Point-Cloud-Assistant Localized Statistical Channel Prediction by Tangent Gaussian Splatting

Planteamiento del Problema

La información de canal precisa y específica de cada sitio es esencial para optimizar las redes inalámbricas de próxima generación. Si bien el Modelado de Canal Estadístico Localizado (LSCM) ha surgido como un método de vanguardia para estimar el Espectro de Potencia Angular (APS) a partir de mediciones de Potencia de la Señal Recibida (RSRP) de baja sobrecarga, sufre de una limitación crítica: la falta de generalización espacial. El LSCM solo puede reconstruir el APS en ubicaciones donde existen mediciones de RSRP. No puede interpolar ni extrapolar el APS a regiones no medidas sin mediciones cercanas, lo que restringe severamente su utilidad para la planificación de redes a gran escala y la construcción de gemelos digitales.

Las alternativas existentes no logran abordar este vacío específico:

• Los modelos estocásticos basados en geometría (GBSM) carecen de detalles ambientales localizados.
• El trazado de rayos determinista requiere costos computacionales prohibitivos y parámetros de materiales precisos.
• Los predictores de mapas de radio basados en aprendizaje profundo (por ejemplo, RadioUNet) típicamente predicen la potencia de la señal escalar en lugar del APS de alta dimensión requerido para el beamforming y la configuración de antenas.
• Las representaciones de escenas neuronales (por ejemplo, NeRF, 3DGS adaptado para wireless) a menudo requieren etiquetas de APS de verdad de campo (ground-truth) densas para el entrenamiento, las cuales rara vez están disponibles en despliegues en exteriores.

El artículo define el problema de la Predicción de Canal Estadístico Localizado (LSCP): predecir el APS en rejillas exteriores completamente no medidas aprovechando datos de RSRP dispersos y de baja dimensión junto con priors ambientales densos (específicamente nubes de puntos LiDAR).

Metodología: Marco PC-TGS

Los autores proponen el Splatting de Tangente de Nube de Puntos Asistido por Punto (PC-TGS), un marco unificado que reasigna el Splatting de Gaussianas 3D (3DGS) al dominio de radio. A diferencia del 3DGS visual que renderiza colores RGB, el PC-TGS sintetiza la propagación de señales de radio. El marco consta de cuatro módulos principales:

1. Reparametrización de Media Relajada (RM):

   • Para manejar nubes de puntos LiDAR densas y ruidosas, el marco no utiliza los puntos brutos directamente. En su lugar, emplea un mecanismo de "selección suave" diferenciable para extraer $N$ dispersores virtuales representativos.
   • La posición de cada dispersor es una agregación ponderada y entrenable de la nube de puntos bruta, sujeta a restricciones de simplex y a una "Restricción de Elemento Máximo" (MEC) para asegurar que cada dispersor se ancle a una región física específica. Esto filtra el ruido mientras preserva características geométricas clave como las fachadas de los edificios.

2. Construcción de Atributos:

   • Cada dispersor virtual $n$ está parametrizado por:
     • Posición ($\mu_n$) y Covarianza ($\Sigma_n$): Codifica la ubicación y la extensión espacial anisotrópica (orientación/dispersión) del dispersor.
     • Atenuación Compleja ($\alpha_n$): Una magnitud y un desplazamiento de fase aprendibles, modelados mediante un MLP basado en la distancia desde la estación base para capturar la pérdida de trayectoria y la interacción con los materiales.
     • Ganancia Direccional ($G_n$): Modelada utilizando Armónicos Esféricos (SH) complejos para capturar patrones de dispersión dependientes del ángulo desde la Estación Base (BS) hacia el dispersor y desde el dispersor hacia el receptor.

3. Proyección de Plano Tangente:

   • Para mapear los dispersores 3D al dominio angular 2D (AoD/AoA), el marco proyecta todas las gaussianas sobre un plano tangente local en cada celda angular discretizada.
   • Esta proyección alinea la geometría ambiental con el dominio angular utilizado para el cálculo del APS, diferenciándose fundamentalmente de las proyecciones basadas en cámaras utilizadas en el 3DGS visual.

4. Síntesis de APS mediante Splatting Electromagnético:

   • El marco agrega las contribuciones de los dispersores utilizando una regla de acumulación consciente de la profundidad. Los dispersores se ordenan por distancia (de frente hacia atrás) para simular la oclusión y el sombreado.
   • El APS final se calcula sumando las contribaciones coherentes de los componentes de trayectoria múltiple, donde las opacidades gaussianas representan la atenuación de la señal.
   • Integración basada en GWA: Para evitar la costosa integración numérica sobre parches esféricos, los autores derivan una aproximación de Promedio Ponderado Gaussiano (GWA) de forma cerrada. Esto reemplaza la región de integración de bordes duros con una ventana gaussiana de coincidencia de momentos, proporcionando una fórmula tratable con un límite de error demostrable (Teorema 1).

