三维高斯泼溅实现空间多输入多输出信道渲染
研究提出多输入多输出高斯泼溅方法,从稀疏信道观测中学习潜在波束空间场景,并渲染未观测位置的长期收发波束功率图。该方法在仿真城市场景和实测室内信道上,比无标定副本的射线追踪快5.5倍;用于多用户波束管理时,无需信道探测即可完成调度,达到理想信息基准98%的总速率,较基于位置的预测器高19%。
空间多输入多输出系统的性能很大程度上取决于信道状态信息,而逐用户、逐相干周期的导频与反馈会带来持续开销。研究注意到,决定信道形态的传播环境相对稳定,因此尝试从少量观测中学习可复用的场景表示,以减少后续获取信道状态信息的资源消耗。
具体而言,多输入多输出高斯泼溅方法以成对的接收端与发射端三维高斯表示波束空间信道场景,并分别从用户位置和基站位置投影至相应波束域,再通过波束对泼溅累积关联关系。模型据此为未观测用户位置生成长期收发波束对功率图,为无线资源调度提供环境先验。
在仿真城市场景和实测室内信道上,该方法的渲染速度达到无标定副本射线追踪的5.5倍。用于多用户波束管理时,生成图可支持在不进行额外信道探测的情况下联合调度用户与发射波束,同时纳入用户间干扰。结果显示,网络总速率为理想信息基准的98%,比基于位置的预测器提升19%。
【空音视角】 这项工作表明,利用传播环境的相对稳定性,有望把高开销、周期性的信道获取转化为可复用的空间场景建模。对空音关注的无线局域网感知而言,其价值更多在于方法论:三维场景表示与稀疏观测补全可帮助刻画空间信道结构,并为非接触监测中的环境鲁棒性研究提供参考。不过,通信波束功率图不等同于生命体征感知特征,实际应用仍需验证动态场景、遮挡变化及感知任务的稳定性。
—— 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/2610.36880
来源:arXiv 信号处理(查看原文)