低轨道卫星网络中基于学习的频谱制图概述
网络与互联网体系结构
2026-05-12 v1 最优化与控制
摘要
低轨道（LEO）卫星网络正在成为全球连接和基于卫星的感知的关键基础设施。此类系统中的许多任务可形式化为 measurement-set-to-spatial-inference问题，其中从稀疏且异构的无线观测中推断空间变量。频谱制图为这一范式提供了统一框架，涵盖代表性任务，如卫星辅助定位和无线电图重建，以及受地图支持的资源分配。然而，高度动态的轨道几何、复杂的传播条件以及LEO测量可靠性变化的特性，构成了传统模型驱动方法和插值方法的根本性挑战。本文概述了1964年至2026年关于LEO卫星网络中基于学习的频谱制图文献，特别关注注意力机制作为自适应且可靠感知测量融合 across localization、radio map reconstruction和resource allocation任务的原则性算子。我们审查了代表性任务的建模基础和关键挑战，分析注意力学习如何实现异构测量的灵活融合，用于推断和地图支持的决策。提供了代表性公式和仿真研究，以说明该框架并展示其有效性，为LEO卫星网络中的measurement-driven推断和决策提供了统一视角。
引用
@article{arxiv.2605.10359,
title = {Learning-Based Spectrum Cartography in Low Earth Orbit Satellite Networks: An Overview},
author = {Liping Tao and Xindi Tong and Chee Wei Tan},
journal= {arXiv preprint arXiv:2605.10359},
year = {2026}
}