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

Sintesi Tecnica: WiSER - Un codificatore di scene wireless per la predizione wireless multi-vista basata sulla geometria

Formulazione del Problema
La propagazione wireless indoor è un processo fisico condizionato dalla scena, determinato dalla geometria 3D, dalle proprietà radio-materiali e dalle configurazioni trasmettitore-ricevitore. Mentre i modelli stocastici classici astraggono le strutture specifiche del sito, i simulatori deterministici di ray-tracing sono computazionalmente costosi per query ripetute; tuttavia, sono emersi metodi basati sull'apprendimento come sostituti. Tuttavia, gli approcci attuali basati sull'apprendimento sono tipicamente isolati: i predittori di radiomappa si concentrano sulla regressione di campi spaziali densi (copertura aggregata), mentre i predittori della Risposta all'Impulso del Canale (CIR) si concentrano sulle strutture multipath a livello di link (insiemi sparsi e non ordinati di tap di ritardo-potenza). Questa separazione solleva la questione se viste wireless eterogenee possano essere decodificate da una rappresentazione comune e riutilizzabile della stessa scena fisica. Gli attuali dataset spesso mancano della co-registrazione necessaria per addestrare un modello così unificato, poiché mirano tipicamente a singole rappresentazioni di output (ad esempio, matrici di canale fisse o radiomappe indipendenti) piuttosto che a una supervisione multi-vista allineata.

Metodologia: L'Architettura WiSER
Il documento propone WiSER (Wireless Scene Encoder), un framework progettato per apprendere una rappresentazione di scena 3D sparsa e condizionata dal trasmettitore che supporti sia la predizione di radiomappe dense che la predizione di CIR multipath a cardinalità variabile.

1. Rappresentazione della Scena: L'ambiente indoor è rappresentato come un insieme di voxel 3D sparsi ($V_S$), che mantiene solo le superfici e gli oggetti occupati per evitare calcoli densi su spazi vuoti. Le caratteristiche includono occupazione, colore, categoria semantica e attributi del materiale.
2. Memoria di Scena Sparsa Condizionata dal Trasmettitore: Un encoder condiviso mappa la scena di voxel sparsi e una posizione del trasmettitore ($x_t$) in una memoria multi-risoluzione ($Z_\phi$).
   • Memorie Locali ($X_{loc}$): Le memorie a scala fine mantengono la geometria vicino alle superfici occupate e rimangono indipendenti dal trasmettitore per garantire la riutilizzabilità attraverso diverse posizioni del trasmettitore.
   • Memoria Globale ($M_{tx}$): Una memoria globale compatta riassume la scena sotto l'attuale posizionamento del trasmettitore. È modulata da un embedding di $x_t$ (derivato da caratteristiche posizionali Fourier e un MLP) utilizzando un condizionamento AdaLN-zero (Adaptive Layer Normalization zero).
3. Dual Decoder: Due decoder strutturati interrogano la memoria condivisa:
   • Ray-Corridor Radiomap Decoder: Per la predizione del guadagno di percorso su piani di ricezione densi, questo decoder impiega un meccanismo di "raccolta a corridoio di raggi" (ray-corridor gathering). Invece di prestare attenzione a tutti i voxel, seleziona un insieme compatto di token di scena vicino al segmento trasmettitore-ricevitore e ai suoi estremi. Questo funge da sparsificatore di attenzione vincolato dalla geometria, iniettando un debole prior di propagazione esponendo le query a probabili blocchi e riflettori. L'output è un campo di guadagno di percorso denso.
   • Decoder di Set CIR in stile DETR: Per la predizione del CIR multipath, questo decoder tratta l'output come un insieme non ordinato di tap di ritardo-potenza con cardinalità variabile. Utilizza una testa di tipo Detection Transformer (DETR) con $K$ query di tap candidati apprendibili. Le query sono condizionate dalla posizione del ricevitore e prestano attenzione alla memoria globale della scena. Un algoritmo di matching di Hungarian allinea i tap predetti con i percorsi reali (ground-truth), consentendo una supervisione invariante per permutazione.
4. Strategia di Addestramento: A causa dell'eterogeneità dei compiti (regressione densa vs. predizione di set sparsi) e delle diverse scale di perdita, il documento impiega una strategia di ottimizzazione alternata con warm-start. Il modello viene inizializzato con checkpoint a compito singolo, seguiti da una breve fase di allineamento congiunto e aggiornamenti alternati focalizzati sul compito, dove l'encoder condiviso e il decoder attivo vengono aggiornati mentre il decoder inattivo rimane congelato.

