RadioDiff-3D：面向6G环境感知通信的基于扩散模型的3D×3D无线电图谱数据集与基准
机器学习
2025-07-17 v1 系统与控制
系统与控制
摘要
无线电图谱（Radio maps, RMs）是实现环境感知无线通信基础设施，因其提供了无线信道特性的空间分布。尽管近期进展在数据驱动方法下构建RM，但大多数现有方法仅聚焦于固定二维平面上的路径损耗预测，忽略了方向到达（DoA）、到达时间（ToA）以及垂直空间变化等关键参数。这种局限性主要源于静态学习范式，限制了超出训练数据分布的泛化能力。为应对这些挑战，我们提出了UrbanRadio3D——一个基于真实城市环境中光线追踪构建的大规模高分辨率3D RM数据集。UrbanRadio3D的数据集规模是现有数据集的37倍以上，覆盖3D空间，包含路径损耗、DoA和ToA三个指标，构成了 novel 3D×33D 数据集，高度层数是前沿数据集的7倍。为评估3D RM构建，本文提出了采用3D卷积算子的UNet。此外，我们进一步引入RadioDiff-3D，基于扩散模型的生成框架，采用3D卷积架构。RadioDiff-3D支持面向已知发射器位置的辐射感知场景以及基于稀疏空间观测的辐射不敏感设置。在UrbanRadio3D上进行的广泛评估表明，RadioDiff-3D在多样化环境动力学下，能够构建富有层次且高维无线电图谱，性能优于现有方法。本工作为未来3D环境感知通信研究提供了基础数据集和基准平台。数据集已发布于 https://github.com/UNIC-Lab/UrbanRadio3D。
引用
@article{arxiv.2507.12166,
title = {RadioDiff-3D: A 3D$\times$3D Radio Map Dataset and Generative Diffusion Based Benchmark for 6G Environment-Aware Communication},
author = {Xiucheng Wang and Qiming Zhang and Nan Cheng and Junting Chen and Zezhong Zhang and Zan Li and Shuguang Cui and Xuemin Shen},
journal= {arXiv preprint arXiv:2507.12166},
year = {2025}
}