XL-MIMO近场定位：攻克PC-HAD相位模糊与球面波挑战

1. 项目概述与核心挑战

在无线通信和雷达感知领域，精确确定信号源的物理位置——即到达方向（DOA）和距离（Range）——是一项基础且关键的任务。无论是实现精准的波束赋形以提升通信质量，还是进行环境感知以支持自动驾驶、无人机导航等应用，都离不开高精度的定位技术。其核心原理并不复杂：当信号以电磁波形式传播到由多个天线组成的阵列时，由于每个天线与信号源的距离存在微小差异，信号到达不同天线时会形成特定的相位差。通过精确测量并分析这些相位差，我们就能反推出信号源在空间中的方位。

然而，技术演进总是伴随着新的挑战。随着我们迈向6G时代，为了追求更高的频谱效率和更大的网络容量，天线阵列的规模正在急剧膨胀，从传统的大规模MIMO走向“极大规模MIMO”（XL-MIMO）。同时，为了降低硬件成本和功耗，业界广泛采用“部分连接混合模拟数字”（PC-HAD）架构。这种架构虽然经济高效，但它引入了一个棘手的问题：相位模糊。简单来说，由于模拟移相器的相位周期特性，一个接收到的信号相位可能对应多个不同的真实入射角，就像时钟的指针指向12点时，你无法区分是中午12点还是午夜12点。

更大的挑战在于“近场”效应。传统定位技术大多基于“远场”假设，即信号源距离天线阵列足够远，电磁波可以近似为平面波，所有天线接收到的波前方向一致。但在XL-MIMO系统中，巨大的阵列孔径使得信号源更容易落在“近场”区域。此时，电磁波是以球面波形式传播的，波前是弯曲的，不同天线接收到的信号方向并不相同。这彻底颠覆了传统基于平面波模型的估计算法，使得问题从单纯的角度估计，升级为需要同时求解角度和距离的二维联合估计，复杂度呈指数级上升。

因此，本项目的核心目标，就是攻克在采用PC-HAD架构的XL-MIMO接收阵列下，进行近场辐射源高精度定位这一工程难题。我们不仅要解决PC-HAD固有的相位模糊问题，还要应对近场球面波带来的模型非线性，最终实现在硬件成本、计算复杂度和定位精度之间的最佳平衡。

2. 系统模型与问题形式化

2.1 近场信号模型与PC-HAD接收阵列

我们考虑一个典型的近场定位场景：一个窄带信号源位于接收天线的近场区域（菲涅尔区），信号以球面波形式传播。一个包含M个天线的均匀线性阵列（ULA）负责接收信号。那么，第m个天线接收到的信号可以建模为：

x_m(t) = s(t) * exp(j * φ_m) + v_m(t)

其中，s(t)是信号波形，v_m(t)是加性高斯白噪声，而最关键的部分是相位项φ_m。在球面波模型下，φ_m由信号源到第m个天线与到参考点（如阵列中心或第一个天线）的波程差决定：

φ_m = (2π/λ) * [ sqrt(r² + (m-1)²d² - 2(m-1)d r sinθ) - r ]

这里，λ是信号波长，d是天线间距（通常设为半波长λ/2），θ和r就是我们最终要估计的目标：入射角和距离。

现在引入PC-HAD架构。为了节省昂贵的射频链和模数转换器，整个M根天线的阵列被划分为K个子阵列，每个子阵列包含M_s根天线（M = K * M_s），并共享一个射频链。每个子阵列前端有一组模拟移相器，对接收信号进行模拟波束成形。因此，第k个射频链的输出信号是它所属子阵列所有天线信号的加权和：

y_k(t) = w_k^H * x_k(t) = (1/√M_s) * Σ [ s(t) * exp(j*(φ_{k,l} + α_{k,l})) + v_{k,l}(t)*exp(j*α_{k,l}) ]

其中，w_k是第k个子阵列的模拟波束成形向量，α_{k,l}是移相器引入的相位。将所有K个射频链的输出堆叠起来，就得到了整个阵列的接收信号向量模型：

y(t) = W^H * a(θ, r) * s(t) + W^H * v(t)

这里，W是一个块对角矩阵，代表了所有子阵列的模拟波束成形权重，a(θ, r)是近场导向矢量。这个模型清晰地揭示了我们的问题：从被模拟预处理（矩阵W）扭曲过的观测信号y(t)中，高精度地估计出原始的θ和r。

