G-A）及未来6G网络中，利用蜂窝基础设施实现室内高精度定位是智能工厂（如资产追踪、数字孪生）的关键需求。3GPP针对室内工厂（Indoor Factory, InF）场景提出90%定位误差（CE90）≤1 m的目标。然而现有方法面临三方面瓶颈：(1) 纯数据驱动指纹（Fingerprinting, FP）定位需大量带精确真值的坐标标注，室内采集成本极高；(2) 纯信道制图（Channel Charting, CC）虽可无监督地从信道状态信息（Channel State Information, CSI）/信道冲激响应（Channel Impulse Response, CIR）学习低维嵌入并保持局部邻域结构，但输出为无单位的任意坐标且可能存在非线性全局畸变，难以直接映射至物理度量空间；(3) 基于几何模型的最大似然估计（Maximum Likelihood Estimation, MLE）或多边定位在NLoS（Non-Line-of-Sight）传播下因未知残差偏差和噪声统计而严重退化。因此，亟需融合CC的表示能力与物理几何约束，并在稀疏标注与严峻NLoS条件下保持鲁棒性。
研究人员提出模型辅助信道制图（Model-assisted Channel Charting, MCC），引入链路级异方差伪距似然将图表锚定于真实世界坐标系，结合MAE预训练与测地不相似度引导的三元组流形正则化，并通过共享骨干网的多头结构联合预测二维/三维位置、每基站（Base Station, BS）伪距残差（γb）及测量噪声方差（σb2），利用不确定性自动加权平衡各任务损失，解决稀疏标签与NLoS难题。
主要关键技术方法
研究采用3GPP TR 38.901 InF（密集杂波高仰角）仿真场景，120 m×60 m区域内部署18个BS（单天线，3.5 GHz，100 MHz带宽，FFT大小4096，CIR长度256），UE随机散布，LoS比例仅约8%。SAGE算法提取最强径到达时间（Time of Arrival, ToA）获得伪距。两阶段训练：(1) 预训练阶段——对CIR进行时域分段掩码（掩码率PG=0.4，段长TG=5），CNN编码器含通道注意力（Channel Attention, CA）模块重构被掩码部分，学习时空特征；(2) 微调阶段——冻结编码器，LSTM骨干接三个深度神经网络（Deep Neural Network, DNN）头分别回归位置（DNNL）、每BS伪距残差均值（DNNT）和异方差对数噪声（DNNS）；损失为带不确定性加权的多任务目标，含伪距残差补偿的负对数似然（Negative Log-Likelihood, NLL）、三元组损失（基于测地CIRA不相似度矩阵DG-CIRA选取锚点-正样-负样）及有标注时的均方误差（Mean Squared Error, MSE），三元组权重随标注率升高自适应衰减。对比基线包括SMAE（仅MSE微调）、经典Siamese CC、Triplet CC、BLADE（Blind Learning Algorithm for channel bias Distribution Estimation）及模型辅助Siamese（MS）。评估指标含CE90、RMSE、连续性（Continuity, CT）、可信度（Trustworthiness, TW）与Kruskal应力（Kruskal's Stress, KS）。
研究结果
4.3. Robustness of dissimilarity（不相似度鲁棒性）
研究显示测地不相似度dG-CIRA与欧氏距离的绝对线性比例随BS减少而减弱，但MCC三元组损失仅依赖邻域远近排序（序约束），只要局部近远顺序稳定即可提供有效流形正则化；度量锚定由伪距似然与MSE完成。加入10 dB SNR噪声后中位曲线仍保持单调，证明测地构造对局部度量噪声具平滑作用。
4.4.1. Sensitivity analysis of masking ratio and segment length（掩码超参数敏感性分析）
在PG∈{0.2,0.4,0.6}与TG∈{3,5,7}中，(PG,TG)=(0.4,5)使SMAE下游RMSE最低（1.44 m），过小掩码削弱正则化，过大掩码破坏重构，故定为默认参数。
4.4.2. Performance under sparse labels（稀疏标注下的定位性能）
随标注密度增加各方法精度提升。纯CC（Siamese/Triplet）仅靠仿射对齐精度有限；SMAE在极稀疏标注（＜1/20 points/m2）急剧恶化。MFP（含模型NLL+MSE）在密度≥1/8 points/m2略优于MT；MT在密度≤1/20 points/m2表现最佳，因三元组序约束弥补标注不足且无成对距离缩放要求。18 BS、1/2 points/m2时MFP CE90=0.62 m，MT CE90=0.69 m，均满足3GPP ≤1 m标准，优于MS(CE90=1.33 m)、SMAE(2.23 m)及纯CC。
4.4.3. Performance under sparse BS deployment（稀疏基站部署下的定位性能）
有标注（1/2 points/m2）时MFP与MT受BS数影响较小（因有几何标签锚定），Siamese/Triplet随BS减少明显退化。无标注时MT显著优于仅含模型NLL的MFP及MS，接近无梯度优化的BLADE但具端到端前向推理优势，说明三元组+伪距似然可在无标签时维持全局一致性。
4.5.1. Correlation between residuals and uncertainties with actual NLoS（残差与不确定度和实际NLoS的相关性）
定义NLoS偏置代理δi,b=c·τb(i)−‖xi−xb‖2，MT预测残差γ̂i,b与δi,b宏平均Pearson相关系数达0.977，RMSE 3.42 m，表明网络学到物理意义的链路偏置。预测对数方差ε̂b=log σ̂b2与残差绝对误差呈单调增，验证异方差不确定性可作链路可靠性指标，高不确定性链路自动降权。
4.5.2. Robustness of uncertainty（不确定性鲁棒性）
移除DNNS头（假定同方差）使MT的CE90从0.69 m退化至1.07 m，证实链路级异方差建模对NLoS鲁棒定位之必要。不同BS数下预测log-variance分布合理，上尾反映不可靠链路。
讨论与结论翻译
研究人员提出并验证了Model-assisted Channel Charting（MCC），通过融合自监督信道制图与弱监督伪距残差补偿的异方差似然，在5G-A InF严峻NLoS环境中实现了稀疏标注下的高精度米级（亚米级）定位。MCC采用预训练–微调范式，以测地不相似度引导三元组流形学习保留局部邻域序关系，以物理一致的链路级伪距NLL将信道图表锚定于真实世界坐标系并数据驱动学习NLoS残差与可靠性权重，通过不确定性自适应加权融合多任务损失且三元组项随标注密度衰减。在3GPP合规InF数据集上，18 BS及1/2 points/m2标注密度时MFP与MT分别取得CE90=0.62 m与0.69 m，满足3GPP Rel-18室内定位要求；极稀疏标注（＜1/20 points/m2）下MT优于所有基线；稀疏BS时MT在无标注与有标注情形下均具竞争力。预测的每BS残差与NLoS偏置高度相关（r=0.977），预测不确定性单调反映经验误差，支持可靠性感知定位服务。MCC适用于工业IoT边缘/云端单次前向推断定位，所输出链路可靠性可被软件定义网络（Software-Defined Networking, SDN）控制平面用于动态BS选择、导频调度及精度–时延–能耗折衷，为未来6G集成感知通信（Integrated Sensing and Communications, ISAC）与基础模型奠定技术基础。