5. Ajuste Fino Recursivo (RFT):

   • Para mejorar la extrapolación, el modelo emplea una estrategia de propagación de frontera. Inicialmente entrena en rejillas medidas, luego predice iterativamente el APS en las rejillas de frontera, aumenta el conjunto de entrenamiento con estas predicciones y vuelve a entrenar. Esto permite al modelo propagar la estructura ambiental aprendida hacia regiones no medidas.

Contribuciones Clave

1. Marco LSCP: La primera definición formal y solución para la extrapolación de APS a ubicaciones no medidas utilizando RSRP disperso y priors de LiDAR densos, yendo más allá de los límites de interpolación de LSCM.
2. 3DGS Inspirado en la Física: Una reinterpretación rigurosa del Splatting de Gaussianas 3D para la propagación de radio, donde las gaussianas actúan como dispersores virtuales y el proceso de renderizado simula la superposición de trayectorias múltiples y la oclusión.
3. Modelado de Dispersores Eficiente: Un algoritmo de reparametrización de media relajada que extrae eficientemente dispersores virtuales robustos a partir de nubes de puntos densas y ruidosas, uniendo los datos de sensores brutos con el modelado de canales estadísticos.
4. Proyección de Plano Tangente y GWA: Un método de proyección escalable y una fórmula de integración de forma cerrada (GWA) con un límite de error demostrable, lo que permite una síntesis de APS rápida y matemáticamente fundamentada.
5. Pipeline Unificado: Un marco diferenciable de extremo a extremo que integra conjuntamente mediciones dispersas, geometría densa y modelado electromagnético, logrando un rendimiento robusto en entornos con pocos datos.

Resultos Experimentales

El marco fue evaluado en un conjunto de datos a escala de ciudad (5 millones de puntos LiDAR, 6,310 muestras de RSRP) en un área de 1,000 $\times$ 1,200 $m^2$.

• Desempeño: PC-TGS superó significativamente a las líneas base de vanguardia (incluyendo WNOMP, TMSBL, Ray Tracing, RadioUNet y MM-LSCM) en tareas de extrapolación (Sub-Tareas 2 y 3).
  • Sub-Tarea 2 (RSRP no medido): PC-TGS logró un MAE de 7.45 dB, comparado con 9.12 dB (MM-LSCM) y 10.31 dB (RadioUNet).
  • Sub-Tarea 3 (RSRP rotado no medido): PC-TGS logró un MAE de 7.57 dB, comparado con 9.94 dB (MM-LSCM).
• Eficiencia: PC-TGS ofrece una inferencia rápida (~74 ms por consulta), lo que representa una aceleración de ~5$\times$ respecto a MM-LSCM y es significativamente más rápido que los métodos en línea como Ray Tracing o la extrapolación basada en Kriging, que toman segundos por consulta.
• Estudios de Ablación:
  • Cantidad de Dispersores: El desempeño se estabilizó en $N=2000$ dispersores virtuales; aumentarlos más degradó la precisión y la velocidad.
  • Densidad de LiDAR: El modelo se mantuvo robusto incluso con una esparcimiento del 50% de la nube de puntos. Eliminar el LiDAR por completo (SM-PC-TGS) causó una caída significativa en el desempeño, confirmando el valor de los priors geométricos.
  • Robustez al Ruido: El marco toleró ruido geométrico de hasta 1.0 m, lo que respalda el uso de nubes de puntos derivadas de imágenes (por ejemplo, DUSt3R) como alternativa al LiDAR.
  • Impacto de RFT: El esquema de Ajuste Fino Recursivo mejoró específicamente la precisión de la extrapolación (Sub-Tareas 2 y 3) en aproximadamente ~0.8–1.0 dB sin comprometer el desempeño en las regiones medidas.

Significancia y Reivindicaciones

El artículo afirma que PC-TGS aborda una brecha fundamental en la optimización de redes inalámbricas: la capacidad de predecir estadísticas de canal en áreas donde no existen mediciones de señal. Al fusionar datos de radio dispersos con la geometría ambiental densa en un marco físicamente fundamentado y diferenciable, PC-TGS permite:

• Predicción Consciente de la Geometría: Aprovechar la estructura física del entorno (edificios, paredes) para inferir el comportamiento de trayectorias múltiples en ubicaciones no medidas.
• Eficiencia de Datos: Reducir la necesidad de pruebas de campo exhaustivas utilizando priors de LiDAR para generalizar a partir de muestras de RSRP dispersas.
• Escalabilidad: Proporcionar una alternativa computacionalmente eficiente al trazado de rayos para la construcción de gemelos digitales a gran escala.

Los autores enfatizan que PC-TGS no es simplemente una aplicación del 3DGS visual, sino un marco fundamentalmente rediseñado basado en la física de la propagación de radio, capaz de una verdadera extrapolación espacial donde los métodos anteriores fallan.