[论文解读] Artificial intelligence enabled radio propagation for communications-Part II: Scenario identification and channel modeling

Chen Huang, Ruisi He+9 more|arXiv (Cornell University)|Nov 23, 2021

Millimeter-Wave Propagation and Modeling参考文献 123被引用 158

一句话总结

本文全面综述了基于机器学习（ML）的无线传播场景识别与信道建模方法，重点探讨了人工智能驱动的视 Line-of-Sight（LoS）/非视 Line-of-Sight（NLoS）条件分类及多维信道预测。文章评估了监督式与无监督式机器学习技术，突出介绍了用于信道状态信息（CSI）和基于几何的建模的深度学习架构（如CNN-LSTM与DNN），并指出了在泛化能力、动态环境适应性以及与6G系统网络优化集成方面面临的关键挑战。

ABSTRACT

This two-part paper investigates the application of artificial intelligence (AI) and in particular machine learning (ML) to the study of wireless propagation channels. In Part I, we introduced AI and ML as well as provided a comprehensive survey on ML enabled channel characterization and antenna-channel optimization, and in this part (Part II) we review state-of-the-art literature on scenario identification and channel modeling here. In particular, the key ideas of ML for scenario identification and channel modeling/prediction are presented, and the widely used ML methods for propagation scenario identification and channel modeling and prediction are analyzed and compared. Based on the state-of-art, the future challenges of AI/ML-based channel data processing techniques are given as well.

研究动机与目标

• 综述用于识别无线传播场景（包括LoS/NLoS及环境分类）的最先进机器学习技术。
• 分析并比较跨时间、频率与空间域的基于机器学习的信道建模与预测方法。
• 识别在不同传播环境与动态场景中实现AI模型泛化的关键挑战。
• 探索将场景识别、信道预测与网络优化相结合，以提升未来B5G/6G系统性能的路径。
• 为基于人工智能/机器学习的无线传播建模与数据处理提供未来研究路线图。

提出的方法

• 将基于机器学习的场景识别方法分类为监督式与无监督式学习，利用路径损耗、延迟扩展及到达角（AoA）统计等特征。
• 采用深度神经网络（DNN）、卷积神经网络（CNN）与循环神经网络（RNN/LSTM）对信道状态信息（CSI）、波束成形向量与几何图进行建模与预测。
• 通过RNN与LSTM进行时间序列建模，以利用信道特性的时间动态性，提升场景分类性能。
• 将物理环境因素（如建筑物密度、材料类型、地形）与传播参数作为输入，以增强模型的泛化能力。
• 应用元学习与迁移学习技术，提升在标注数据有限情况下的模型跨场景适应能力。
• 提出一种统一框架，通过端到端机器学习流程整合场景识别、信道预测与网络优化。

实验结果

研究问题

• RQ1 如何利用无线信道测量数据，通过机器学习有效分类LoS与NLoS传播条件？
• RQ2 在时间、频率与空间域中，预测信道状态信息（CSI）的最有效深度学习架构是什么？
• RQ3 如何将物理环境因素整合进AI模型，以提升信道模型在多样化场景中的泛化能力？
• RQ4 在场景切换（如城市到隧道）期间，预测快速变化信道的关键挑战是什么？
• RQ5 如何联合优化场景识别与信道预测，以提升B5G/6G系统中的网络级性能？

主要发现

• 监督式机器学习方法在利用延迟扩展与功率延迟分布等特征进行LoS/NLoS分类时表现出高准确率，部分研究中F1分数超过0.9。
• 混合深度学习模型（如CNN-LSTM）在CSI预测中优于传统方法，尤其在捕捉信道的空间与时间动态特性方面表现更优。
• 将物理环境因素（如建筑物高度、材料类型）整合进AI模型，可显著提升模型在不同传播场景中的泛化能力。
• 基于信道统计的无监督聚类技术可在无标签数据条件下有效识别未知传播环境，但准确率通常低于监督式方法。
• 基于人工智能的信道预测可实现早期CSI估计，降低高速移动场景下的时延，支持超可靠低时延通信（URLLC）。
• 通过机器学习整合场景识别、信道预测与网络优化是未来6G系统中具有前景但尚未充分探索的研究方向。