RadioDiff-3D: A 3D$\times$3D Radio Map Dataset and Generative Diffusion Based Benchmark for 6G Environment-Aware Communication
State Key Laboratory of ISN and School of Telecommunications Engineering, Xidian University(信息与通信国家重点实验室和西安电子科技大学电信工程学院);School of Artificial Intelligence, Xidian University(人工智能学院,西安电子科技大学);School of Science and Engineering (SSE), Shenzhen Future Network of Intelligence Institute (FNii-Shenzhen), and Guangdong Provincial Key Laboratory of Future Networks of Intelligence, The Chinese University of Hong Kong (Shenzhen)(科学与工程学院(SSE)、深圳未来网络智能研究院(FNii-Shenzhen)及广东省级未来网络智能重点实验室,香港中文大学(深圳));Department of Electrical and Computer Engineering, University of Waterloo(电气与计算机工程系,滑铁卢大学)
本文提出了大规模3D无线电地图数据集UrbanRadio3D,并基于扩散模型构建了生成框架RadioDiff-3D,以解决传统2D无线电地图构建忽略DoA、ToA等关键参数且泛化能力差的问题,为6G环境感知通信提供了基础数据集与基准。
2025-07-16 cs.LG cs.SY eess.SY
RadioUNet: Fast Radio Map Estimation with Convolutional Neural Networks
LMU Munich(慕尼黑大学);TU Berlin(柏林工业大学);University of Tromsø(特罗姆瑟大学)
在本文中,我们提出了一种高效且非常准确的深度学习方法,用于估计从点$x$(发射机位置)到平面域上任何点$y$的传播路径损耗。对于诸如用户小区站点关联和设备到设备链路调度的应用,对于所有发射机-接收机位置对的路径损耗函数的准确知识是非常重要的。常用的统计模型将路径损耗近似为发射器和接收器之间距离的衰减函数。然而,在以建筑物、街道峡谷和不同高度的物体的存在为特征的现实传播环境中,这种径向对称函数产生非常误导的结果。在本文中,我们表明,经过适当设计和训练的深度神经网络能够学习如何以非常准确和计算效率高的方式估计城市环境中的路径损耗函数。我们提出的方法,称为RadioUNet,从物理模拟数据集学习,并生成非常接近模拟的路径损耗估计,但对于实时应用来说,计算速度要快得多。此外,我们提出了将从模拟中学到的知识转移到现实生活中的方法。数值结果表明,我们的方法显着优于以前提出的方法。
2020-12-22 cs.IT cs.LG eess.SP
Real-time Localization Using Radio Maps
TU Berlin(柏林工业大学);University of Tromsø(特罗姆瑟大学)
本文论述了在密集的城市场景中的蜂窝网络中的定位问题。全球导航卫星系统通常在城市环境中表现不佳,当设备和卫星之间没有视线时,因此通常需要替代的定位方法。我们提出了一个简单而有效的方法定位的基础上的路径损耗。在我们的方法中,要定位的用户报告从具有已知位置的一组基站接收的信号强度。对于每个基站,我们在地图中每个位置都有一个很好的路径损耗近似值,由RadioUNet提供,RadioUNet是城市环境中基于深度学习的有效路径损耗函数模拟器,类似于射线跟踪。使用所有基站的路径损耗函数和报告的信号强度的近似值,我们能够提取用户的位置的非常准确的近似值。
2020-06-09 cs.IT cs.LG eess.SP
A Scalable and Generalizable Pathloss Map Prediction
University of Southern California(南加州大学)
针对射线追踪路径损耗预测计算成本高的问题,提出数据驱动的PMNet,并结合迁移学习实现毫秒级高精度、跨场景少样本的路径损耗地图预测。
2023-12-06 cs.IT cs.LG cs.NI
LLM4PG: Adapting Large Language Model for Pathloss Map Generation via Synesthesia of Machines
Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR), Shandong University(山东大学-南洋理工大学人工智能联合研究中心 (C-FAIR),山东大学)
本文提出LLM4PG模型,首次将大语言模型适配用于跨模态路径损耗图生成,通过定制微调策略实现高精度与强泛化,在多项指标上显著超越传统AIGC模型。
