面向实时数字孪生无线网络的 AI 辅助敏捷传播建模
信号处理
2025-10-29 v2
摘要
由于传统方法（如射线追踪和场测量）的复杂性，实时精确的信道建模面临着显著挑战。基于人工智能的技术应运而生，以解决这些局限性，通过真实数据提供快速、精确的信道特性预测。本文介绍了一种通过先进深度学习实现实时、高保真传播建模的创新方法。我们的模型集成了三维地理数据和粗略的传播估计，以生成精确的路径增益预测。通过将发射机置于中心位置，我们简化了模型并提高了其计算效率，使其适用于更大场景。我们的方法在 37,210 平方米的区域上实现了低于 0.035 dB 的归一化均方根误差，在 GPU 上处理仅需 46 毫秒，在 CPU 上处理仅需 183 毫秒。这一性能显著超越了传统的高保真光线追踪方法，后者所需时间大约多三个数量级。此外，该模型对真实世界数据的适应性突显了其通过实现动态环境中真实无线场景的自适应数字孪生的实时创建，从而彻底改变无线网络设计和优化的潜力。
引用
@article{arxiv.2410.22437,
title = {AI-assisted Agile Propagation Modeling for Real-time Digital Twin Wireless Networks},
author = {Ali Saeizadeh and Miead Tehrani-Moayyed and Davide Villa and J. Gordon Beattie and Ian C. Wong and Pedram Johari and Eric W. Anderson and Stefano Basagni and Tommaso Melodia},
journal= {arXiv preprint arXiv:2410.22437},
year = {2025}
}
备注
6 pages, 10 figures, IEEE International Workshop on Computer Aided Modeling and Design of Communication Links and Networks (CAMAD), 21-23 October 2024, Athens, Greece