注意：PC-HAD架构的核心折衷在于，它用硬件复杂度的降低（K个射频链 vs M个射频链），换来了信号模型的“降维”或“失真”。我们的算法必须在这种失真下，依然能鲁棒地工作。

2.2 相位模糊问题的根源与近场特殊性

相位模糊是PC-HAD架构下DOA估计的“阿喀琉斯之踵”。其根源在于模拟移相器的相位响应具有周期性。在远场平面波模型下，阵列导向矢量a(θ)中相邻天线的相位差是线性的：Δφ = (2π/λ) * d * sinθ。在PC-HAD架构中，每个子阵列被等效视为一个“超级天线”，其等效天线间距变为M_s * d。这导致相位差可能出现2π整数倍的模糊，即：

sinθ_estimated = sinθ_true + (λ / (M_s * d)) * i， 其中i = 0, ±1, ±2, ...

对于半波长间距(d=λ/2)，上式简化为sinθ_estimated = sinθ_true + (2 / M_s) * i。这意味着，一次测量会得到M_s个可能的候选角度解，其中只有一个是真实的。

有趣的是，在近场模型下，事情出现了转机。近场导向矢量a(θ, r)中的相位项φ_m是关于天线索引m的非线性函数（包含平方根）。这种非线性使得不同子阵列接收到的信号相位关系，无法被简单的周期性模糊所完全刻画。换句话说，近场球面波的曲率本身携带了额外的信息，在某种程度上“破坏”了远场下严格的相位模糊周期性。这是我们后续算法设计的一个重要出发点：近场效应虽然增加了问题维度，但也为化解PC-HAD的相位模糊提供了新的可能性。

3. 核心方案：分组PC-HAD结构与问题转化

3.1 分组思想：化近场为远场

直接处理整个大规模阵列的近场模型是极其复杂的。我们提出了一种“分而治之”的巧妙思路：分组PC-HAD结构。

我们将整个包含K个子阵列的大规模接收阵列，均匀划分为L个组（Group），每个组包含G个子阵列（K = L * G）。分组的核心依据是近场-远场转换条件。回忆一下，判断一个信号源是近场还是远场的瑞利距离公式为2D²/λ，其中D是阵列孔径。对于一个子阵列组，其物理孔径D_g远小于整个阵列的孔径D。因此，只要信号源到阵列的距离r满足：

r > 2 * D_g² / λ

那么，对于单个组内部的G个子阵列而言，信号就可以被近似为来自远场的平面波。这是一个非常关键的简化。虽然对于整个阵列，信号仍然是近场球面波，但对于每个独立的“小阵列”（即一个组），我们却可以沿用成熟的远场DOA估计算法。

3.2 组内远场DOA估计与相位模糊集生成

在每个组内部，问题被简化为：一个具有G个“等效天线”（每个等效天线对应一个子阵列）的ULA，接收一个远场信号。此时，我们可以采用计算效率高、精度优秀的Root-MUSIC算法来进行DOA估计。

具体步骤如下：

1. 计算协方差矩阵：对第l个组的接收信号y_l(t)，计算其采样协方差矩阵R_l = (1/T) * Σ y_l(t) * y_l^H(t)，其中T是快拍数。
2. 特征分解：对R_l进行特征值分解，将特征向量张成的空间划分为信号子空间和噪声子空间。
3. 构建多项式与求根：利用噪声子空间构造一个多项式f(z_l)，其最接近单位圆的根ẑ_l包含了DOA信息。这是Root-MUSIC的核心，避免了谱峰搜索，计算量低。
4. 生成模糊解集：由于等效天线间距为M_s * d，根据前述相位模糊原理，一个根ẑ_l会对应M_s个可能的DOA估计值：θ̂_{l,i} = arcsin[ (λ * (arg(ẑ_l) + 2π*i)) / (2π * M_s * d) ],i = 0, 1, ..., M_s-1这样，对于第l个组，我们就得到了一个包含M_s个候选角度的初始解集Θ̂_l。

至此，我们通过分组，将原来的一个近场问题，转化为了L个独立的远场DOA估计子问题，并分别得到了它们的模糊解集。接下来的挑战是：第一，如何从每个组的M_s个模糊解中挑出唯一真值？第二，如何将L个组估计出的、彼此不同的角度（因为它们对应信号源相对于不同组参考点的方向）融合，得到最终相对于整个阵列参考点的统一角度θ和距离r？