2025-11-04 eess.SP
WiCo-PG: Wireless Channel Foundation Model for Pathloss Map Generation via Synesthesia of Machines
Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR), Shandong University(山东大学-南洋理工大学人工智能联合研究中心(C-FAIR),山东大学)
针对6G无人机对地场景,本文提出无线信道基础模型WiCo-PG,构建多模态数据集,设计双VQGAN-Transformer与S-R MoE架构,实现高精度跨模态路径损耗图生成,性能显著优于现有对比方案。
2025-11-19 eess.SP
TransPathNet: A Novel Two-Stage Framework for Indoor Radio Map Prediction
TransPathNet是一种两阶段深度学习框架,结合Transformer特征提取与多尺度卷积注意力解码,用于高精度室内路径损耗预测,在ICASSP 2025挑战赛中取得领先性能。
2025-01-27 eess.SP
Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments
TU Berlin(柏林工业大学)
针对无线电地图估计缺乏开放基准的问题,本文发布含路径损耗地图、真实城市地图和航拍图像的数据集,并给出模型架构与输入特征的初步实验及代码。
2024-01-12 cs.LG cs.NI eess.SP
RMTransformer: Accurate Radio Map Construction and Coverage Prediction
Southeast University(东南大学);Purple Mountain Laboratories(紫金山实验室)
针对现有无线电地图预测SOTA方法多依赖卷积架构的情况,提出混合Transformer-卷积模型RMTransformer,通过多尺度Transformer编码器和卷积解码器实现精准预测,RMSE较典型SOTA方法降低30%以上。
2025-01-11 cs.LG eess.SP
R$^{2}$Net: 2D Deep Residual Learning with Height Embedding for 3D Radio Map Estimation
College of Electronic and Information Engineering, Tongji University(同济大学电子与信息工程学院);Institute of Advanced Study, Tongji University(同济大学前沿研究学院)
本文提出R$^{2}$Net,通过将高度信息嵌入2D图像,解决了传统2D方法无法处理不同接收高度导致的3D无线电地图估计问题,并针对室内和室外场景分别提出R$^{2}$Net-In和R$^{2}$Net-Out,提升了路径损耗估计的准确性。
2026-05-18 eess.SP
Effective outdoor pathloss prediction: A multi-layer segmentation approach with weighting map
Shanghai University(上海大学);X’an University of Posts and Telecommunications(西安邮电大学);Xi’an Jiaotong-Liverpool University(西交利物浦大学)
本文提出一种基于 ResNet 的多层分割方法与加权地图,用于有效预测户外路径损耗,实验表明其在精度和计算效率上优于现有方法。
2026-01-13 eess.SP
OpenCSI: An Open-Source Dataset for Indoor Localization Using CSI-Based Fingerprinting
许多应用需要精确的室内定位。基于指纹的定位方法提出了解决这个问题的方案,但依赖于无线电地图,这是努力密集型获取。我们自动化的无线电地图采集阶段使用软件定义的无线电(SDR)和轮式机器人。此外,我们还开源了使用我们的自动化工具获取的无线电地图,用于3GPP长期演进(LTE)无线链路。据我们所知,这是第一个公开可用的包含信道状态信息(CSI)的无线电地图。最后,我们描述了使用卷积神经网络回归位置坐标的无线电地图上的第一次定位实验。
2022-04-14 cs.LG eess.SP
Spectrum Surveying: Active Radio Map Estimation with Autonomous UAVs
University of Agder(阿格德大学);Indian Institute of Science(印度科学理工学院)
