Channel2World：可学习射频环境表征的无线基础模型

无线信道通常被视为链路级观测，但其多径结构本质上由周围射频环境决定。Channel2World的核心思路是将同一基站覆盖范围内的多条信道观测聚合为统一的无线世界嵌入，从而提取与具体链路解耦的环境级表征。

在技术上，模型采用基于Transformer的编码器，并通过上下文-查询预测任务进行预训练：上下文信道用于条件化用户设备位置预测以及查询信道的相对路径增益预测。预训练完成后，编码器被冻结，可作为任务无关的环境条件化模块接入下游无线模型，实现对未见环境的适配，无需针对特定站点进行微调。

为学习跨部署可泛化的环境潜在空间，研究团队利用射线追踪数据构建了约26000个虚拟场景，每个场景包含约5000条信道测量。模型在用户设备定位、波束域CSI重建以及射频可观测几何重建三项任务上进行了评估。结果显示，基于嵌入的条件化在未见环境下能够提供有效的环境先验：在定位与CSI重建任务上，其表现与针对特定站点进行微调的方法相当甚至更优，而后者依赖任务相关的标注数据与额外的梯度适配过程。此外，嵌入还支持对环境中主导反射体结构进行重建，体现出其作为可复用环境先验的跨任务价值。

【空音视角】 从WiFi感知与非接触监测的视角看，这项工作反映了行业的清晰趋势：把射频环境本身作为可学习对象，而非每次都在部署现场重新校准。对于依赖信道状态信息的呼吸监测、跌倒检测等应用而言，环境差异是影响算法鲁棒性的关键变量之一。若此类环境级嵌入思路能够延伸到更细粒度的WiFi频段与动态人体散射建模，有望降低智慧养老、智慧病房等场景的现场调优成本。论文目前主要基于射线追踪仿真数据，与真实复杂室内环境的契合度仍需进一步验证。

—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2608.17544