无线电图谱估计中的抽样分布迁移：基于轨迹感知的范式
计算机视觉与模式识别
2026-05-28 v1
摘要
基于学习的无线电图谱估计（RME）在无人机辅助无线感知中发挥关键作用，使覆盖预测和网络优化等任务成为可能。当前大多数方法假设基于随机抽样的独立同分布（i.i.d.）训练与测试设定。然而，实际无人机测量沿可行轨迹顺序收集，导致高度结构化和空间相关的抽样模式。这种不匹配引入抽样分布迁移，增加空间场恢复的内在难度，损害 i.i.d. 假设下训练模型的泛化能力。为缓解此问题，我们提出基于 Stochastic-Triggered Trajectory-Based Sampling（ST-TBS）的轨迹感知训练范式，既保持轨迹连续性又引入抽样变异性。此外，从统计角度，我们表明轨迹抽样相较随机抽样减少空间多样性、增加信息冗余。广泛实验表明，基于随机抽样训练的模型在基于轨迹的观测下性能显著恶化，SpectrumNet 数据集上的 RMSE 从 0.0391 增至 0.2632；相反，我们提出的 ST-TBS 方法将 RMSE 有效降至 0.0571。这些结果凸显在可靠 RME 中对齐训练与部署抽样分布的必要性。
引用
@article{arxiv.2605.28234,
title = {Bridging the Sampling Distribution Shift in Radio Map Estimation: A Trajectory-Aware Paradigm},
author = {Feng Qiu and Zheng Fang and Shuhang Zhang and Kangjun Liu and Longkun Zou and Jing Liu and Ke Chen},
journal= {arXiv preprint arXiv:2605.28234},
year = {2026}
}