无线电地图在无线通信和移动机器人任务中有许多应用,包括资源分配、干扰协调和任务规划。尽管已经提出了许多技术来从空间分布的测量值构建无线电地图,但是假设这些测量值的位置是预先预定的。相比之下,本文提出了频谱测量,其中移动机器人(如无人机(UAV))在主动选择的一组位置处收集测量值,以在短测量时间内获得高质量的地图估计。这分两步进行。首先,设计了两种新算法,基于模型的在线贝叶斯估计器和数据驱动的深度学习算法,用于更新地图估计和指示每个可能位置处的测量信息量的不确定性度量。这些算法提供了互补的优势,并具有每次测量的恒定复杂性。其次,不确定性度量用于规划UAV的轨迹,以在信息量最大的位置处收集测量结果。为了克服这个问题的组合的复杂性,提出了一种动态规划的方法来获得列表的航路点,通过大的不确定性在线性时间的区域。在实际数据集上进行的数值实验证实了该方法能够快速构造出精确的射电图。
2022-01-13 cs.LG eess.SP
On the Uniqueness of the Quasi-Moment-Method Solution to the Pathloss Model Calibration Problem
研究了用准矩量法(QMM)求解标称电波传播路径损耗预测模型的唯一性问题。标称(基本)的预测模型用于调查,首先进行QMM校准测量从三个不同的传播方案。然后,在用奇异值分解(SVD)和QMM算法进行校准之前,将标称模型以适合于SVD校准的形式进行重铸。的根均方预测误差(RMSE),平均预测误差(MPE),和灰色关联度平均绝对百分比误差(GRG MAPE)方面评估的校准模型的预测性能非常清楚地表明,QMM校准的基本路径损耗模型的独特性是更容易观察到的,当基本模型被重铸在特定于SVD校准的形式。在室内到室外测量的校准的代表性情况下,对于QMM校准的标称模型,记录的RMSE值对于ECC 33模型为5.2639dB,对于其他标称模型为5.3218dB。替代(重新排列)名义模型的相应指标对于ECC 33模型为5.2663dB,对于其他模型为5.2591dB。GRG MAPE指标中具有类似的一般趋势,对于所有替代模型的SVD和QMM校准,其记录为0.9131,但对于标称模型的QMM校准略有不同(在0.9138和0.9196之间)。这些度量之间的微小差异(由于计算舍入近似)证实,当基本模型的组件是线性独立的,QMM解决方案是唯一的。
2023-02-23 eess.SP
RadioSim Agent: Combining Large Language Models and Deterministic EM Simulators for Interactive Radio Map Analysis
National University of Sciences and Technology(国立科学技术大学);Dublin City University(都柏林城市大学)
本文提出 RadioSim Agent 框架,将大语言模型与确定性电磁仿真器及视觉推理相结合,实现自然语言驱动的可交互、可解释无线电地图生成,并在城市无人机通信场景中验证了其自主仿真与多模态分析能力。
2025-11-08 eess.SP
Zero-Shot Frequency Generalization for Radio Map Prediction via Cross-Attention Physics-Residual Learning
National University of Sciences and Technology(国立科技大学)
该研究针对无线电地图预测模型无法适配未见过频率的问题,提出双流交叉注意力物理残差学习方法,在多场景多载波实验中显著降低了预测的RMSE,实现了良好的零样本频率泛化性能。
2026-08-18 eess.SP
Physics-Inspired Distributed Radio Map Estimation
Georgia State University(佐治亚州立大学);University of Louisiana at Lafayette(拉斐特路易斯安那大学)
针对联邦学习无线电地图估计中因景观信息缺失导致的任务异质性问题,提出一种基于无线电传播模型领域知识的分布式框架,通过拆分全局与客户端特定自编码器模块,在保护隐私的同时提升了估计性能。
2025-02-01 cs.DC cs.LG eess.SP
RadioMamba: Breaking the Accuracy-Efficiency Trade-off in Radio Map Construction via a Hybrid Mamba-UNet
State Key Laboratory of ISN and School of Telecommunications Engineering, Xidian University(信息与通信工程国家重点实验室和西安电子科技大学电信工程学院);Department of Electrical and Computer Engineering, University of Waterloo(滑铁卢大学电气与计算机工程系)
针对无线电地图构建中的精度-效率权衡问题,提出混合Mamba-UNet架构RadioMamba,结合Mamba与卷积分支同时捕获全局与局部特征,在实现更高精度的同时运行速度提升近20倍且仅需2.9%的参数。
2025-07-28 cs.LG cs.NI eess.SP
Data-Driven Radio Environment Map Estimation Using Graph Neural Networks
