|
00 導(dǎo)讀 這個(gè)工作的初衷是：如何看見我們看不到的東西（空間中的電磁波）。為了實(shí)現(xiàn)這個(gè)想法，我們首次將用于光學(xué)領(lǐng)域的圖形渲染技術(shù)三維高斯?jié)姙R (3D Gaussian Splatting) [1] 技術(shù)引入到了電磁學(xué)領(lǐng)域，提出了WRF-GS架構(gòu)來可視化地實(shí)現(xiàn)無線信道建模。該架構(gòu)旨在通過將空間離散化為三維高斯基元，高效、精準(zhǔn)地模擬電磁信號在空間中的傳播過程，從而重建出無線輻射場，實(shí)現(xiàn)任意位置的發(fā)射機(jī)信道特征獲取。下面一起來了解WRF-GS是如何工作的吧！ 論文鏈接：https:///abs/2412.04832 Github鏈接：https://github.com/wenchaozheng/WRF-GS 團(tuán)隊(duì)主頁：https://eejzhang.people./ 01 研究背景 正是這份復(fù)雜性催生了多種無線信道建模策略的誕生，它們大致可以劃分為三大流派：概率性建模、確定性建模以及基于神經(jīng)網(wǎng)絡(luò)的建模方法。
隨著5G乃至更先進(jìn)網(wǎng)絡(luò)技術(shù)的加速部署，信道建模的需求變得愈發(fā)迫切，因此，開發(fā)一種既高效又準(zhǔn)確的信道建模方法顯得尤為重要。在此背景下，我們創(chuàng)新性地提出了WRF-GS模型，該模型巧妙融合了神經(jīng)網(wǎng)絡(luò)在復(fù)雜映射關(guān)系描述上的卓越能力與三維高斯?jié)姙R在高效表征與快速渲染方面的獨(dú)特優(yōu)勢，將位置信息靈活地轉(zhuǎn)化為了無線信號與環(huán)境的交互作用。簡而言之，WRF-GS的核心設(shè)計(jì)理念在于，將實(shí)際的信號源巧妙地分解為散布于空間中的多個(gè)虛擬信號源，這些虛擬信號源由三維高斯橢球體進(jìn)行表征。在接收端，所接收到的信號正是這些遍布空間的虛擬信號源所發(fā)出的信號相互疊加、共同作用的結(jié)果。這一方法提升了信道建模的精度與效率，為5G及未來通信系統(tǒng)的性能優(yōu)化與可靠性提升奠定了堅(jiān)實(shí)的基礎(chǔ)。 02 WRF-GS方法介紹 根據(jù)惠更斯-菲涅耳原理，可以將某一特定信號源等效為若干個(gè)虛擬發(fā)射源，而空間中任意點(diǎn)所接收到的信號則是這些虛擬發(fā)射源綜合作用效果的直接體現(xiàn)?；诖?，我們提出的WRF-GS架構(gòu)如圖1所示，其包含三個(gè)核心組件：場景表示網(wǎng)絡(luò)，投影模型以及電磁潑濺模塊。WRF-GS的工作流程是：首先，將空間三維點(diǎn)云數(shù)據(jù)以及發(fā)射機(jī)（TX）的位置信息輸入到場景表示網(wǎng)絡(luò)中，學(xué)習(xí)并提取與環(huán)境緊密相關(guān)的參數(shù)，以此來確定三維高斯的分布情況；隨后，為了解決天線模型與相機(jī)模型之間的差異問題，我們運(yùn)用了墨卡托投影原理進(jìn)行坐標(biāo)系統(tǒng)的轉(zhuǎn)換；最終，在接收端（RX），電磁潑濺模塊利用前序步驟所得信息，精準(zhǔn)渲染出頻譜圖像。  2.1 場景表示網(wǎng)絡(luò) 我們參考了DeepSDF的結(jié)構(gòu) [3]，構(gòu)建了一個(gè)包含兩個(gè)多層感知器（MLP）的網(wǎng)絡(luò)模型，其結(jié)構(gòu)如圖2所示。首個(gè)MLP專注于處理輸入的3D點(diǎn)云數(shù)據(jù)，旨在捕獲獨(dú)立于特定TX位置的環(huán)境空間衰減信息。