频谱论文：利用环境语义构建无人机辅助无线电地图 UAV-Aided Radio Map Construction Exploiting Environment Semantics-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_22163371/article/details/135073866

本文提出一种利用UAV数据构建三维无线电地图的方法，结合射频语义描述环境，解决了测量数据量大、存储成本高等挑战。通过参数和非参数模型，改善信道预测精度。然而，文章提到在某些部分存在时空维度的不足和映射清晰度问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

#频谱#

W. Liu and J. Chen, "UAV-Aided Radio Map Construction Exploiting Environment Semantics," in IEEE Transactions on Wireless Communications, vol. 22, no. 9, pp. 6341-6355, Sept. 2023, doi: 10.1109/TWC.2023.3241845.（香港中文大学、KTH皇家理工学院）

概述

本文解决收发机之间信道增益预测的问题。本文首先估计并构建多类别的3D虚拟障碍物地图，其中障碍物地图用射频语义描述了环境的几何形状。建立了一个最小二乘问题来联合估计虚拟障碍物地图和传播参数。本研究可以增加对环境的了解，有助于用户选择，波束赋型，通信节点位置优化等。所提出的方法不仅重建了传播环境的几何结构，而且在无线电地图构建中获得了更好的精度。

三个挑战

如何有效地构建全维无线电地图？

1. 测量数据量要求大，传播信道有足够的自由度，通常需要大量的测量数据来构建无线电地图。
2. 通信节点之间存储、转移和共享成本也很高（大数据量带来的）
3. 如何将环境信息嵌入到map中，涉及到信号反射、衍射和散射等，这些复杂机制依赖于地理环境。

radio semantics的含义

从radio semantics可以推断出信道传播是在LOS下、轻微阻塞还是在深度阴影下，并利用这些信息来预测信道增益。（用于描述信道信息？）

分类法

1.数据驱动方法

KNN、稀疏矩阵或张量处理、crowdsourcing众包、Kriging、深度学习方法。主要为2D无线电地图设计的，它们可能不容易扩展到我们感兴趣的场景（这样说张量方法不合适吧）

2.模型驱动方法

将局部区域标记为细类，如城市和乡村，然后从精细类别中选择参数模型。分类通常是客观的，并且通常有有限数量的预定义模型和参数集可供选择

3.射线追踪方法

（感觉这一类分的不好）：基于环境的3D模型并计算物理传播路径。复杂度高，对可用信息的精度和准确性非常敏感。

本文贡献

1. 提出了一种新的无线电地图模型，该模型由一个参数子模型和一个非参数子模型组成，参数子模型用无线电语义捕捉传播环境的几何结构，非参数子模式捕捉阴影的残差。有了这样的框架，该模型在少量或大量训练数据的情况下都表现良好
2. 为无线电地图的构建提出了一个最小二乘估计问题。虽然该问题是具有退化梯度的非凸性，我们发现并证明了该问题的部分拟凸性；基于这一理论结果，开发了一种有效的算法来构建无线电地图以及虚拟环境的几何结构
Sec. II 频谱图模型

提出多类别虚拟障碍物模型，用传播区域来描述环境语义（射频语义），区分LOS, NOLS等多类别的传播区域。

给出传播区域的两类边界：硬边界（Hard Boundary），和软边界（Soft Boundary）。软边界是通过邻居节点的平均实现的。即：

问题

1. Sec. II A 通信链路 $\boldsymbol{p}=(\boldsymbol{p}_u,\boldsymbol{p}_d) \in \mathbb{R}^6$ ，只是只空间上两个三维的叠加，没有涉及到时频维度。而在Sec. II B中，使用矩阵H描述虚拟障碍图，如何把第m个grid映射到 $\boldsymbol{h}_k$ 没有说清楚，映射之后，原有的三维空间的相关性是不是就被破坏了？