Global AI Accelerator, Ericsson(爱立信全球人工智能加速器);KTH Royal Institute of Technology(皇家理工学院(瑞典))
针对高精度无线电环境地图构建的难题,提出一种结合物理小区信息与稀疏信号测量、基于图神经网络的REM估计方法,可有效捕捉全网覆盖的空间依赖关系。
2024-06-09 cs.LG cs.NI eess.SP
Quantized Radio Map Estimation Using Tensor and Deep Generative Models
Oregon State University(俄勒冈州立大学)
针对现有可证明频谱制图方法依赖全分辨率传感器测量的不现实假设,提出基于最大似然估计的量化频谱制图框架,推广了块项张量分解与深度生成模型方法,并通过仿真和真实数据实验验证了有效性。
2023-08-23 cs.LG eess.SP
Algorithm for Dynamic Fingerprinting Radio Map Creation Using IMU Measurements
虽然最近出现了大量的基于位置的服务,但是室内定位解决方案被开发以在传统上使用的基于卫星的定位系统不能提供对准确位置估计的访问的环境中提供可靠的位置信息。室内定位系统可以基于许多技术;然而,无线电网络和更精确的Wi-Fi网络似乎吸引了大多数研究团队的注意力。在基于Wi-Fi的系统中使用的最广泛使用的定位方法是基于指纹识别框架。然而,指纹算法需要无线电地图来进行位置估计。本文将描述一种用于动态无线电地图创建的解决方案,其目的是减少创建无线电地图所需的时间。所提出的解决方案是使用从惯性测量单元(IMU),这是处理与粒子滤波航位推算算法的测量。参考点(RP)所产生的实施航位推算算法,然后处理所提出的参考点合并算法,以优化无线电地图的大小和合并类似的RP。所提出的解决方案进行了测试,在现实世界的环境中,并通过实施确定性指纹定位算法进行评估,并取得的结果与静态无线电地图取得的结果进行了比较。所取得的结果表明,定位算法实现了类似的准确性,即使在动态地图与低密度的参考点。
2022-09-22 cs.NI eess.SP
ACT-GAN: Radio map construction based on generative adversarial networks with ACT blocks
Yunnan University(云南大学)
本文提出ACT-GAN,通过AOT、CBAM和T-Conv模块改进生成对抗网络,用于高精度无线电地图构建,在多种场景下显著降低RMSE并能准确预测未知发射源位置。
2024-01-17 cs.LG eess.SP
Deep Spectrum Cartography: Completing Radio Map Tensors Using Learned Neural Models
Oregon State University(俄勒冈州立大学);University of Minnesota(明尼苏达大学)
频谱制图(SC)技术构造多域(例如,频率,空间和时间)的射频(RF)地图从有限的测量,这可以被看作是一个不适定的张量完成问题。基于模型的制图技术通常依赖于手工制作的先验(例如,稀疏性、平滑性和低秩结构)。这样的先验可能不足以捕捉复杂无线环境的本质-特别是当严重的阴影发生时。为了规避这些挑战,SC考虑了无线电地图的离线训练的深度神经模型,因为深度神经网络(DNN)能够从数据中“学习”复杂的底层结构。然而,这种基于深度学习(DL)的SC方法在离线模型学习(训练)和完成(泛化)两者中遇到严重挑战,这可能是因为用于生成无线电地图的潜在状态空间过大。在这项工作中,提出了一种基于发射器无线电地图分解的方法,在该方法下,只有单个发射器的无线电地图由DNN建模。这样,学习和泛化的挑战都可以大大减轻。使用学习的DNN,一个快速的非负矩阵分解为基础的两阶段SC方法和性能增强的迭代优化算法。理论方面-如可恢复性的无线电张量,样本的复杂性,和噪声鲁棒性-在所提出的框架下的特点,和这样的理论属性一直难以捉摸的DL为基础的无线电张量完成的上下文中。实验使用合成和真实数据从室内和阴影严重的环境中展示所提出的方法的有效性。
2022-01-21 cs.LG eess.SP
Radio Map Estimation via Latent Domain Plug-and-Play Denoising
School of Electrical Engineering and Computer Science, Oregon State University(电气工程与计算机科学学院,俄勒冈州立大学);College of Information Science and Electronic Engineering, Zhejiang University(信息科学与电子工程学院,浙江大学);Shenzhen Research Institute of Big Data, The Chinese University of Hong Kong, Shenzhen(深圳大数据研究院,香港中文大学(深圳))
提出一种基于潜在域即插即用去噪的无线电地图估计方法,利用自然图像降噪器辅助RME,避免使用无线电地图数据训练,提高了计算效率和噪声鲁棒性。
