FERMI：基于混合传播模型与可扩展自主数据收集的灵活无线电制图
机器人学
2025-04-22 v1
摘要
通信是多机器人协作的基础，准确的无线电制图在预测机器人之间信号强度方面起关键作用。然而，由于信号与障碍物之间复杂相互作用， modeling radio signal propagation in large and occluded environments 具有挑战性。现有方法面临两个关键局限：它们难以预测训练集中不存在的发射-接收对的信号强度，同时需要大量手动数据收集才能建立模型，在大规模、障碍丰富的场景中难以实用。为克服这些限制，我们提出了 FERMI，一个灵活的无线电制图框架。FERMI 将基于物理的直接信号路径建模与神经网络相结合，以捕捉环境与无线电信号之间的相互作用。这种混合模型更高效地学习无线电信号传播，只需稀疏训练数据。此外，FERMI 引入一种可扩展的规划方法，用于多机器人团队的自主数据收集。通过增加数据收集的并行度并最小化机器人在区域之间移动成本，显著提高了整体数据收集效率。在仿真和真实场景中的实验表明，FERMI 能够实现准确的信号预测，并对复杂环境中不可见位置表现出良好的泛化能力。它还支持完全自主的数据收集，并可适应不同规模的机器人团队，为创建无线电制图提供了灵活解决方案。我们的代码已开源于 https://github.com/ymLuo1214/Flexible-Radio-Mapping。
引用
@article{arxiv.2504.14862,
title = {FERMI: Flexible Radio Mapping with a Hybrid Propagation Model and Scalable Autonomous Data Collection},
author = {Yiming Luo and Yunfei Wang and Hongming Chen and Chengkai Wu and Ximin Lyu and Jinni Zhou and Jun Ma and Fu Zhang and Boyu Zhou},
journal= {arXiv preprint arXiv:2504.14862},
year = {2025}
}
备注
Published at RSS 2025