Resumo Técnico: RadCloudSplat

Declaração do Problema

A construção de radiomapas precisos — distribuições espaciais de força de sinal sem fio (RSS) — é crítica para a otimização de redes, alocação de recursos e condução autônoma. No entanto, adquirir medições densas de sinal em ambientes externos de grande escala é proibitivamente caro e trabalhoso, dependendo tipicamente de dados esparsos coletados via testes de condução (drive tests). Os métodos tradicionais de reconstrução enfrentam limitações significativas:

• Métodos baseados em interpolação (ex: Peso Inverso da Distância, Kriging) falham em capturar a complexa física da propagação sem fio em ambientes externos.
• Traçado de Raios (Ray Tracing) requer modelos CAD 3D precisos que frequentemente divergem dos ambientes reais e são computacionalmente pesados.
• Métodos baseados em aprendizado (ex: VAEs, GANs) geralmente exigem dados de treinamento densos e carecem de modelagem física explícita.
• Campos de Radiação Neural (NeRF) mostraram-se promissores, mas sofrem com velocidades de síntese lentas e altos custos computacionais, tornando-os impraticáveis para implantação em larga escala.
• Adaptações existentes de 3D Gaussian Splatting (3DGS) (ex: WRF-GS) são frequentemente limitadas a cenários internos, dependem de suposições de canal simplificadas ou carecem da capacidade de utilizar priors de nuvem de pontos ambientais de forma eficaz.

O desafio central é alcançar uma extrapolação de radiomapa eficiente, precisa e robusta a partir de medições esparsas de RSS em ambientes externos complexos, aproveitando a geometria ambiental sem depender de parâmetros de antena proprietários ou dados de verdade fundamental (ground truth) densos.

Metodologia: Estrutura RadCloudSplat

Os autores propõem o RadCloudSplat, uma estrutura que estende o 3D Gaussian Splatting (3DGS) para o domínio da radiofrequência. Ele modela espalhadores ambientais (prédios, paredes) como Gaussianas 3D anisotrópicas para capturar características de propagação de múltiplos caminhos (multi-path). A estrutura consiste em quatro componentes principais:

1. Reparametrização de Média Relaxada (RM)

Para enfrentar o desafio de processar nuvens de pontos LiDAR densas e ruidosas, os autores introduzem um esquema de Média Relaxada (RM).

• Objetivo: Selecionar espalhadores virtuais chave a partir de nuvens de pontos brutas ($\hat{P}_{raw}$) para servirem como as médias ($\mu_{rad}$) para as Gaussianas 3D.
• Mecanismo: Em vez de tratar as posições dos espalhadores como pontos fixos da nuvem, o modelo aprende uma matriz de seleção treinável $T$ e um termo de viés $B$. As posições são reparametrizadas como $\mu_{rad} = T\hat{P}_{raw} + B$.
• Otimização: A matriz de seleção $T$ é restrita a um espaço de simplex com uma Restrição de Elemento Máximo (MEC) para garantir a esparsidade (selecionando pontos distintos) e dominância por linha. O viés $B$ permite que o modelo refine as posições para mitigar o ruído e alinhar melhor com a física de propagação de sinais. Isso transforma um problema de seleção discreta em uma tarefa de otimização diferenciável.

2. Projeção 3DGS Sem Câmera

Ao contrário do 3DGS tradicional, que mapeia cenas 3D para visualizações de câmera 2D, o RadCloudSplat mapeia espalhadores 3D para um espaço de feixe (beamspace) 2D (padrões de RSS através de direções de feixe).

• Desafio: Sinais sem fio carecem de parâmetros intrínsecos/extrínsecos de câmera, e padrões de antena específicos do operador são frequentemente proprietários.
• Solução: Uma projeção sem câmera utiliza dois Perceptrons de Camadas Multicamadas (MLPs) estruturados para aprender o mapeamento dos atributos do espalhador 3D (média $\mu_{rad}$ e covariância $\Sigma_{rad}$) para os parâmetros Gaussianos do espaço de feixe 2D (média $x$ e precisão $\Lambda$). Isso evita a dependência de modelos de antena físicos desconhecidos.

3. Electromagnetic Splatting

O processo de renderização sintetiza valores de RSS simulando a propagação de múltiplos caminhos:

• Espalhadores como Transmissores Virtuais: Cada espalhador Gaussiano 3D é tratado como uma fonte secundária que retransmite sinais com atenuações e deslocamentos de fase específicos.
• Codificação Dependente de Visualização: Coeficientes de Harmônicos Esféricos (SH) codificam a contribuição dependente da direção de cada espalhador.
• Ordenação por Profundidade e Mistura: Os espalhadores são ordenados por profundidade em relação à localização alvo. O RSS final é computado agregando as contribuições complexas de todos os espalhadores ordenados, contabilizando a atenuação acumulada e os deslocamentos de fase, simulando efetivamente a superposição de sinais de múltiplos caminhos.