2025-06-26 cs.LG eess.SP
Joint Ex-Post Location Calibration and Radio Map Construction under Biased Positioning Errors
The University of Electro-Communications(电气通信大学)
针对位置信息受突发偏差误差影响的场景,提出联合事后位置校准与无线电图构建框架,通过建模偏差定位误差和空间相关性,基于实际数据验证其能将RMSE下降限制在0.25-0.29 dB,优于基线方法。
2025-09-24 cs.NI eess.SP
Research Project 2: Drone-supported AI-based Generation of 3D Maps of Indoor Radio Environments
无线电环境地图(REM)是增强无线电使能代理的经验的强大工具,但构建这样的REM可能是一项艰巨的任务,特别是在三维中。该项目展示了如何以自主和可扩展的方式生成室内三维空间的REM。在前面的研究项目1的结果的基础上,使用多个无人机来映射真实世界环境中存在于这样的空间中的WiFi信号,其中每个无人机都能够访问36个航点,并共同收集数千个WiFi信标数据样本。该报告还包括对收集到的数据的分析,并提出了基于机器学习的技术来预测无人机未访问的位置的已知接入点的信号强度。
2021-09-14 cs.NI eess.SP
RadioVIL: Anomaly-Aware Diffusion Models for Radio Map Inpainting and Zero-Shot Vehicle Localization
Xidian University(西安电子科技大学)
针对现有方法无法保留动态实体散射特征的问题,提出RadioVIL框架,通过DDPM与DMILO算法实现无线电地图补全,在零样本车辆定位任务中获75.20%召回率及3.31米平均误差,为6G边缘ISAC提供支撑。
2026-08-18 cs.LG eess.SP
Mitigating the Impact of Location Uncertainty on Radio Map-Based Predictive Rate Selection via Noisy-Input Gaussian Process
The University of Electro-Communications(电气通信大学)
本文提出基于噪声输入高斯过程(NIGP)的无线电图构建框架,通过泰勒近似处理位置噪声,解决6G网络中定位误差导致的速率选择可靠性下降问题,实现比纯GP更可靠的传输速率选择和更高吞吐量。
2025-09-18 cs.NI eess.SP
PILOT: One Physics-Integrated Generation Framework to Unify 2D and 3D Radio Map Construction
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));City University of Hong Kong(香港城市大学)
PILOT通过整合物理模型,采用波前序列替代传统栅格扫描,提升2D和3D无线电地图构建的精度与效率,实现更低的NMSE和更快的推理速度。
2026-04-26 cs.NI eess.SP
REM-U-net: Deep Learning Based Agile REM Prediction with Energy-Efficient Cell-Free Use Case
本文提出基于u-net的大规模三维无线环境地图预测框架,在ICASSP挑战赛中取得0.045归一化RMSE和14毫秒运行时间,并证明其可用于无蜂窝大规模MIMO网络的节能接入点开关决策。
2023-09-21 cs.NI eess.SP
RME-GAN: A Learning Framework for Radio Map Estimation based on Conditional Generative Adversarial Network
室外无线电地图估计是现代物联网(IoT)和蜂窝系统中网络规划和资源管理的重要工具。无线电地图描述空间信号强度分布,提供网络覆盖信息。一个实际的目标是从稀疏的无线电强度测量估计精细分辨率的无线电地图。然而,非均匀定位的测量和接入障碍物可能使得在许多室外环境中难以进行准确的无线电地图估计(RME)和频谱规划。在这项工作中,我们通过整合无线电传播模型和设计条件生成对抗网络(cGAN),开发了一个两阶段的无线电地图估计学习框架。我们首先探索全球信息提取无线电传播模式。然后,我们专注于本地功能,以估计无线电地图上的阴影的影响,以训练和优化的cGAN。我们的实验结果表明,无线电地图估计的生成模型的基础上稀疏观测在室外场景的建议框架的有效性。
2022-12-24 eess.SP
Diffraction and Scattering Aware Radio Map and Environment Reconstruction using Geometry Model-Assisted Deep Learning
