基于机器联想的多模态感知残差校正 mmWave 路径损耗预测 GNN
信号处理
2026-02-23 v1
摘要
为支持第六代（6G）智能交通系统（ITSs），首次提出一种多模态感知残差校正图神经网络（MM-ResGNN）框架，用于车联通信中的毫米波（mmWave）路径损耗预测。将传播环境形式化为感知路径损耗图（ESPL-Graph），其中节点代表发射器（Tx）和接收器（Rx）实体，边共同描述 Tx--Rx 传输链路和 Rx--Rx 空间相关链路。同时，引入几何驱动的物理基线，用于分离确定性衰减趋势与随机残差变化。构建了一个车辆多模态路径损耗数据集（VMMPL），覆盖城市宽车道、城市十字路口和郊区分支路等三个典型场景，实现了 RGB 图像与全局语义信息在物理空间中的精确对齐，并实现了链级射线追踪（RT）基于路径损耗的数据在电磁空间中的对齐。在 MM-ResGNN 中，通过门控融合机制将拓扑感知图表示与细粒度视觉语义协同集成，以估计相对于物理基线的路径损耗残差。实验结果表明，MM-ResGNN 在经验模型和常规数据驱动基线方面取得显著提升，归一化均方误差（NMSE）为 0.0098，平均绝对误差（MAE）为 5.7991~dB，平均绝对 percentage 误差（MAPE）为 5.0498%。此外，MM-ResGNN 通过 few-shot 微调策略展现出强大的跨场景泛化能力，能够在有限标注数据的情况下准确预测未见车辆环境中的路径损耗。
关键词
引用
@article{arxiv.2602.18005,
title = {Multi-Modal Sensing Residual-Corrected GNN for mmWave Path Loss Prediction via Synesthesia of Machines},
author = {Mengyuan Lu and Lu Bai and Xiang Cheng},
journal= {arXiv preprint arXiv:2602.18005},
year = {2026}
}