4. Estratégia de Treinamento e Extrapolação

• Função de Perda: Uma perda composta combina o Erro Quadrático Médio (MSE) para precisão e a perda de Variação Total (TV) para garantir suavidade espacial e coerência.
• Ajuste Fino Recursivo: Para lidar com a esparsidade das medições, os autores propõem um esquema recursivo. O modelo é primeiro treinado em grades esparsas conhecidas. Em seguida, ele prevê valores para grades desconhecidas adjacentes à fronteira; essas previsões são adicionadas ao conjunto de treinamento e o modelo é retreinado. Este processo iterativo expande progressivamente a cobertura até que toda a área seja extrapolada.

Principais Contribuições

1. Primeira Extensão do 3DGS para Radiofrequências: O artigo apresenta a primeira estrutura que aplica o 3D Gaussian Splatting à reconstrução de radiomapas externos usando dados de RSS em espaço de feixe, indo além da luz visível e de modelos internos simplificados.
2. Reparametrização de Média Relaxada (RM): Um método inovador para extrair espalhadores virtuais chave de nuvens de pontos densas e ruidosas através do aprendizado de um processo de seleção e refinamento diferenciável, permitindo que o modelo utilize priors ambientais de forma eficaz.
3. Projeção Sem Câmera: Um mecanismo de projeção baseado em aprendizado que mapeia espalhadores 3D para 2D sem a necessidade de ganhos de antena ou padrões de formação de feixe proprietários, aumentando a robustez em implantações do mundo real.
4. Técnicas de Melhoria de Extrapolação: A integração de uma função de perda de regularização ternária e um esquema de ajuste fino recursivo para alcançar generalização robusta em regiões com medições esparsas ou inexistentes.

Resultados Experimentais

A estrutura foi avaliada tanto em dados sintéticos (Cidade A) quanto em dados de teste de condução do mundo real (Cidade B).

• Dados Sintéticos (Cidade A): O RadCloudSplat alcançou um Erro Absoluto Médio (MAE) de 7,564 dB, superando os baselines, incluindo Kriging (11,307 dB), VAE (10,306 dB) e métodos baseados em NeRF (NeRF2: 9,867 dB, NeWRF: 10,051 dB). Também demonstrou velocidade superior, com um tempo de inferência de 0,004 segundos por amostra, aproximadamente 5x mais rápido que as variantes de NeRF.
• Dados do Mundo Real (Cidade B): Em dados do mundo real com ruído inerente de sensores e imprecisões de GPS, o RadCloudSplat alcançou um MAE de 7,035 dB, superando o Traçado de Raios (13,108 dB), Kriging (9,656 dB) e NeRF2 (7,313 dB).
• Estudos de Ablação:
  • Remover a estratégia de ajuste fino recursivo aumentou o MAE para 7,967 dB (sintético) e 7,121 dB (mundo real), confirmando sua importância para a extrapolação.
  • Substituir a projeção aprendida sem câmera por uma projeção física (assumindo padrões de antena conhecidos) degradou significativamente o desempenho (MAE 12,218 dB), validando a necessidade da projeção aprendida para cenários do mundo real onde tais parâmetros são desconhecidos.
  • O esquema RM provou ser crítico; a seleção aleatória de espalhadores ou a inicialização fixa sem o termo de viés resultou em erros significativamente maiores.

Significância e Alegações

O artigo afirma que o RadCloudSplat consolida a credibilidade dos modelos baseados em 3DGS para implantação de redes sem fio no mundo real. Ao integrar com sucesso os priors de nuvem de pontos ambientais com a física de propagação de rádio, a estrutura aborda as ineficiências computacionais do NeRF e as limitações físicas da interpolação tradicional.

Os autores enfatem que a estrutura permite uma modelagem robusta e espacialmente consciente de padrões de radiação de sinais sem fio a partir de medições esparsas. A capacidade de aprender posições de espalhadores e parâmetros de projeção diretamente dos dados, sem depender de informações proprietárias de operadoras, torna a abordagem particularmente adequada para implantações baseadas em MIMO de próxima geração e tarefas de otimização de rede. O trabalho demonstra que técnicas avançadas de modelagem 3D podem ser efetivamente adaptadas ao domínio de rádio para resolver desafios críticos de extrapolação de sinal.