[論文レビュー] TransfoREM: Transformer aided 3D Radio Environment Mapping

Gautham Reddy, Ismail Guvenc+4 more|arXiv (Cornell University)|Jan 23, 2026

UAV Applications and Optimization被引用数 0

ひとこと要約

TransfoREMは3D無線環境マッピングを球面座標系でのシーケンス予測として扱う変圧器を用い、Krigingおよび競合ML手法よりREM再構成を改善可能にする。二段階の学習（モデルベースの事前学習＋データ駆動の微調整）と実データでの微調整を実施。

ABSTRACT

Providing reliable cellular connectivity to Unmanned Aerial Vehicles (UAV) is a key challenge, as existing terrestrial networks are deployed mainly for ground-level coverage. The cellular network coverage may be available for a limited range from the antenna side lobes, with poor connectivity further exacerbated by UAV flight dynamics. In this work, we propose TransfoREM, a 3D Radio Environment Map (REM) generation method that combines deterministic channel models and real-world data to map terrestrial network coverage at higher altitudes. At the core of our solution is a transformer model that translates radio propagation mapping into a sequence prediction task to construct REMs. Our results demonstrate that TransfoREM offers improved interpolation capability on real-world data compared against conventional Kriging and other machine learning (ML) techniques. Furthermore, TransfoREM is designed for holistic integration into cellular networks at the base station (BS) level, where it can build REMs, which can then be leveraged for enhanced resource allocation, interference management, and spatial spectrum utilization.

研究の動機と目的

• 地上レベルのカバレッジを超えるUAV接続性のための3D REMを動機付ける。
• トランスフォーマーを用いた物理-inspiredなシーケンスベースのREM構築を提案する。
• モデルベースの伝搬と実世界データを二段階の事前学習とファインチューニングで組み合わせる。
• Krigingや他のML手法より補間/外挿の改善を示す。
• TransfoREMを基地局でのダイナミックネットワーク管理へ統合する可能性を示す。

提案手法

• 基地局を中心とした球面座標系でのシーケンス予測タスクとして無線伝搬をモデル化する。
• 入力Gamma_iからRSRP系列を予測するエンコーダーのみのトランスフォーマーを使用する。
• 二段階学習：(Stage-1) FSPLと決定論的利得を用いて合成系列を生成するモデルベースの事前学習；(Stage-2) 実データ上でマスク付き入力とSmooth L1損失を用いたデータ駆動のファインチューニング。
• 各空間点iを、log(delta)、角度(θ, φ)、および半径ビン横断のx,y,z座標を含むGamma_i特徴ベクトルとして表現。
• マスク付き学習は言語モデリングを模倣する：事前学習時はランダムマスキング；ファインチューニング時はサイト固有データに合わせたターゲットマスキング。
• KrigingおよびTriple-Layer MLベースラインと比較；実データセット上でRMSE、MAE、R^2を評価。

Figure 1: The spherical coordinate system representation of a UAV position and its associated received signal strength indicator (RSSI) sequences in space.

実験結果

リサーチクエスチョン

• RQ1 トランスフォーマーベースのREMは限られた実測データから正確な3D無線地図を生成できるか。
• RQ2 モデルベースの事前学習＋データ駆動のファインチューニングという二段階学習は、Stage-1のみよりREM精度を向上させるか。
• RQ3 TransfoREMはKrigingおよびTripLeveL MLベースラインと比較して高度別の補間・外挿性能が優れているか。
• RQ4 個別BSサイトでの展開は、事前ネットワーク管理に実用的か。

主な発見

Dataset	REM Method	RMSE	MAE	R^2
AERPAW	TransfoREM Stage 1	7.49 dB	6.20 dB	0.33
dataset [8]	TransfoREM Stage 2	4.57 dB	3.13 dB	0.77
dataset [8]	TransfoREM Stage 1	5.47 dB	3.43 dB	-0.27
dataset [2]	TransfoREM Stage 2	1.29 dB	0.78 dB	0.93
Case Study	TripleLayerML Stage 1	4.07 dB	3.04 dB	0.90
dataset [2]	TripleLayerML Stage 2	1.27 dB	0.82 dB	0.95
dataset [2]	TripleLayerML Stage 3	1.12 dB	0.69 dB	0.95

• Stage-1の結果はFSPLベースの合成データを用いた場合、合理的なREM予測を示す。
• Stage-2のファインチューニングにより性能が大幅に改善（RMSE/MAEの削減、R^2の改善）。
• AERPAWデータセットではStage-2がRMSE 4.57 dB、MAE 3.13 dB、R^2 0.77を達成（Stage-1は7.49 dB、6.20 dB、0.33）。
• データセット[2]ではStage-2がRMSE 1.29 dB、MAE 0.78 dB、R^2 0.93を達成（Stage-1は5.47 dB、3.43 dB、-0.27）。
• TransfoREMはStage-2後にTripleLayerMLの性能と同等以上を示す（RMSE/MAE/R^2がほぼ同等；例：1.29 dB/0.78 dB/0.93 vs 1.27 dB/0.82 dB/0.95）。
• TransfoREMは高度をまたぐ補間/外挿をKrigingより約1.5 dB優れた中位ABテストで示す。

Figure 2: Radial distance up to 100 m have correlation values greater than 0.5.