Costruzione del Dataset
Per abilitare questo apprendimento multi-vista, gli autori hanno costruito una pipeline di dataset di scene indoor co-registrate utilizzando scene ScanNet++ e Sionna Ray Tracing.

• Co-Registrazione: La pipeline converte una singola scena ScanNet++ sia in una rappresentazione di voxel sparsi per il modello, sia in una scena radio compatibile con Sionna per la generazione delle etichette.
• Etichette: Genera etichette di radiomappa dense allineate (campi di guadagno di percorso) e set di tap CIR multipath non ordinati (ritardo e potenza) sotto un comune sistema di coordinate e configurazione di propagazione.
• Consolidamento Multipath: Per corrispondere alla risoluzione dell'input dei voxel sparsi, i percorsi grezzi del ray-tracing sono consolidati in tap rappresentativi basati sulla profondità di interazione, sequenze di tipo di interazione e sequenze di bounce-voxel quantizzate, garantendo che i target di supervisione siano risolvibili dalla rappresentazione della scena.

Contributi Chiave

1. Formulazione del Problema: Il documento formula la predizione di radiomappa e CIR multipath come viste complementari dello stesso processo di propagazione condizionato dalla scena, stabilendo un contesto concreto per studiare rappresentazioni riutilizzabili basate sulla geometria.
2. Pipeline del Dataset: Introduce una pipeline basata su ScanNet++/Sionna che co-registra la geometria della scena 3D sparsa, le configurazioni trasmettitore/ricevitore e sia le etichette di radiomappa densa che i tap CIR per percorso.
3. Modello WiSER: Propone l'architettura WiSER, caratterizzata da un encoder 3D sparso condizionato dal trasmettitore e due decoder specializzati (ray-corridor per le radiomappe e in stile DETR per i CIR).
4. Validazione Empirica: Fornisce prove sperimentali che un singolo modello di rappresentazione condivisa può supportare sia la copertura aggregata che la predizione del canale a livello di percorso, superando i baseline specifici per scena.

Risultati Sperimentali
Il modello è stato valutato su un set di addestramento di 100 scene e 10 scene tenute in precedenza (held-out).

• Predizione Radiomappa: WiSER ha raggiunto un MAE (Errore Assoluto Medio) di 3.834 dB e un RMSE di 5.500 dB, superando i baseline specifici per scena come NeRF2 (8.238 dB MAE) e RF-3DGS (4.585 dB MAE). Significativamente, WiSER è stato addestrato una sola volta sul set multi-scena ed è stato riutilizzato, mentre i baseline sono stati ottimizzati separatamente per ogni scena.
• Predizione CIR Multipath: WiSER ha raggiunto un MAE della potenza di picco di 5.89 dB e un MAE del ritardo di 0.61 ns, superando significativamente i baseline di riferimento inclusi un CNN 3D (11.50 dB MAE di potenza di picco, 1.50 ns di MAE del ritardo).
• Studi di Ablazione: La rimozione della raccolta a corridoio di raggi o dell'auto-attenzione del ricevitore ha degradato le prestazioni della radiomappa. Allo stesso modo, la rimozione della cross-attention o della self-attention nel decoder CIR ha degradato severamente l'accuratezza del CIR, in particolare nella predizione del numero di percorsi.
• Strategia di Addestramento: L'addestramento congiunto diretto da inizializzazione casuale ha portato a un sottoperformance (underfitting). La strategia alternata con warm-start si è dimostrata necessaria per addestrare efficacementamente l'encoder condiviso sotto supervisione eterogenea.

Significatività e Rivendicazioni
Il documento afferma che WiSER dimostra che le rappresentazioni di scene 3D sparse condizionate dal trasmettitore possono servire come encoder di scene wireless riutilizzabili per eterogenee query di propagazione. Imparando una memoria di scena condivisa invece di predittori isolati, il modello supporta sia predizioni dense a livello di copertura che predizioni sparse a livello di percorso all'interno di un'unica architettura. Gli autori posizionano questo lavoro come un "passo verso l'apprendimento della rappresentazione e lo sviluppo di modelli fondativi basati sulla geometria per i sistemi wireless nativi AI", suggerendo che l'ambiente fisico stesso possa fornire una rappresentazione riutilizzabile per molteplici compiti wireless a valle, a condizione che i decoder siano abbinati alla specifica struttura di ciascun spazio di output.