此MLP能夠?yàn)槊總€(gè)空間位置生成相應(yīng)的衰減系數(shù)和特征向量。緊接著，第二個(gè)MLP則負(fù)責(zé)將空間特征向量與TX位置信息相結(jié)合，以精準(zhǔn)捕捉信號的傳播特性。  圖2 場景表示網(wǎng)絡(luò) 該網(wǎng)絡(luò)模型巧妙地將3D點(diǎn)云數(shù)據(jù)與TX位置信息融合，進(jìn)而轉(zhuǎn)化為描述3D高斯信號特性和衰減特性的參數(shù)。與那些通常應(yīng)用于光學(xué)領(lǐng)域且假定TX（光源）位置固定的傳統(tǒng)方法不同，我們的網(wǎng)絡(luò)設(shè)計(jì)充分考慮了TX的移動(dòng)性，能夠靈活應(yīng)對動(dòng)態(tài)變化的通信環(huán)境。此外，該網(wǎng)絡(luò)的輸出均為復(fù)值信號，這一特性不僅豐富了信號的表示，還包含了關(guān)鍵的相位信息，為更精細(xì)的信號處理與解析提供了可能。  圖3 陣列天線模型 基于此，我們受到廣泛應(yīng)用于地圖制作的墨卡托投影（即等距柱面投影）的啟發(fā)，該投影方法能將三維球面上的點(diǎn)有效地轉(zhuǎn)換到二維矩形平面上。在我們的架構(gòu)中，這一轉(zhuǎn)換過程被采納并優(yōu)化，其主要流程如圖4所示。首先，三維空間坐標(biāo)被投影至球面，轉(zhuǎn)化為球面坐標(biāo)系統(tǒng)；隨后，利用墨卡托投影的原理，這些球面坐標(biāo)被展開為平面上的經(jīng)緯度坐標(biāo)?？紤]到天線接收信號的半球面特性，我們對坐標(biāo)進(jìn)行了適當(dāng)?shù)慕財(cái)嗯c歸一化處理，以確保最終獲得具有特定分辨率的像素坐標(biāo)，這一過程不僅保持了信號的空間完整性，還極大地提升了信號處理的靈活性與效率。  圖4 坐標(biāo)變換 2.3 電磁潑濺模塊 經(jīng)過場景表示網(wǎng)絡(luò)與投影變換的處理，我們成功地將TX分解為空間中的虛擬TX，并以三維高斯橢球的形式進(jìn)行表征。接下來，我們需要在RX處渲染出最終的頻譜，我們將這個(gè)過程命名為“電磁潑濺”，其可視化流程如圖5所示。 當(dāng)每一個(gè)三維高斯橢球被投影至二維平面時(shí)，它們可能會(huì)覆蓋多個(gè)像素區(qū)域，意味著每個(gè)虛擬TX能夠同時(shí)影響多個(gè)方向上的接收信號。為了處理這一復(fù)雜過程，我們基于原始的3D-GS快速可微分的Tile-based方法，將頻譜圖（假設(shè)分辨率為1°，即包含90×360像素）細(xì)分為多個(gè)獨(dú)立的Tile，每個(gè)Tile包含一定數(shù)量的像素點(diǎn)。接下來，我們根據(jù)高斯橢球的形狀特征，計(jì)算出每個(gè)橢球所覆蓋的Tile集合。隨后，利用深度信息，對每個(gè)Tile內(nèi)的高斯橢球進(jìn)行排序，以確保信號傳播的物理規(guī)律得以準(zhǔn)確體現(xiàn)。在此過程中，我們考慮了信號衰減的影響：遠(yuǎn)離RX的高斯橢球在傳播至RX的過程中，可能會(huì)受到路徑上其他高斯橢球的遮擋或衰減。因此，頻譜圖中每個(gè)方向上的接收信號，實(shí)際上是這些經(jīng)過不同程度衰減后的高斯橢球信號疊加的結(jié)果。  圖5 電磁潑濺 03 實(shí)驗(yàn)結(jié)果  圖6 頻譜合成結(jié)果可視化  圖7 頻譜合成效果對比 此外，我們還對不同方法在渲染一張頻譜圖時(shí)的時(shí)間消耗進(jìn)行了統(tǒng)計(jì)，結(jié)果如圖8所示。