Future Network of Intelligence Institute (FNii), The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)未来网络智能研究院)
针对城市地图不可得的问题,提出几何模型辅助深度学习方法,利用RSS联合重建无线电地图与三维虚拟环境,并提升精度与迁移效率。
2024-03-01 cs.LG eess.SP
Radio Map Estimation: A Data-Driven Approach to Spectrum Cartography
无线电地图表征无线电通信环境中感兴趣的量,例如地理区域的每个点处的接收信号强度和信道衰减。无线电地图估计通常需要基于空间分布测量的内插推断。在这篇教程文章中,在介绍了无线电地图的一些代表性应用之后,讨论了最突出的无线电地图估计方法。从简单的回归开始,博览会逐渐深入到更复杂的算法,最终触及国家的最先进的技术。为了深入了解这个多功能的工具包,说明性的玩具例子也将提出。
2022-06-17 eess.SP
Exemplar-Based Radio Map Reconstruction of Missing Areas Using Propagation Priority
无线电地图描述了网络覆盖范围,是现代无线系统中网络规划的重要工具。一般来说,收集无线电强度测量数据是为了制作高分辨率无线电地图供分析。然而,由于物理限制和安全考虑,某些保护区无法进入进行测量,导致无线电地图上出现空白。非均匀间隔的测量和不均匀的观测分辨率使得保护区的无线电地图估计和频谱规划更加困难。这项工作探讨了无线电频谱强度的分布,并提出了一种基于范例的方法来重建无线电地图上的缺失区域。而不是采取通用的图像处理方法,我们利用无线电传播模型来确定区域填充的方向,并开发两种不同的方案来估计丢失的无线电信号功率。我们的测试结果的基础上高保真仿真证明所提出的方法的有效性无线电地图重建。
2022-09-10 eess.SP
RadioNet: Transformer based Radio Map Prediction Model For Dense Urban Environments
无线电地图预测(RMP),旨在估计无线电波的覆盖范围,已被广泛认为是一种使能技术,以提高无线电频谱效率。然而,由于无线电波与环境之间的复杂相互作用,快速可靠的无线电地图预测可能非常具有挑战性。本文提出了一种新的基于Transformer的深度学习模型RadioNet,用于城市场景中的无线电地图预测。此外,提出了一种新的网格嵌入技术,以取代原来的位置嵌入在Transformer,以更好地锚定辐射源,目的地和环境的相对位置。在城市电波传播数据集上验证了该方法的有效性。在RMP任务上,与SOTA模型相比,RadioNet模型的验证损失减少了27.3%,预测可信度从90.9%提高到98.9%。与基于射线跟踪的方法相比,预测速度提高了4个数量级。我们相信,该方法将有利于高效率的无线通信,实时无线电可视化,甚至高速图像渲染。
2021-05-15 eess.SP
UAV-aided Radio Map Construction Exploiting Environment Semantics
本文构建了一个全维(6D)的无线电地图,预测任何发射机位置和任何接收机位置之间的信道增益的基础上接收信号强度(RSS)测量低空空中节点和地面节点。主要的挑战是如何描述由于环境的阻挡而导致的信号强度衰减。传统的插值型方法未能利用无线电地图和环境的几何形状之间的密切关系。本文提出了构建无线电地图,首先估计和构建一个多类的三维虚拟障碍地图,描述了无线电语义的几何环境。在数学上,最小二乘问题制定联合估计虚拟障碍地图和传播参数。这个问题被发现有一个部分quasiconvexity,导致一个有效的参数估计和无线电地图建设算法的发展。数值实验证实,所提出的方法大大减少了实现相同的无线电地图精度所需的测量量。它也表明,在无人机(UAV)辅助中继通信的情况下,无线电地图辅助无人机布局的方法可以实现超过50%的容量增益。
2022-09-01 eess.SP
Tensor Completion for Radio Map Reconstruction using Low Rank and Smoothness
无线电地图是无线网络中许多应用的重要使能器,其范围从网络规划和优化到基于指纹的定位。在实践中,对完整地图进行采样的成本极其昂贵,因此根据测量值子集重建完整地图的方法在文献中越来越受到关注。在本文中,我们提出了两种算法,用于此目的,建立在现有的方法,旨在最大限度地减少张量秩,同时还强制平滑的无线电地图。通过光线跟踪得到的合成测量的实验结果表明,我们的算法优于最先进的技术。
2019-05-31 eess.SP
RadioPiT: Radio Map Generation with Pixel Transformer Driven by Ultra-Sparse Real-World Data
School of Electronic and Computer Engineering, Peking University Shenzhen Graduate School(北京大学深圳研究生院电子与计算机工程学院);School of Electronics, Peking University(北京大学电子学系);Hunan Institute of Advanced Sensing and Information Technology, Xiangtan University(湘潭大学湖南先进传感与信息技术研究院)
