WiSER: A Wireless Scene Encoder for Geometry-Grounded Multi-View Wireless Prediction

Resumen Técnico: WiSER - Un codificador de escenas inalámbricas para la predicción multivista basada en la geometría

Formulación del Problema
La propagación inalámbrica en interiores es un proceso físico condicionado por la escena, determinado por la geometría 3D, las propiedades de los materiales de radio y las configuraciones de transmisor-receptor. Mientras que los modelos estocásticos clásicos abstraen las estructuras específicas del sitio y los simuladores deterministas de trazado de rayos (ray-tracing) son computacionalmente costosos para consultas repetidas, los métodos basados en aprendizaje han emergido como sustitutos. Sin embargo, los enfoques actuales basados en aprendizaje suelen estar aislados: los predictores de radiomapas se centran en la regresión de campos espaciales densos (cobertura agregada), mientras que los predictores de Respuesta de Impulso del Canal (CIR) se centran en estructuras de multipatía a nivel de enlace (conjuntos dispersos y no ordenados de taps de retardo-potencia). Esta separación plantea la pregunta de si las visiones inalámbricas heterogéneas pueden ser decodificadas a partir de una representación de escena compartida y reutilizable de la misma escena física. Los conjuntos de datos actuales suelen carecer de la corregulación necesaria para entrenar un modelo unificado de este tipo, ya que típicamente apuntan a representaciones de salida únicas (por ejemplo, matrices de canal fijas o radiomapas independientes) en lugar de una supervisión multivista alineada.

Metodología: La Arquitectura WiSER
El artículo propone WiSER (Wireless Scene Encoder), un marco diseñado para aprender una representación de escena 3D dispersa y condicionada por el transmisor que soporte tanto la predicción de radiomapas densos como la predicción de CIR de multipatía con cardinalidad variable.

1. Representación de la Escena: El entorno interior se representa como un conjunto de vóxeles 3D dispersos ($V_S$), que conserva únicamente las superficies y objetos ocupados para evitar el cómputo denso sobre el espacio vacío. Las características incluyen ocupación, color, categoría semántica y atributos de material.
2. Memoria de Escena Dispersa Condicionada por el Transmisor: Un codificador compartido mapea la escena de vóxeles dispersos y una ubicación del transmisor ($x_t$) en una memoria multirresolución ($Z_\phi$).
   • Memorias Locales ($X_{loc}$): Las memorias de escala fina retienen la geometría cerca de las superficies ocupadas y permanecen agnósticas al transmisor para asegurar la reutilización en diferentes colocaciones del mismo.
   • Memoria Global ($M_{tx}$): Una memoria global compacta resume la escena bajo la configuración actual del transmisor. Esta es modulada por una incrustación de $x_t$ (derivada de características posicionales de Fourier y un MLP) utilizando un condicionamiento de Normalización de Capa Adaptativa Zero (AdaLN-zero).
3. Decodificadores Duales: Dos decodificadores conscientes de la estructura consultan la memoria compartida:
   • Decodificador de Radiomapa de Corredor de Rayos: Para la predicción de ganancia de trayectoria en planos de receptor densos, este decodificador emplea un mecanismo de "recolección de corredores de rayos" (ray-corridor gathering). En lugar de atender a todos los vóxeles, selecciona un conjunto compacto de tokens de escena cerca del segmento transmisor-receptor y sus extremos. Esto actúa como un esparcidor de atención restringido por la geometría, inyectando un prior de propagación débil al exponer las consultas a posibles bloqueadores y reflectores. La salida es un campo de ganancia de trayectoria denso.
   • Decodificador de Conjunto CIR Estilo DETR: Para la predicción de CIR de multipatía, este decodificador trata la salida como un conjunto no ordenado de taps de retardo-potencia con cardinalidad variable. Utiliza un cabezal tipo Detection Transformer (DETR) con $K$ consultas de tap candidatas aprendibles. Las consultas están condicionadas por la ubicación del receptor y atienden a la memoria global de la escena. Un algoritmo de emparejamiento húngaro alinea los taps predichos con las trayectorias de verdad de campo (ground-truth), permitiendo una supervisión invariante a la permutación.
4. Estrategia de Entrenamiento: Debido a la heterogeneidad de las tareas (regresión densa frente a predicción de conjuntos dispersos) y las diferentes escalas de pérdida, el artículo emplea una estrategia de optimización alternante con inicio cálido (warm-started alternating optimization). El modelo se inicializa con puntos de control de tarea única, seguido de una breve fase de alineación conjunta y actualizaciones alternantes centradas en la tarea, donde el codificador compartido y el decodificador activo se actualizan mientras el decodificador inactivo permanece congelado.

