基于几何条件约束的多模态全景特征的城市路径损耗预测

《IEICE Transactions on Communications》：Urban path loss prediction using geometry-conditioned multimodal panoramic features

　　

摘要：

准确的城市路径损耗预测对于可靠的无线网络规划至关重要；然而，传统的经验模型往往无法捕捉真实城市环境中复杂的环境变异性。本文提出了一种面向4.85 GHz城市路径损耗预测的几何条件多模态框架，该框架将发射-接收几何信息与全景RGB、语义和深度线索相结合。为了提高物理一致性和可解释性，模型在拟合的视距/非视距分离的对数距离基线上学习残差，而不是直接回归绝对路径损耗。在横滨三条路线的真实测量数据上的评估表明，所提出的多模态模型在R3、R4和R6上的最佳路线内均方根误差分别为4.87、4.62和4.26 dB。与ITU-R基线相比，分别改善了2.83、1.96和1.89 dB；与仅使用几何信息的模型相比，分别改善了3.23、1.70和1.18 dB。RGB图像提供了最一致的增益，而语义和深度线索则提供了额外的但依赖于路线的收益。跨路线迁移在评估的路线对中实现了5.61–7.63 dB的均方根误差。这些结果表明，学习到的残差校正可以在未见过的路线上提供有用的预测，但其性能在路线内设置下仍然不太一致。这表明视觉特征捕捉到了一些可迁移的环境上下文，但仍然受到路线特定特征和空间相关性的影响。需要更大规模的数据集、空间独立评估和时间对齐图像进行更广泛的验证，以更好地评估路线不变的泛化能力。