4. 角度校准与候选位置集构建

4.1 几何校准原理

虽然每个组将自己内部的信号视为远场，但不同组观测到的角度θ_l是不同的，因为它们相对于信号源的位置不同。图4清晰地展示了这种几何关系。假设整个阵列的参考点为p_r，第l1和l2个组的参考点分别为p_{l1}和p_{l2}。信号源的位置可以用(θ, r)（相对于p_r）或(θ_{l1}, r_{l1})、(θ_{l2}, r_{l2})（分别相对于p_{l1}和p_{l2}）来描述。

根据简单的几何三角关系，我们可以建立方程组，将不同组的观测值关联起来。例如，通过联立(θ_{l1}, r_{l1})和(θ_{l2}, r_{l2})，可以推导出相对于整个阵列参考点的校准角度θ的表达式：

tanθ = [Δd_{l2} * tanθ_{l1} - Δd_{l1} * tanθ_{l2}] / Δd_{l1,l2}

其中，Δd_{l1,l2}是两个组参考点之间的距离。这个公式就是我们的角度校准器。它将任意两个组的局部观测角度，映射到了全局坐标系下。

4.2 构建全局候选位置集

现在，我们将角度校准与相位模糊解集结合起来。对于任意两个组l1和l2，以及每一个可能的模糊系数i（i=0,..., M_s-1），我们可以将第l1组的候选角θ̂_{l1,i}和第l2组的候选角θ̂_{l2,i}代入校准公式，计算出一个校准后的全局候选角θ̂_{l1,l2,i}。

同时，利用几何关系，我们还可以计算出一个对应的候选距离r̂_{l1,l2,i}：

r̂_{l1,l2,i} = [Δd_{l1,l2} * cosθ̂_{l1,i} * cosθ̂_{l2,i}] / [cosθ̂_{l1,l2,i} * (sinθ̂_{l1,i} cosθ̂_{l2,i} - cosθ̂_{l1,i} sinθ̂_{l2,i})]

这样，每一对组(l1, l2)和每一个模糊系数i，都生成一个候选的发射源位置ω_{l1,l2,i} = (θ̂_{l1,l2,i}, r̂_{l1,l2,i})。将所有L个组两两组合（共有N = C(L,2)种组合），并对每个组合遍历所有M_s个模糊系数，我们就得到了一个包含N * M_s个样本的全局候选位置集Ω。

这个集合Ω具有一个关键特性：所有基于真实模糊系数i_true生成的样本ω_{l1,l2,i_true}，在无噪声情况下，都应该收敛于真实的发射源位置(θ, r)；而基于错误模糊系数生成的样本，则会分散在位置空间的各个地方。我们的任务，就是从这N * M_s个点中，找出那N个聚集在一起的“真实点簇”。

5. 基于机器学习的相位模糊消除与定位

有了候选位置集Ω，问题就转化为一个典型的聚类问题：从大量噪声干扰的样本中，找出密度最高、最紧凑的那个簇，该簇的中心即对应最终估计值。我们提出了两种低复杂度数据驱动聚类方法，和一种高精度模型驱动回归方法。

5.1 方法一：最小样本距离聚类（MSDC）

这是一种直观且计算量极低的方法。其核心思想是：真实解对应的那个簇，其样本点之间的离散程度应该是最小的。

操作步骤：

1. 按模糊系数划分：将候选集Ω按模糊系数i划分为M_s个子簇Ω_i，每个子簇包含N个样本（来自N个不同的组对）。
2. 计算簇内离散度：对于每个子簇Ω_i，计算其所有样本点两两之间的欧氏距离平方和，作为该簇的离散度度量d̄_i。这个值越小，说明该簇的样本点越集中。
3. 选择最紧凑簇：比较所有M_s个子簇的离散度d̄_i，选择离散度最小的那个簇，其对应的模糊系数î即为估计的真实模糊系数。î = argmin_i d̄_i
4. 位置估计：将选出的簇Ω_î中所有N个样本的坐标分别取平均，即得到最终的DOA和距离估计：θ̂ = (1/N) Σ θ̂_{n,î},r̂ = (1/N) Σ r̂_{n,î}

