学习网格化：通过无线通信信道划分物理世界
摘要
网格化（Gridization）即将空间划分为用户共享相似信道特性的格子（grids），是高效大规模网络优化的基本前提。然而，现有方法如地理网格化（Geographical Gridization）或波束空间网格化（Beam Space Gridization, GSG 或 BSG）受限于依赖不可用的位置数据，或错误地假设相似信号强度意味着相似信道特性。我们提出信道空间网格化（Channel Space Gridization, CSG），这是一种首次将信道估计与网格化统一的 pioneering 框架。作为联合优化问题，CSG仅使用束级参考信号接收功率（RSRP）来估计信道角功率谱（Channel Angle Power Spectra, CAPS），并对样本进行划分以实现信道特性均匀的网格化。为实现 CSG，我们开发了 CSG 自动编码器（CSG-AE），其包含可训练的 RSRP 至 CAPS 编码器、可学习的稀疏码本量化器，以及基于局部统计信道模型的 physics-informed 解码器。鉴于朴素训练方案的局限性，我们提出一种新颖的预训练-初始化-分离-异步（Pretraining-Initialization-Detached-Asynchronous, PIDA）训练方案，用于 CSG-AE，确保通过系统性地解决朴素训练范式的常见陷阱，实现稳定且有效的训练。评估结果表明，CSG-AE 在 CAPS 估计精度和聚类质量方面均表现优异。在真实数据集上，它将 RSRP 预测精度的主动平均绝对误差（Active Mean Absolute Error, MAE）降低 30%，整体 MAE 降低 65%，同时改善信道一致性、聚类大小平衡度和主动比例，推动了大规模网络优化中网格化的发展。
引用
@article{arxiv.2507.15386,
title = {Learning to Gridize: Segment Physical World by Wireless Communication Channel},
author = {Juntao Wang and Feng Yin and Tian Ding and Tsung-Hui Chang and Zhi-Quan Luo and Qi Yan},
journal= {arXiv preprint arXiv:2507.15386},
year = {2025}
}