Construcción del Conjunto de Datos
Para permitir este aprendizaje multivista, los autores construyeron un flujo de trabajo de co-regulación de escena interior y conjunto de datos inalámbrico utilizando escenas de ScanNet++ y Sionna Ray Tracing.

• Co-Regulación: El flujo de trabajo convierte una única escena de ScanNet++ tanto en una representación de vóxeles dispersos para el modelo como en una escena de radio compatible con Sionna para la generación de etiquetas.
• Etiquetas: Genera etiquetas de radiomapa densas alineadas (campos de ganancia de trayectoria) y conjuntos de taps de CIR de multipatía no ordenados (retardo y potencia) bajo un mismo marco de coordenadas y configuración de propagación.
• Consolidación de Multipatía: Para coincidir con la resolución del input de vóxeles dispersos, las trayectorias puras de trazado de rayos se consolidan en taps representativos basados en la profundidad de interacción, secuencias de tipo de interacción y secuencias de vóxeles de rebote cuantizadas, asegurando que los objetivos de supervisión sean resolubles por la representación de la escena.

Contribuciones Clave

1. Formulación del Problema: El artículo formula la predicción de radiomapas y de CIR de multipatía como visiones complementarias de un mismo proceso de propagación condicionado por la escena, estableciendo un escenario concreto para estudiar representaciones reutilizables basadas en la geometría.
2. Flujo de Trabajo de Conjunto de Datos: Introduce un flujo de trabajo basado en ScanNet++/Sionna que co-regula la geometría de la escena 3D dispersa, las configuraciones de transmisor/receptor y tanto las etiquetas de radiomapa denso como de CIR de trayectoria.
3. Modelo WiSER: Propone la arquitectura WiSER, que cuenta con un codificador de escena 3D dispersa condicionado por el transmisor y dos decodificadores especializados (corredor de rayos para radiomapas y estilo DETR para CIRs).
4. Validación Empírica: Proporciona evidencia experimental de que una única representación compartida puede soportar tanto la predicción de cobertura agregada como la de trayectoria a nivel de camino, superando a las líneas base específicas de la escena.

Resultos Experimentales
El modelo fue evaluado en un conjunto de entrenamiento de 100 escenas y 10 escenas de prueba (held-out).

• Predicción de Radiomapa: WiSER alcanzó un Error Absoluto Medio (MAE) de 3.834 dB y un RMSE de 5.500 dB, superando a las líneas base específicas de la escena como NeRF2 (8.238 dB MAE) y RF-3DGS (4.585 dB MAE). Notablemente, WiSER fue entrenado una vez en el conjunto multi-escena y reutilizado, mientras que las líneas base fueron optimizadas por separado para cada escena.
• Predicción de CIR de Multipatía: WiSER logró un MAE de potencia pico emparejada de 5.89 dB y un MAE de retardo de 0.61 ns, superando significativamente a las líneas base de referencia, incluyendo una CNN 3D (11.50 dB de MAE de potencia pico, 1.50 ns de MAE de retardo).
• Estudios de Ablación: Eliminar la recolección del corredor de rayos o la auto-atención del receptor degradó el rendimiento del radiomapa. Del mismo modo, eliminar la atención cruzada o la auto-atención en el decodificador de CIR degradó severamente la precisión del CIR, particularmente en la predicción del número de trayectorias.
• Estrategia de Entrenamiento: El entrenamiento conjunto directo desde la inicialización aleatoria resultó en un subajuste (underfitting). Se demostró que la estrategia alternante de inicio cálido era necesaria para entrenar eficazmente el codificador compartido bajo supervisión heterogénea.

Significado y Reivindicaciones
El artículo afirma que WiSER demuestra que las representaciones de escenas 3D dispersas condicionadas por el transmisor pueden servir como codificadores de escenas inalámbricas reutilizables para consultas de propagación heterogéneas. Al aprender una memoria de escena compartida en lugar de predictores aislados, el modelo soporta tanto predicciones de cobertura densa a nivel de nivel como predicciones de trayectoria a nivel de camino dentro de una única arquitectura. Los autores posicionan esto como un "paso basado en la geometría hacia el aprendizaje de representaciones y el desarrollo de modelos fundacionales para sistemas inalámbricos nativos de IA", sugiriendo que el entorno físico mismo puede proporcionar una representación reutilizable para múltiples tareas inalámbricas descendentes, siempre que los decodificadores se ajusten a la estructura específica de cada espacio de salida.