实操心得与注意事项：

• 优势：MSDC原理简单，无需迭代，计算复杂度仅为O(M_s * N²)，在信噪比较高时性能接近理论下界。
• 劣势：其性能严重依赖于“真实解簇最紧凑”的假设。在低信噪比下，噪声会使得所有簇的离散度都变大，真实簇的“紧凑性”优势不再明显，容易选错簇，导致估计性能急剧下降。
• 参数选择：无需调参，开箱即用。但在实际部署时，建议先对Ω中的角度值进行模2π处理，确保其在[-π, π]范围内，避免因相位卷绕导致的距离计算错误。

5.2 方法二：基于距离-角度散点图的DBSCAN聚类（RSD-ASD-DBSCAN）

MSDC方法同时利用了角度和距离信息进行聚类。我们观察到，错误解在角度维和距离维的分布特性可能不同。RSD-ASD-DBSCAN方法通过分别构建距离散点图（RSD）和角度散点图（ASD），并利用DBSCAN密度聚类算法，实现了更鲁棒的模糊消除。

核心步骤解析：

1. 数据变换与散点图构建：

   • RSD构建：将候选距离集R̂中的每个距离值r，转换为极坐标形式r * exp(j*r)，然后取其实部和虚部(ℜ, ℑ)作为一个二维点。所有点构成RSD。这个变换将一维距离数据映射到二维平面，放大了不同簇之间的可分性。
   • ASD构建：类似地，构建一个角度候选集Â，它包含第一组的初始解集Θ̂_1以及所有包含第一组的校准角集Θ̂_{1,l}。同样进行极坐标变换θ * exp(j*θ)并取实虚部，得到ASD。

2. 利用ASD进行预筛选： 根据公式θ̂_{1,l,i} = arctan(tanθ̂_{1,i})，在无噪声下，如果i是真实模糊系数，则θ̂_{1,i}应与所有θ̂_{1,l,i}相等。因此，在ASD中，我们可以计算每个模糊系数i对应的θ̂_{1,i}点与所有θ̂_{1,l,i}点之间的距离和。若该距离和超过一个阈值ε，则可直接判定该i为错误模糊系数，从而在RSD中提前剔除其对应的整个距离子簇R̂_i。这一步显著减少了后续聚类处理的样本数和干扰。

3. DBSCAN密度聚类： 对预筛选后的“改进RSD”R̂_imp应用DBSCAN算法。

   • 参数设置：这是关键。邻域半径ϵ初始值设置为所有剩余子簇中，样本点间最大距离的最小值。最小点数MinPts设为N（真实解簇的样本数）。
   • 迭代聚类：运行DBSCAN，找到样本数最多的簇C_max。如果|C_max| > N，说明聚类仍不够精细，需要减小邻域半径ϵ（乘以一个收缩因子η < 1），然后重新聚类，直到找到恰好包含N个点的簇，该簇即被认定为真实距离解簇R̂_true。

4. 位置反推与估计： 从R̂_true中的每个距离估计值r̂_{true,n}，反向在原始候选集Ω中找到与之配对的θ̂_{true,n}。最后对N个(θ̂_{true,n}, r̂_{true,n})对分别取平均，得到最终定位结果。

算法优势与调参经验：

• 鲁棒性更强：DBSCAN对噪声和离群点不敏感，且通过ASD预筛选，进一步提升了在低信噪比下的性能。
• 复杂度可控：虽然比MSDC复杂，但通过预筛选减少了DBSCAN的处理规模。其复杂度约为O(Σ N_{s,j}²)，其中N_{s,j}是第j次迭代时需要聚类的样本数。
• 关键参数ε和η：阈值ε用于ASD预筛选，应与信噪比负相关。实践中可以设置为一个与噪声方差成正比的小量。收缩因子η通常设置在0.7到0.9之间，过小可能导致收敛慢，过大可能无法有效分离密集错误点。

5.3 方法三：回归网络（RegNet）—— 一种模型驱动的高精度方案

前述两种方法都是无监督的数据驱动方法。为了在更低信噪比下获得接近理论极限的精度，我们提出了一种有监督的、模型驱动的解决方案——RegNet。它将相位模糊消除和角度融合两个步骤，建模为一个端到端的回归问题。

网络结构设计：RegNet由两部分组成，如图7所示：

1. 多层神经网络（MLNN）—— 模糊消除器：

   • 输入：将所有L个组的初始模糊解集Θ̂拼接成一个长向量（维度L * M_s）。这个向量包含了所有可能的（正确和错误的）角度信息。
   • 功能：MLNN的目标是学习一个复杂的非线性映射f_nl，从包含大量错误解的输入中，精准地输出每个组对应的真实角度解Θ̂_true（维度L）。这本质上是一个“去伪存真”的滤波过程。
   • 设计细节：采用全连接网络，隐藏层使用ReLU激活函数引入非线性，输出层使用线性激活函数用于回归。网络规模（深度和宽度）需要与输入维度L*M_s匹配，以确保足够的表达能力。

