知识卡片：跨链路干扰下基于波束域机器学习指纹的RIS辅助毫米波定位

英文标题：RIS-Aided mmWave Localization Under Cross-Link Interference via Beam-Domain ML Fingerprinting
英文关键词（据摘要归纳）：RIS; mmWave localization; beam-domain fingerprint; cross-link interference; machine learning

一句话结论

本文提出一种波束域指纹框架，仅通过少量预设RIS反射状态下的接收SNR/SINR即可估计用户设备的方位角和距离，无需CSI；仿真显示KNN在无干扰下角度MAE为0.37°、距离MAE为4 cm，在跨链路干扰下分别变为1.4°和7.6 cm，且干扰对角度估计的损害显著大于对距离估计的损害。

事件概述或研究问题

在RIS辅助的毫米波6G网络中，如果基站与用户设备之间的直接链路不可用，用户设备定位对波束管理至关重要。论文提出一种波束域指纹框架：将一小组预定义RIS反射状态下接收到的SNR映射到用户设备的方位角和距离，不需要信道状态信息（CSI）。进一步，该框架被扩展到存在近处跨链路干扰（CLI）的现实场景，此时干净的SNR指纹被破坏，形成SINR指纹；同时采用干扰噪声比（INR）约束的校准策略，使干扰水平保持物理可解释。

方法/产品要点

• 输入：在多个预定义RIS反射状态下测得的SNR指纹（存在干扰时为SINR指纹）。
• 输出：用户设备的方位角（azimuth angle）和距离（range）。
• 不需要CSI，避免高开销的信道估计。
• 干扰建模：将跨链路干扰纳入指纹形成过程，用SINR代替SNR。
• 校准策略：INR约束的校准用于保持干扰水平可解释。
• 评估了四种机器学习回归器；在现有材料中只明确给出了KNN（k近邻）的结果，其余三种回归器名称待核实。

主要结果或产业意义

• 仿真条件：28 GHz，20×20 RIS。
• 无干扰条件下，KNN达到最低角度MAE 0.37°、距离MAE 4 cm。
• 跨链路干扰条件下，KNN的角度MAE升至1.4°，距离MAE升至7.6 cm。
• 关键发现：在所有模型中，干扰对角度估计的恶化程度明显大于对距离估计的恶化程度；原因是波束域指纹对位置信息存在不对称编码。
• 产业意义：该框架为RIS辅助6G波束管理提供了一种无需CSI、基于机器学习的低复杂度定位途径，但当前结果来自仿真，尚需实际系统验证。

为什么重要

• 解决了无直接基站—用户链路时的定位问题，且不需要昂贵或复杂的CSI获取。
• 通过将干扰场景纳入指纹框架，使方法更接近真实部署环境，而不是只停留在理想化SNR条件。
• 揭示了跨链路干扰对角度与距离估计的不对称影响，为后续RIS反射面设计、波束管理和干扰抑制提供了新视角。

局限与不确定性

• 结果来自仿真，尚无实测验证（待核实）。
• 摘要中未给出四种ML回归器的完整名称、RIS反射状态数量、仿真数据集规模、干扰源位置/功率、INR校准策略细节等（待核实）。
• 是否适用于移动用户、动态信道或更复杂的多径环境，材料中未说明（待核实）。
• 计算开销和实时部署可行性，材料中未提及（待核实）。

可用于图书/PPT/简报的角度

• 用“SNR指纹”代替“信道状态信息”：RIS辅助定位的低成本新思路。
• 直观对比：无干扰与跨链路干扰下KNN的定位误差变化。
• 强调干扰对角度估计的影响更大这一反直觉发现，可引申到6G感知与通信设计。
• 以“20×20 RIS、28 GHz、亚米级定位精度”等指标作为科普或技术展示素材。

原始材料

• 英文标题：RIS-Aided mmWave Localization Under Cross-Link Interference via Beam-Domain ML Fingerprinting
• arXiv ID：2608.07444v1
• 作者：Md Tarek Hassan, Dmitry Zelenchuk, Muhammad Ali Babar Abbasi
• 发布时间：2026-08-07
• URL：https://arxiv.org/abs/2608.07444v1
• 原文摘要：Accurate user equipment (UE) localization is critical for beam management in reconfigurable intelligent surface (RIS)-assisted millimeter-wave (mmWave) based sixth-generation (6G) networks, especially if the direct base-station-UE links are unavailable. This paper proposes a beam-domain fingerprint framework that maps the received signal-to-noise ratio (SNR) across a small set of predefined RIS reflection states to the UE azimuth angle and range, without requiring channel state information (CSI). Crucially, we extend the framework to a realistic interference-impaired scenario in which a nearby cross-link interferer (CLI) corrupts the clean SNR fingerprint, yielding a signal-to-interference-plus-noise ratio (SINR) fingerprint; an interference-to-noise ratio (INR)-constrained calibration strategy keeps the interference level physically interpretable. Four machine-learning (ML) regressors are evaluated under both conditions. Simulation results at 28 GHz with a 20x20 RIS show that k-nearest neighbors (KNN) achieves the lowest angle MAE of 0.37 degrees and range MAE of 4 cm under clean conditions, rising to 1.4 degrees and 7.6 cm under interference. A key finding is that interference degrades angle estimation substantially more than range estimation across all models, a consequence of the asymmetric encoding of location information in the beam-domain fingerprint.