RadioPiT通过结合像素变换器和测试时间适应策略,有效利用超稀疏真实世界数据生成高精度无线电图,显著降低误差。
2025-12-01 eess.SP
A Fine-Grained 3D Radio Map Construction Paradigm with Ultra-Low Sampling Rates by Large Generative Models
Peking University Shenzhen Graduate School(北京大学深圳研究生院);Peng Cheng Laboratory(鹏城实验室);Peking University(北京大学)
本文提出RadioLAM范式,利用大生成模型解决超稀疏采样问题,通过增强、生成和选举三个模块高效构建细粒度3D无线电图,实验证明其在0.1%采样率下性能优于现有方法。
2026-03-20 eess.SP
Aerial Spectrum Surveying: Radio Map Estimation with Autonomous UAVs
无线电地图正在成为一种流行的手段,赋予下一代无线通信与态势感知。特别是,无线电地图预计将在无人机(UAV)通信中发挥核心作用,因为它们可以用于确定UAV以前没有去过的空间位置处的干扰或信道增益。用于无线电地图估计的现有方法利用由其位置不能被控制的传感器收集的测量。相比之下,本文提出了一种无人机沿轨迹收集测量值的方案。该轨迹被设计为在短时间操作中获得目标无线电地图的准确估计。路线规划算法依赖于地图不确定性度量来收集在那些位置处的测量结果,在这些位置处测量结果信息量更大。开发了一种在线贝叶斯学习算法,每次收集新的测量值时更新地图估计和不确定性度量,从而实现实时操作。
2020-05-05 eess.SP
WiFi-Diffusion: Achieving Fine-Grained WiFi Radio Map Estimation With Ultra-Low Sampling Rate by Diffusion Models
针对超低采样率下细粒度WiFi无线电地图估计的挑战,提出WiFi-Diffusion生成框架,结合先验优化、候选生成与传播模型筛选,在相同采样率下质量超SOTA 10倍,或仅需1/5采样率即可达同等质量。
2025-06-12 eess.SP
Deep Completion Autoencoders for Radio Map Estimation
无线电地图提供了地理区域中每个位置的功率谱密度等指标,并找到了许多应用,例如UAV通信、干扰控制、频谱管理、资源分配和网络规划等。无线电地图是根据分布在空间的频谱传感器收集的测量结果构建的。由于电磁波传播的性质,无线电地图是空间坐标的复杂函数,因此无模型方法具有强烈的动机。然而,用于无线电占用图估计的所有现有方案依赖于不能从经验中学习的插值算法。相比之下,本文提出了一种新的方法,其中的空间结构的传播现象,如阴影是事先从数据集与测量在其他环境中学习。因此,相对于现有的方案,需要显著更少数量的测量来估计具有规定精度的地图。作为一个额外的新颖性,这也是第一个使用深度神经网络估计无线电占用图的工作。具体来说,开发了一种完全卷积深度完成自动编码器架构,以有效利用这类映射的流形结构。
2021-09-09 eess.SP
Active Perception for Radio Map Reconstruction in Uncharted 3D Air-Ground Environments
提出3D-URAM主动感知框架,通过贝叶斯UNet恢复地图并利用动态概率路图与Transformer策略优化路径,实现稀疏测量下重建误差降低50%以上。
2026-10-23 eess.SP
DULRTC-RME: A Deep Unrolled Low-rank Tensor Completion Network for Radio Map Estimation
本文首次将算法展开技术引入无线电磁图估计,提出深度展开低秩张量补全网络DULRTC-RME,兼具理论可解释性与学习能力,实验证明其性能优于现有方法。
2025-02-07 eess.SP
Radiomap Inpainting for Restricted Areas based on Propagation Priority and Depth Map
本文针对无线地图中因物理限制和安全考虑导致的测量空白问题,提出基于传播优先级的样例修复方法和基于无线电深度图的两步模板扰动方法,分别用于小尺寸和大尺寸受限区域的PSD分布重建。
2023-05-24 eess.SP
Radio-Map-Based Robust Positioning Optimization for UAV-Enabled Wireless Power Transfer
这封信研究了基于无线电地图的鲁棒定位设计中的无人机无线电力传输系统。
2019-05-03 cs.IT eess.SP math.IT