2. 单层感知机（Perceptron）—— 角度融合器：

   • 输入：MLNN输出的L个真实组角度Θ̂_true。
   • 功能：由于这L个角度是信号源相对于不同组参考点的方向，它们并不相等。感知机学习一个最优的线性组合，将这些局部角度融合为一个全局角度估计θ̂。其数学形式为：θ̂ = W_p * Θ̂_true + b_p，其中W_p和b_p是待学习的权重和偏置。

训练与实现要点：

• 数据生成：训练数据无需真实测量，可通过仿真生成。在DOA范围[-π/2, π/2]内均匀采样大量角度θ，根据系统模型生成对应的带噪声的初始模糊解集Θ̂作为输入，对应的真实组角度Θ̂_true和全局角度θ作为标签。
• 损失函数：均方误差（MSE）。分别训练MLNN（损失函数为MSE = (1/L) Σ (θ̂_{l,true} - θ_{l,true})²）和感知机（损失函数为MSE_p = (θ̂ - θ)²），或联合训练整个RegNet。
• 距离估计：网络输出全局角度θ̂后，结合MLNN输出的各组成角θ̂_{l,true}，利用几何关系公式r̂_{l1,l2}计算所有组对的距离，再取平均得到最终r̂。这一步是确定性的，无需网络学习。

优势与适用场景：

• 高精度：在低信噪比区域，RegNet的性能显著优于两种聚类方法，能更早地达到克拉美-罗下界（CRLB）。
• 离线训练，在线推理：训练阶段可能耗时，但一旦训练完成，在线定位阶段只是一个简单的前向传播，速度极快。
• 泛化能力：网络在训练时见到了各种角度和噪声情况，对于训练集范围内的场景，其模糊消除和融合能力非常鲁棒。

6. 性能边界分析与工程启示

6.1 克拉美-罗下界（CRLB）推导与解读

为了评估所提方法的性能极限，我们推导了分组PC-HAD结构下近场定位的CRLB。CRLB给出了任何无偏估计器方差的理论下界，是衡量算法优劣的金标准。

推导结果（详见附录）表明，DOA和距离估计的CRLB表达式具有相似的形式：CRLB_θ = [Σ F_{rr}^{(l)}] / [T * ( (Σ F_{θθ}^{(l)})*(Σ F_{rr}^{(l)}) - (Σ F_{θr}^{(l)})² )]CRLB_r = [Σ F_{θθ}^{(l)}] / [T * ( (Σ F_{θθ}^{(l)})*(Σ F_{rr}^{(l)}) - (Σ F_{θr}^{(l)})² )]

其中，F_{θθ}^{(l)}, F_{rr}^{(l)}, F_{θr}^{(l)}是第l个组的Fisher信息矩阵元素，求和Σ是对所有L个组进行。T是快拍数。

一个关键结论（Remark 1）：在总子阵列数K和每组子阵列数M_s固定的前提下，CRLB的值随着每组内子阵列数量G的增加而单调递减。换句话说，组越大（即组数L越少），理论上能达到的定位精度越高。

工程启示：这给了我们一个重要的设计折衷。更少、更大的组（大G，小L）意味着：

1. 精度潜力更高：因为每个组的孔径D_g变大，其角度分辨能力本身增强。
2. 计算量可能增加：组内Root-MUSIC的复杂度与G²或G³相关。
3. 近场假设可能被破坏：分组的前提是组内满足远场近似。如果G太大导致D_g过大，可能使得r > 2D_g²/λ的条件不再成立，从而影响模型准确性。

因此，在实际系统设计中，需要根据预期的目标距离r、信号波长λ，以及硬件能容忍的计算复杂度，来折衷选择最优的组大小G（或组数L）。

6.2 复杂度对比与选型建议

我们对三种方法的计算复杂度进行了分析（见表I）：

• MSDC：复杂度最低，主要为O(M_s * N²)级的样本距离计算。适合对功耗极度敏感、且工作环境信噪比较高的场景。
• RSD-ASD-DBSCAN：复杂度中等，涉及预筛选和迭代DBSCAN聚类，约为O(Σ N_{s,j}²)。在中等信噪比下提供了比MSDC更好的鲁棒性，是精度和复杂度之间的良好平衡点。
• RegNet：离线训练复杂度高，依赖于网络规模。但在线推理复杂度是固定的，仅为一次神经网络前向传播O(L*M_s * Π N_h)。适合那些可以承受离线训练成本，且对低信噪比下实时定位精度要求极高的应用。

