iPLAN: Redefining Indoor Wireless Network Planning Through Large Language Models

一、文章主要内容和创新点

（一）主要内容

本文提出了一种基于大语言模型（LLMs）的室内无线网络规划框架iPLAN，旨在解决传统室内无线网络（IWN）规划方法的局限性，提升5G室内服务质量。具体内容包括：

1. 核心定位：将LLMs作为优化器，通过多模态室内环境（IE）信息嵌入，支持IWN规划；
2. 技术基础：阐述了LLMs作为优化器的三大特性（推理与反思能力、多模态数据对齐能力、优异的泛化能力），以及室内环境嵌入LLM优化器的三种方法（点云与扫描仪、数字孪生与传感器、室内专业软件）；
3. 应用场景：
   • 针对既有建筑：通过多模态信息嵌入，利用LLM的多目标推理能力实现AP部署和动态资源管理；
   • 针对新建建筑：提出多智能体策略，将联合设计任务分解为布局、实体、IWN设计、校正、评估与更新5个子任务，由专用智能体协同完成，平衡建筑与网络的性能冲突；
4. 实验验证：通过案例研究表明，iPLAN相比传统元启发式算法和强化学习算法，收敛速度快（少约两个数量级的迭代次数），覆盖性能更优，且无需环境特定调优。

（二）创新点

1. 首次将LLMs用于IWN规划：突破传统方法依赖大量数据和环境特定调优的局限，利用LLMs的推理与泛化能力，实现更高效的规划；