一、前言
随着5G通信基础设施逐步完善，5G网络的优势一方面在于其具有的更大的带宽和子载波间隔，使得5G室内定位精度提升(3.5GHz频段下定位精度在5米左右，毫米波定位精度可以达到3米或更高)，相对于其他定位技术，已建成5G网络的地方，就具备了高精度定位的能力，不需要再单独建设定位网络，也不需要特定的终端或标签。特别是对于室内定位研究者来说，Wi-Fi CSI的相关工作，比如主被动定位、感知、动作识别等工作已经存在大量的理论和研究成果，很难做到较大的创新。所以，随着5G或者6G技术的诞生，其备受室内定位领域研究者的关注并慢慢成为研究热点。
图1 边缘计算实现的基于机器学习的5G定位示意框图
二、蜂窝网
蜂窝网络（Cellular network），又称移动网络（mobile network）是一种移动通信硬件架构，分为模拟蜂窝网络和数字蜂窝网络。由于构成网络覆盖的各通信基地台的信号覆盖呈六边形，从而使整个网络像一个蜂窝而得名。
蜂窝网络被广泛采用的原因是源于一个数学结论，即以相同半径的圆形覆盖平面, 当圆心处于正六边形网格的各正六边形中心，也就是当圆心处于正三角网格的格点时所用圆的数量最少。 虽然使用最少个结点可以覆盖最大面积的图形即使要求结点在一个如同晶格般有平移特性的网格上也仍是有待求解的未知问题，但在通讯中，使用圆形来表述实践要求通常是合理的，因此出于节约设备构建成本的考虑，正三角网格或者也称为简单六角网格是最好的选择。这样形成的网络覆盖在一起，形状非常像蜂窝，因此被称作蜂窝网络。
图2 简单的蜂窝网络描述图
蜂窝通常使用正六边形来表示。为什么是正六边形而不是圆？顶点到几何中心等距的多边形中，能够完整（无重叠）地覆盖某一区域可能的几何形状有：正方形、等边三角形和正六边形三种形状。在正方形、等边三角形和正六边形中，正六边形的面积最大。
注：相关理论和图片来源百度百科，感兴趣的可以了解：蜂窝网络_百度百科
三、5G引入哪些技术
5G引入了一系列技术，包括大规模天线阵列、超密集网络、新的多址方案、全频谱接入和基于软件定义网络（SDN）的新网络架构等，以支持具有高容量特性的新一代无线通信，在宽覆盖区域中具有高可靠性和低延迟。
四、5G室内定位研究现状
《Channel State Information Prediction for 5G Wireless Communications: A Deep Learning Approach》提出了一种有效的在线CSI预测方案，用于从5G无线通信系统的历史数据中预测CSI。具体来说，他们首先确定了影响无线电链路CSI的几个重要特征，而一个数据样本由这些特征和CSI的信息组成。然后，他们设计了一个学习框架，由CNN（卷积神经网络）和LSTM（长期短期记忆）网络组合而成。在考虑在5G NR的下行链路信道中定位所获得的CSI时，《Towards 5G NR high-precision indoor positioning via channel frequency response: A new paradigm and dataset generation method》根据5G NR协议通过模拟生成了CSI数据集，并将深度学习方法应用于室内定位研究。然而，这些数据并非来自商业真实的5G基站，因此，在实践中的可用性需要进一步研究。《CSI-based indoor localization via attention-augmented residual convolutional neural network》提出了一种注意力增强的残差CNN，利用了CSI中的局部信息和全局上下文信息，补偿了CNN的局限。与仅使用前向信息学习特征的传统LSTM相比，双向LSTM（BiLSTM）通过在序列特征中执行前向学习和后向学习，具有优越的性能。《Machine Learning for Time-of-Arrival Estimation with 5G Signals in Indoor Positioning 》提出了一种基于5G下行信号的高精度到达时间估计方法，该方法可以通过边缘计算实现。然后开发了一种基于机器学习的软件定义接收器（SDR），用于从5G信号中提取导航观测值。在仿真中，分析了加性高斯白噪声信道和多径信道中SDR的误差源，并评估了5G信号在所开发的SDR中可能达到的测距精度。
五、5G室内指纹定位
5G NR室内定位与Wi-Fi等其它定位源一样，都可以分为：基于几何的室内定位方法与基于指纹的室内定位方法。然而，考虑到有限数量的基站和复杂的室内拓扑结构的共同挑战，就室内定位的准确性而言，指纹定位比几何定位更具优势。 但是指纹定位也存在一些不足，比如：需要采集大量的数据用于建立指纹数据库，并且后期的指纹库维护与管理也需要耗费一些成本。
六、5G室内定位的未来
现如今的5G室内定位慢慢引入了一些单注意力机制和双注意力机制，比如：可以使用基于特征的注意机制和基于样本的注意机制，分别提取CSI的内隐式空间信息和时间信息。5G还可以结合边缘计算，通过实现更快的数据传输和处理，降低深度学习模型高耗时的影响，有效提高定位的实时性。5G定位固然可以打开室内定位的“机遇之门”，但未来应该是多技术融合的定位时代，可以通过异源异构数据的紧耦合实现更加稳健的室内定位要求。