选型决策流程图：

是否允许离线训练且追求极限低信噪比性能？ | |-- 是 --> 选择 RegNet | |-- 否 --> 预估工作场景的平均信噪比(SNR) | |-- SNR 高 (如 > 12dB) --> 选择 MSDC (最经济) | |-- SNR 中低 (如 < 12dB) --> 选择 RSD-ASD-DBSCAN

7. 仿真验证与结果分析

我们通过大量的蒙特卡洛仿真验证了所提方法的有效性。系统参数设置如下：总天线数M=240，子阵列大小M_s=3，组数L=5，载频30GHz，发射源位于(60°, 20m)。

关键发现：

1. 性能收敛性：如图8和图9所示，在足够的信噪比（SNR）或快拍数（T）下，所有三种方法均能达到CRLB理论下界。这证明了我们提出的分组框架以及后续处理算法的有效性。
2. 低信噪比优势：RegNet在低信噪比区域（如SNR < 8dB）展现出了显著优势，其性能曲线最贴近CRLB。这是因为神经网络能够学习噪声的统计特性，从而更好地抑制噪声干扰。
3. 复杂度与性能权衡：RSD-ASD-DBSCAN的性能介于RegNet和MSDC之间，在中等信噪比下优于MSDC。MSDC则在信噪比足够高时，以最低的复杂度达到了与另外两者相近的精度。
4. 结构参数影响：图10验证了理论分析，CRLB随着组数L的增加（即每组子阵列数G的减少）而上升。这意味着在硬件允许的情况下，采用更大的组（更少的组数）有利于提升定位精度极限。

8. 扩展讨论与未来方向

8.1 多辐射源场景的适应性

本文主要针对单辐射源场景进行阐述，以清晰呈现原理。但所提框架天然支持多辐射源定位。在Root-MUSIC阶段，每个组会针对Q个信号源估计出Q个角度，从而生成Q个初始模糊解集。后续的校准、候选集构建和聚类/回归处理，可以对这Q个源独立并行地进行。本质上，多源问题被分解为了多个并行的单源问题。需要注意的是，这要求信号源在角度-距离域是可分的，并且算法（特别是聚类方法）需要具备区分不同簇的能力。

8.2 实际部署考量与挑战

1. 校准误差：算法依赖于精确的阵列几何知识（如组间距离Δd）。在实际系统中，天线位置误差、通道不一致性等都需要通过精密的阵列校准来补偿。
2. 模型失配：算法基于理想的球面波模型和已知的阵列结构。在实际复杂环境中（如存在多径、非视距传播），模型可能出现失配，需要引入鲁棒性设计或采用数据驱动的深度学习方法进行端到端建模。
3. 动态场景：对于移动的辐射源，需要结合跟踪算法（如卡尔曼滤波）对连续估计结果进行平滑和预测。
4. 硬件非理想性：模拟移相器的量化误差、幅相不一致性，以及射频链的噪声系数等，都会在实际性能中有所体现。在算法设计初期考虑这些非理想因素，能提升方案的实用性。

8.3 与更广泛技术的结合

本方案的核心思想——通过分组降维、再利用机器学习处理模糊和融合——可以与其他先进技术结合：

• 宽带信号处理：对于宽带信号，可以结合频域信息，利用不同频点的相位差异来进一步消除模糊或提升精度。
• 深度学习增强：可以用更复杂的网络结构（如CNN处理空-时二维信号，或Transformer捕捉长距离依赖）替代RegNet中的MLNN，可能进一步提升在极端复杂环境下的性能。
• 集成感知与通信（ISAC）：本定位模块可以无缝嵌入到6G的ISAC系统中，利用通信信号同时完成对用户设备的定位，实现通信-感知一体化。

这个基于分组混合架构和机器学习的近场定位框架，为未来XL-MIMO系统实现高精度、低成本的定位感知功能，提供了一条清晰且富有潜力的技术路径。从理论分析到算法设计，再到仿真验证，它展示了如何通过巧妙的系统建模和先进的信号处理工具，解决前沿通信系统中的核心挑战。