面向城市环境的基于学习的射频任务的射线追踪局限性研究
网络与互联网体系结构
2025-07-29 v1 人工智能
机器学习
摘要
我们研究了 Sionna v1.0.2 射线追踪在罗马市中心户外细胞链路中的真实性。我们使用包含 1664 个用户设备 (UE) 和 6 个正式基站 (BS) 站点的真实测量数据集。通过固定这些位置，我们系统性地变更主要仿真参数，包括路径深度、扩散/镜面/折射标志、载波频率以及天线的高度、辐射模式和方向等属性。对每个基站评估仿真器的保真度，其通过测量功率与仿真功率之间的斯皮尔曼相关性评分，并通过基于 RSSI 的指纹数据使用的 k-最近邻定位算法。跨所有实验，求解器超参数对所选指标影响不大。相反，天线位置和方向证明至关重要。通过简单贪心优化，我们将各种基站的斯皮尔曼相关性提高 5%~130%，同时仅使用模拟数据作为参考点的 kNN 基于定位误差在真实世界样本上减少三分之一，但仍比仅使用真实数据时的误差高一倍。因此，精确的几何和可信的天线模型虽然必要但不足以；忠实地捕捉剩余城市噪声仍是面向可迁移的高保真户外射频仿真的开放挑战。
引用
@article{arxiv.2507.19653,
title = {On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments},
author = {Armen Manukyan and Hrant Khachatrian and Edvard Ghukasyan and Theofanis P. Raptis},
journal= {arXiv preprint arXiv:2507.19653},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication. This work was supported by funding under the bilateral agreement between CNR (Italy) and HESC MESCS RA (Armenia) as part of the DeepRF project for the 2025-2026 biennium, and by the HESC MESCS RA grant No. 22rl-052 (DISTAL)