得益于三維高斯?jié)姙R的高效表征以及快速可微的渲染技術(shù)，WRF-GS在速度上展現(xiàn)出了顯著優(yōu)勢，與其他方法相比，其渲染速度提升了1至3個(gè)數(shù)量級。更多關(guān)于實(shí)驗(yàn)配置和詳細(xì)實(shí)驗(yàn)結(jié)果的信息，請參閱原文。  圖8 頻譜合成速度對比 04 總結(jié) 數(shù)據(jù)孿生技術(shù)正逐步確立其在6G及未來通信網(wǎng)絡(luò)中的核心技術(shù)地位，通過協(xié)同信道建模與信道地圖的構(gòu)建，致力于打造一個(gè)更加智能化、高效化及可靠化的無線通信系統(tǒng)。本文介紹了WRF-GS，這是一個(gè)將3D-GS和神經(jīng)網(wǎng)絡(luò)巧妙融合的新框架，旨在實(shí)現(xiàn)快速和準(zhǔn)確的無線信道建模，其核心思想是將一個(gè)TX分解為多個(gè)虛擬TX，并由三維高斯橢球進(jìn)行表征。為了將3D-GS技術(shù)從光學(xué)領(lǐng)域拓展至電磁領(lǐng)域，我們?yōu)閃RF-GS設(shè)計(jì)了三個(gè)核心模塊：場景表示網(wǎng)絡(luò)、投影模型以及電磁潑濺技術(shù)。這些模塊的協(xié)同作用，使得WRF-GS能夠深入地捕捉電磁波傳播的底層物理特性，從而確保建模的準(zhǔn)確性與高效性。尤為值得一提的是，WRF-GS僅需毫秒級的時(shí)間，并借助極少的訓(xùn)練樣本，即可迅速合成新的信道特性，展現(xiàn)了其性能優(yōu)勢。展望未來，我們堅(jiān)信WRF-GS憑借其高保真度的可視化效果、低樣本復(fù)雜性的處理優(yōu)勢以及快速渲染的技術(shù)特點(diǎn)，將在未來的通信網(wǎng)絡(luò)中展現(xiàn)出廣泛的應(yīng)用前景。 07 參考文獻(xiàn) [1] B. Kerbl, G. Kopanas, T. Leimkuhler, and G. Drettakis, “3D Gaussian splatting for real-time radiance field rendering,” ACM Trans. on Graphics, vol. 42, no. 4, Jul. 2023. [2] X. Zhao, Z. An, Q. Pan, and L. Yang, “Nerf2: Neural radio-frequency radiance fields,” in Proc. ACM MOBICOM, Madrid, Spain, 2023, pp.1–15. [3] J. J. Park, P. Florence, J. Straub, R. Newcombe, and S. Lovegrove, “Deepsdf: Learning continuous signed distance functions for shape representation,” in Proc. IEEE CVPR, Long Beach, CA, 2019, pp. 165–174. [4] Z. Wang, A. C. Bovik, H. R. Sheikh, and E. P. Simoncelli, “Image quality assessment: from error visibility to structural similarity,” IEEE Trans. Image Process., vol. 13, no. 4, pp. 600–612, Apr. 2004. 作者：WEN, Chaozheng 審閱：TONG, Jingwen & LIN, Zehong 編輯：LIN, Zehong |
|
|
