RadioNet：基于 Transformer 的密集城市环境无线电地图预测模型
信号处理
2021-05-18 v1
摘要
无线电地图预测（Radio Map Prediction, RMP）旨在估计无线电波覆盖，已被广泛认为是提高无线电频谱效率的一项赋能技术。然而，由于无线电波与环境之间复杂的交互作用，快速且可靠的无线电地图预测可能极具挑战性。本文提出一种称为 RadioNet 的基于 Transformer 的新型深度学习模型，用于城市场景中的无线电地图预测。此外，提出一种新颖的网格嵌入（Grid Embedding）技术以替代 Transformer 中原有的位置嵌入（Position Embedding），从而更好地锚定辐射源、目的地与环境的相对位置。所提方法的有效性在一个城市无线电波传播数据集上得到验证。与 RMP 任务上的 SOTA 模型相比，RadioNet 将验证损失降低了 27.3%，将预测可靠性从 90.9% 提升至 98.9%。与基于射线追踪的方法相比，预测速度提高了 4 个数量级。我们相信所提方法将有益于高效无线通信、实时无线电可视化乃至高速图像渲染。
关键词
引用
@article{arxiv.2105.07158,
title = {RadioNet: Transformer based Radio Map Prediction Model For Dense Urban Environments},
author = {Yu Tian and Shuai Yuan and Weisheng Chen and Naijin Liu},
journal= {arXiv preprint arXiv:2105.07158},
year = {2021}
}