《IEEE Transactions on Communications》：Visual Transformer Based Unified Framework for Radio Map Estimation and Optimized Site Selection
编辑推荐：
为解决传统基站选址方法耗时且效率低的问题，研究人员开展了基于视觉Transformer（ViT）的无线电地图估计与优化选址统一框架（TxSTrans）的研究。该研究通过多模态特征融合模块、信息融合金字塔模块和推荐模块，实现了并行基站数据处理和快速最优站点推荐。实验表明，TxSTrans在RadioMapSeer数据集上使基站选址速度提升4.62倍，显著提高了信号覆盖优化的效率，为6G智能通信和边缘AI提供了新思路。
随着无线通信技术的快速发展和城市化进程的加速，复杂的城市环境对无线网络设计和维护提出了新的挑战。信号覆盖估计和网络规划成为关键任务，而无线电传播模型通过描述无线电波在空间中的传输特性，广泛应用于网络规划、通信性能评估和优化部署。然而，传统方法在基站选址时需遍历所有可能位置，通过生成无线电地图选择信号覆盖最大的位置，这一过程重复且耗时，限制了其实际应用。
以往研究主要分为点对点参考信号接收功率（RSRP）估计方法和地图到地图的无线电地图估计方法。无线电地图由特定区域内大量RSRP值组成，显示了无线电波的强度和覆盖范围，为基站部署和异构设备接入规划提供了详细的空间信息。尽管深度学习框架如RadioUnet和RadioCycle在无线电地图估计方面取得了显著进展，但这些方法与应用任务脱节，在优化站点选择时仍需遍历整个区域，生成大量无线电地图进行筛选，效率低下。
为此，研究人员提出了一种基于视觉Transformer（ViT）的无线电地图估计方法TxSTrans，将无线电地图估计与优化站点选择任务统一起来。TxSTrans能够并行处理多个基站数据输入，快速推荐候选站点中最优基站位置以最大化信号覆盖。该方法包含多模态特征融合模块、信息融合金字塔模块和推荐模块，支持稀疏（点基）和密集（盒基）两种输入模式，适应实际部署中的各种约束条件。
研究采用了两步训练策略。第一步预训练TxSTrans（稀疏模式）以恢复高分辨率无线电地图；第二步通过知识蒸馏方法训练TxSTrans（密集模式），使其能够从候选基站中感知最优位置。TxSTrans利用Transformer的自注意力机制捕捉无线电环境中的长距离依赖关系，聚合环境信息，增强重要特征并减少噪声影响。
在模拟数据集RadioMapSeer和RadioMap3DSeer以及真实数据集RSRPSet上的实验表明，TxSTrans在无线电地图估计任务中均方根误差（RMSE）和归一化均方根误差（NMSE）均优于对比方法。在优化站点选择任务中，可用信号覆盖误差（ASCE）显著降低，且计算速度大幅提升。TxSTrans的并行计算策略将时间复杂度从O(NM)降低到O(M)，在N=64时，基站选址速度比RadioUnet顺序搜索快4.62倍。
关键技术方法包括：1）多模态特征融合模块，通过视觉Transformer编码建筑地图和基站坐标，实现环境特征与位置信息的联合嵌入；2）信息融合金字塔网络（IFPN），结合转置卷积和像素混洗技术重建高分辨率无线电地图；3）推荐模块，基于列表最大似然估计（ListMLE）损失函数筛选最优基站站点；4）知识蒸馏训练策略，使用高精度无线传播模型作为教师网络指导学生网络优化站点选择。实验使用模拟数据集RadioMapSeer（500训练/100验证/100测试）和真实数据集RSRPSet（145城市/3055郊区样本）进行验证。
无线电地图估计性能
TxSTrans在稀疏模式下对比CNN和Transformer基方法，在RadioMapSeer数据集上RMSE达到0.0508，NMSE为0.0832；在RadioMap3DSeer数据集上RMSE为0.0427，NMSE为0.0548；在真实噪声影响的RSRPSet数据集上RMSE和NMSE分别为0.0860和0.2109。其优势在于通过自注意力机制捕捉环境长距离依赖，并有效迁移学习至不同环境场景。
优化站点选择效率
在密集模式下，TxSTrans针对不同尺寸候选框（小[0,50)、中[50,150)、大[150,256]和全图）进行测试。在RadioMapSeer数据集上，全图设置下ASCE为0.0393，FLOPs仅41.57G，显著低于对比方法。其并行处理机制将传统遍历搜索的复杂度从O(NM)降至O(M)，在候选点N=64时时间消耗仅为基准方法的1/4.62。
模块有效性验证
信息融合金字塔网络（IFPN）中图像特征跳跃连接、转置卷积和像素混洗的消融实验表明，三者共同作用使RMSE降低至0.0508。骨干网络对比中，ResNet34在参数效率与特征提取间取得最佳平衡。推荐模块候选点数N从16增至144时，全图ASCE从0.0519改善至0.0259，证明高分辨率候选点提升搜索精度。
异常场景适应性
当候选基站部署于建筑内部或低高度位置时，TxSTrans通过推荐模块的评分矩阵有效筛除异常站点，避免因建筑遮挡导致信号覆盖计算错误。
TxSTrans创新性地统一了无线电地图估计与优化站点选择任务，通过视觉Transformer架构实现多基站数据并行处理和快速站点推荐。其在提升估计精度的同时显著降低计算时间，为6G智能通信、集成传感通信（ISAC）和无人机（UAV）轨迹规划等应用提供了高效解决方案。未来方向包括联邦学习下的隐私保护地图重建和无人机辅助稀疏测量集成，进一步推动无线电地图在物联网和边缘智能中的广泛应用。
