基于地理空间数据的未知环境波束索引地图预测：一种CNN方法及其在5G/6G波束训练中的应用

《IEEE Wireless Communications Letters》：Beam Index Map Prediction in Unseen Environments From Geospatial Data

本文针对5G/6G MIMO系统中波束训练开销大的问题，提出了一种利用公开地理空间数据和基站位置信息、基于卷积神经网络（CNN）的波束索引地图预测方法。该方法将问题构建为图像到图像的转换任务，能够在单次前向传播中为整个区域预测最优波束候选集，显著减少了需要测试的波束数量。研究结果表明，该方法在未见过的环境中也能有效工作，仅需考虑前4个候选波束即可达到0.994的吞吐比（TPR），将波束测量次数从128次大幅减少，为无线网络部署提供了实用方案。

　　

在5G乃至未来的6G无线通信系统中，多输入多输出（MIMO）技术通过大规模天线阵列形成定向波束，成为克服高频段信号高衰减、提升数据速率和覆盖范围的关键。特别是在毫米波（mmWave）和太赫兹（THz）频段，波束成形（Beamforming）尤为重要。然而，如何高效地将用户设备（UE）与基站（BS）的最佳波束关联起来，即波束训练（Beam Training）过程，却带来了显著的开销。传统的波束扫描（Beam Sweeping）需要测试大量波束组合，消耗大量时间和信号资源。虽然已有研究尝试利用GPS、雷达、激光雷达（LiDAR）或摄像头等传感器数据，结合机器学习（ML）来优化此过程，但这些方法往往依赖于特定站点的数据，缺乏普适性，或在应用时需要复杂的传感器支持。因此，开发一种能够泛化到未知环境、且无需复杂传感器数据的波束预测方法，成为提升5G/6G网络性能的迫切需求。

发表在《IEEE Wireless Communications Letters》上的论文《Beam Index Map Prediction in Unseen Environments from Geospatial Data》针对上述挑战，提出了一种新颖的解决方案。该研究的核心思想是，在静态环境中，每个用户位置的最优波束索引是由环境几何结构和基站参数确定性决定的。因此，研究人员探索利用公开可用的城市高程图或航空影像，结合编码后的基站信息，通过卷积神经网络（CNN）直接预测整个区域的最优波束索引地图。

为了验证所提出的方法，研究人员开展了一系列工作。首先，他们构建了一个大规模的综合信道数据集。该数据集基于柏林的开放LiDAR数据和对应的航空影像，生成了包含建筑物和植被类别的归一化数字表面模型（nDSM）。在每个256米x256米的区域（1米分辨率）内，将基站部署在屋顶边缘，用户设备位于网格点上，使用射线追踪软件Wireless InSite在3.9 GHz载波频率下进行全路径数据仿真。最终数据集包含了在609个城市环境中的20151次仿真，每次仿真包含一个基站和数万个接收点。

关键技术方法主要包括：1) 问题建模：将波束索引预测定义为图像到图像的转换任务，使用改进的UNet架构（UNetDCN）进行处理。基站的位置和朝向通过独热图、距离图和方位图进行编码。2) 损失函数设计：比较了交叉熵（CE）、带概率的交叉熵（CEP）、Wasserstein（WS）损失、索引回归（IR）和增益回归（GR）等多种损失函数在不同评估指标（Top-k准确率和吞吐比TPR）下的效果。3) 输入数据灵活性评估：除了使用分类的nDSM（基线）外，还测试了仅使用航空影像（Image）或航空影像结合未分类的nDSM（Image+nDSM）作为输入，以评估方法在更广泛可用数据下的适用性。

系统模型与目标

研究采用几何多径信道模型。基站配备均匀矩形阵列（URA），假设在方位角和仰角方向分别有N_a和N_e根天线。信道张量H ∈ C^{N_a× N_e× N_r}由多条路径的贡献叠加而成，其中N_r是用户设备端的扇区数。波束成形码本由发射端波束和接收端扇区选择向量组合而成。研究目标是为每个发射-接收对预测一个概率分布，覆盖码本中的所有波束组合（N_aN_eN_r个）。通过评估Top-k准确率（预测概率最高的k个波束集合是否包含最优波束）和吞吐比（TPR，比较候选波束集合与最优波束的吞吐量之和），来衡量预测性能。

基于CNN的波束索引地图预测

实验结果明确显示，在所有测试的损失函数中，标准的交叉熵（CE）损失在联合分类所有波束组合（而非分离分类方位角、仰角和接收扇区）时，取得了最佳的Top-k准确率和TPR性能。具体而言，当k=4时，TPR已达到0.994，意味着仅需测试4个波束而非全部的128个（N_a=8, N_e=4, N_r=4），即可实现接近最优的吞吐性能，波束训练开销降低了32倍。可视化结果（参考文档中Fig. 5的示意图）表明，预测模型在视距（LoS）区域性能最强，在非视距（NLoS）区域也能实现较高的Top-4/Top-8覆盖率。此外，研究还发现，即使输入数据仅为广泛可得的航空影像，或航空影像结合未分类的nDSM（不区分建筑物和植被高度），模型的预测性能下降非常有限（如表II所示），这大大增强了所提出方法的实际应用潜力。

研究结论与意义

本研究成功证明，基于CNN的模型能够仅利用公开地理空间数据和基站/用户位置信息，显著降低5G/6G系统中的波束训练开销。该方法的核心优势在于其环境泛化能力，无需针对每个新站点进行数据收集和模型重新训练，也无需依赖雷达、激光雷达等专用传感器。通过单次推理即可生成覆盖整个区域的波束索引地图，该地图可供多个用户设备使用，并可定期更新以跟踪缓慢的环境变化，这使得该方法非常适合于实际的无线网络部署。尽管当前研究基于静态环境，但快速的推理速度为未来融入动态变化（如移动车辆）提供了基础。研究的局限性主要在于训练数据集中于单一城市（柏林）的环境特征，在建筑高度/形状或植被密度分布差异巨大的城市中，模型性能可能会下降。未来通过在多城市数据集上训练或采用迁移学习/领域自适应技术，有望进一步拓展模型的适用范围。总之，这项工作为实现高效、普适的波束管理迈出了重要一步，对推动5G Advanced和6G网络的发展具有积极意义。