Channel Knowledge Map Enabled Low-Complexity Dynamic Radio Environment Reconstruction
Nanjing University of Information Science and Technology(南京信息工程大学);Sixty-Third Research Institute, National University of Defense Technology(国防科技大学第六十三研究所)
针对动态发射机配置下无线电环境重建的挑战,提出CKM赋能的低复杂度方法,无需新测量即可高效更新无线电地图,性能优于CS、Kriging和U-Net且鲁棒性强。
2026-08-19 eess.SP
A Radio Map Approach for Reduced Pilot CSI Tracking in Massive MIMO Networks
本文提出一种无线电地图嵌入式切换卡尔曼滤波框架,在减少导频且无精确位置标签下联合跟踪CSI与位置,实现超97%完美CSI容量并将定位误差降至6米。
2025-08-12 eess.SP
Advancing THz Radio Map Construction and Obstacle Sensing: An Integrated Generative Framework in ISAC
本文提出基于条件生成对抗网络的集成框架,利用太赫兹无线电地图与障碍物感知的相互增强,实现ISAC中的高效障碍物检测,显著降低均方误差。
2025-03-29 eess.SP
Two-Stage Radio Map Construction with Real Environments and Sparse Measurements
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications(北京邮电大学计算机学院(国家示范性软件学院));Cooperative Medianet Innovation Center (CMIC)(合作 medianet 创新中心(CMIC))
针对无线电地图构建中测量成本与估计精度难以兼顾的问题,提出FPTC-GANs两阶段方法,先用RMP-GAN依据环境预测,再用RMC-GAN结合稀疏测量校正,实验表明其性能优于现有方法。
2024-10-08 cs.AI eess.SP
Flow Matching-Based Active Learning for Radio Map Construction with Low-Altitude UAVs
City University of Hong Kong(香港城市大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文提出一种基于流匹配和即插即用优化的主动学习框架,用于低空无人机无线地图构建,通过不确定性引导的多目标候选选择和效用感知路径搜索,在有限测量下实现了高保真地图重建,NMSE降低超过70%。
2025-09-17 eess.SP
Generative AI on SpectrumNet: An Open Benchmark of Multiband 3D Radio Maps
Pengcheng Laboratory(鹏城实验室);Peking University(北京大学)
针对现有2D单频段无线电地图泛化性差的问题,提出包含3D空间、5频段、11地形和3气候场景的最大多频段3D无线电地图数据集SpectrumNet,并验证了其对提升模型空间、频率和场景泛化能力的必要性。
2024-08-09 cs.AI eess.SP
Diffusion Models for Radio Map Estimation: Theoretical Performance Analysis and Sampling Rate Guideline
Peking University Shenzhen Graduate School(北京大学深圳研究生院);Peng Cheng Laboratory(鹏城实验室);School of Electronics, Peking University(北京大学电子学院)
本文将无线电地图估计建模为非线性矩阵补全问题,推导了扩散模型的最小估计误差下界,并建立了采样稀疏性对误差的影响以及性能收敛所需的临界采样率阈值,最后提出可计算的近似公式。
2026-10-30 eess.SP
RadioDUN: A Physics-Inspired Deep Unfolding Network for Radio Map Estimation
School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳)计算机科学与技术学院);Pengcheng Laboratory(鹏城实验室);Department of Computer Science and Engineering, Southern University of Science and Technology(南方科技大学计算机科学与工程系)
本文将无线电地图估计建模为稀疏信号恢复问题,提出融合物理传播模型的深度展开网络 RadioDUN,并通过 DRM 与阴影损失提升恢复性能。
2025-07-24 cs.CV eess.SP