EA-RMENet -- Path Loss Prediction in Urban Environments using Deep Learning

Resumo Técnico: Rede de Estimativa de Mapa de Rádio com Atenção Eficiente (EA-RMENet)

Definição do Problema
A previsão precisa da perda de percurso (path loss) é fundamental para o planejamento de redes sem fio, particularmente em ambientes urbanos densos caracterizados por layouts de edifícios complexos e alturas variáveis. As abordagens tradicionais enfrentam um compromisso significativo: modelos empíricos (ex: COST 231 Hata) são computacionalmente eficientes, mas carecem de precisão em cenários complexos, enquanto modelos determinísticos (ex: ray tracing) oferecem alta precisão ao custo de recursos computacionais e tempo proibitivos. Métodos de aprendizado profundo (DL), especificamente arquiteturas encoder-decoder como a U-Net, surgiram como um meio-termo promissor para a Estimativa de Mapa de Rádio (RME). No entanto, os modelos de DL existentes frequentemente lutam para otimizar simultaneamente uma alta precisão de previsão e eficiência computacional, enquanto capturam as características espaciais de múltiplas escalas necessárias para a propagação urbana.

Metodologia
O artigo propõe a Efficient Attention Radio Map Estimation Network (EA-RMENet), um modelo de aprendizado profundo projetado para prever mapas de rádio de perda de percurso usando dados de imagem. A arquitetura é construída sobre uma estrutura U-Net, mas integra vários componentes avançados para aumentar o desempenho:

1. Backbone do Encoder: O modelo utiliza a EfficientNetB5 como seu encoder. Esta escolha baseia-se em um estudo de ablação comparando variantes de B0 a B7, que identificou a B5 como oferecendo o equilíbrio ideal entre precisão e custo computacional. O encoder emprega escalonamento composto para equilibrar profundidade, largura e resolução, extraindo mapas de características hierárquicos.
2. Representação de Entrada: O modelo aceita tensores de entrada multicanais (14 ou 16 canais, dependendo da configuração). Estes incluem:
   • Uma máscara binária de pegada de edifícios (building footprint).
   • Uma máscara binária de localização do transmissor (Tx).
   • Fatiamento de Altura de Edifícios (Building Height Slicing): Uma estratégia inovadora onde as alturas dos edifícios são codificadas em 12 fatias discretas para preservar informações geométricas detalhadas que poderiam ser perdidas durante o downsampling.
   • Âncoras de Grade (Grid Anchors - GA): Canais opcionais que codificam coordenadas espaciais normalizadas (x, y) para fornecer referências posicionais absolutas, abordando a limitação de equivalência de translação das CNNs padrão.
3. Melhorias Arquiteturais:
   • Conexões de Pulo com Portão de Atenção (Attention Gated - AG Skip Connections): Diferente das conexões de pulo padrão da U-Net que concatenam todas as características do encoder, as AGs atuam como filtros aprendíveis. Elas permitem que o decoder foque seletivamente em características espaciais relevantes do encoder enquanto suprime informações irrelevantes ou ruidosas, melhorando a fusão de características.
   • Atrous Spatial Pyramid Pooling (ASPP): Integrado no gargalo (bottleneck), o módulo ASPP captura o contexto de múltiplas escalas. Ele utiliza convoluções atrous paralelas com diferentes taxas de dilatação (1, 2, 3 e 4) juntamente com um ramo de pooling global. Isso permite que o modelo capture simultaneamente obstáculos locais e fenômenos de propagação global (sombreamento, reflexões) sem aumentar significativamente a contagem de parâmetros.
4. Processamento de Dados: O modelo é treinado no conjunto de dados RadioMapSeer3D, que contém 56.000 mapas de rádio obtidos por ray tracing derivados de 700 mapas urbanos com diferentes alturas de edifícios. Estratégias de aumento de dados, incluindo rotações aleatórias de 90 graus e inversões horizontais, são aplicadas para melhorar a generalização sem exigir armazenamento adicional de dados.

Principais Contribuições

• Arquitetura Inovadora: O artigo apresenta a primeira integração conhecida de EfficientNet, Attention Gates, ASPP e Grid Anchors dentro de uma única estrutura U-Net especificamente para RME em cenários urbanos.
• Integração da EfficientNet: Demonstra a eficácia do uso da EfficientNetB5 como um backbone para RME, validando-a através de um estudo de ablação contra outras variantes da EfficientNet.
• Estratégia de Fatiamento de Altura: A introdução de um método de codificação de múltiplas fatias para alturas de edifícios para representar melhor as estruturas urbanas 3D em um modelo de DL baseado em imagens 2D.
• Avaliação Abrangente: O modelo é rigorosamente testado no dataset RadioMapSeer3D e avaliado contra os benchmarks do Desafio de Predição de Mapa de Rádio da ICASSP 2023.

Resultos

• Desempenho no RadioMapSeer3D: A EA-RMENet alcançou um RMSE de teste de 0,0334 com um tempo de inferência de 0,02 deg/amostra.
• Desafio ICASSP 2023: No Desafio de Predição de Mapa de Rádio da ICASSP 2023, o modelo classificou-se em terceiro lugar com um RMSE competitivo de 0,0406.
• Achados de Ablação: O estudo confirmou que, embora a EfficientNetB6 e B7 ofereçam um MSE ligeiramente menor, o custo computacional é significativamente maior, justificando a seleção da B5 para a arquitetura final.

Significância e Alegações
Os autores alegam que a EA-RMENet oferece uma alternativa viável, precisa e computacionalmente eficiente aos modelos tradicionais de perda de percurso de RF. Ao equilibrar com sucesso o compromisso entre precisão e eficiência, o modelo demonstra um potencial significativo para a Estimativa de Mapa de Rádio no mundo real. O artigo posiciona este trabalho como um passo à frente na aplicação de técnicas avançadas de DL a problemas complexos de propagação urbana, fornecendo uma estrutura que supera ou iguala benchmarks de estado da arte, mantendo velocidades de inferência práticas. Os autores não alegam ter resolvido todos os desafios de perda de percurso, mas destacam o desempenho competitivo do modelo e sua capacidade de generalização em ambientes urbanos complexos como evidência de sua utilidade.