学习双无线信道协作：用于无人机与车辆通信的条件合成技术

《IEEE Open Journal of Antennas and Propagation》：Learning to Twin Wireless Channels: Conditional Synthesis for UAV-to-Vehicle Communication

　　

摘要：

精确的信道脉冲响应（CIR）数据对于开发和优化无人机（UAV）与车辆之间的通信系统至关重要。然而，在现实世界中获取足够的测量数据往往成本高昂且耗时。本文提出了ChannelWGAN，这是一种基于数字孪生（DT）的框架，利用条件生成对抗网络（cGAN）来实现高保真的CIR生成。我们的模型将生成过程与关键的几何参数（俯仰角、方位角和斜距）相结合，从而在空间域和信道响应之间建立物理意义上的映射。为了解决CIR序列中复杂时间依赖性的问题，我们将Transformer架构集成到了Wasserstein生成对抗网络（WGAN-GP）的生成器中，并加入了梯度惩罚机制。这种集成确保了训练的稳定性，并能够更好地模拟无线多径传播中的长距离时间相关性。训练好的生成器可以高效地生成 realistic 的CIR 样本，以满足仿真需求。在专有的无人机与车辆数据集上进行了严格的定量和定性评估。生成的CIR 在视觉模式和关键统计特性上与实际测量数据表现出惊人的一致性。这项工作为增强信道数据集提供了一种稳健且可扩展的数据驱动解决方案，有助于未来无人机通信系统的开发。