Presentiamo un nuovo dataset per la previsione delle mappe radio

Negli ultimi anni, molti ricercatori hanno studiato come il deep learning può aiutarci a capire come i segnali si attenuano mentre viaggiano da un trasmettitore a un Ricevitore nelle aree urbane. L'obiettivo principale è usare il machine learning per eliminare la necessità di processi di misurazione costosi, modelli imprecisi o simulazioni lente. Una volta addestrati, questi modelli possono prevedere rapidamente la Perdita di segnale.

Nonostante l'interesse in quest'area, non ci sono molti dataset aperti che permettano a tutti di testare e confrontare vari metodi. Questo articolo presenta un nuovo dataset pubblico che include mappe radio di perdita di percorso simulate, mappe urbane reali e immagini aeree.

#Contesto

La comunicazione wireless si basa sulla trasmissione di segnali attraverso onde radio. La forza del segnale ricevuto dipende da molti fattori, incluso il potere del trasmettitore e la perdita del segnale mentre viaggia. Questa perdita può avvenire per vari motivi, come la distanza che il segnale deve percorrere, riflessioni da edifici e persino interferenze da alberi.

Per studiare come la perdita di segnale influisce su luoghi diversi, guardiamo a una Mappa Radio, che mostra quanta perdita di segnale si verifica in vari punti. Sapere queste informazioni può aiutare a migliorare le reti cellulari garantendo una buona copertura e un uso efficiente delle risorse di segnale.

In termini pratici, raccogliere queste informazioni attraverso misurazioni fisiche è difficile e costoso. Invece, sono stati sviluppati diversi metodi per stimare la perdita di segnale. I modelli statistici tradizionali spesso non riescono a tenere conto delle configurazioni uniche delle città. D'altro canto, le simulazioni di ray-tracing possono fornire risultati accurati, ma normalmente richiedono tempo e modelli 3D dettagliati dell'ambiente.

Recentemente, le tecniche di machine learning, in particolare le reti neurali profonde, hanno attirato l'attenzione per il loro potenziale di stimare accuratamente la perdita di segnale. Questi modelli possono apprendere da grandi quantità di dati e, una volta impostati, possono fare previsioni in pochi millisecondi. Questo apre la porta all'uso in scenari dove i metodi tradizionali sono troppo lenti o imprecisi.

#Definizione del Problema

Consideriamo una situazione con un trasmettitore e un ricevitore in un ambiente fisso. Il segnale può seguire vari percorsi per arrivare al ricevitore, inclusi percorsi diretti e indiretti che rimbalzano su superfici come muri o terreno. Per le nostre simulazioni, assumiamo che la lunghezza d'onda del segnale sia molto più piccola dei dettagli dell'ambiente. Questo significa che possiamo trattare le variazioni a breve termine nella forza del segnale come eventi casuali piuttosto che prevedibili.

Essenzialmente, possiamo separare la perdita totale di segnale in due parti: la perdita su larga scala, che può essere stimata usando la distanza, e la perdita su piccola scala, che è più casuale e influenzata da fattori ambientali. L'obiettivo è modellare la relazione tra le posizioni di trasmettitore e ricevitore e la perdita di segnale attesa.

Per definire matematicamente questa perdita di percorso, possiamo pensare alla potenza del segnale al ricevitore come influenzata da tutti i percorsi che il segnale può prendere. La potenza totale ricevuta è la somma delle potenze di ciascun percorso. Convertendo queste informazioni in un formato standard, possiamo creare una mappa radio uniforme che mostra la perdita di segnale in diverse posizioni.

#Approcci e Lavori Precedenti

Un metodo comune per stimare la perdita di segnale utilizza modelli di ombreggiatura log-normale. Questi modelli si basano sulla distanza tra trasmettitore e ricevitore, ma spesso non tengono conto di dettagli ambientali specifici. Le simulazioni di ray-tracing, sebbene più accurate, richiedono modelli dettagliati e spesso richiedono molto tempo per essere completate.

Altri metodi hanno cercato di prevedere la perdita di segnale usando misurazioni sparse o si sono concentrati sulla stima della perdita in punti singoli. Tuttavia, in questo lavoro, puntiamo a prevedere l'intera mappa radio in una volta usando il machine learning.

Rappresentiamo la mappa radio come un'immagine 2D, dove ogni pixel corrisponde a una posizione nell'ambiente e il suo valore indica la perdita di segnale attesa. Le informazioni in ingresso, come la presenza di edifici o alberi e la posizione del trasmettitore, vengono generalmente trasformate in immagini 2D allineate con l'output target. La maggior parte dei lavori esistenti in questa area sfrutta le reti neurali convoluzionali (CNN) per la loro efficacia nella gestione di dati simili a immagini.

Uno dei primi contributi significativi all'uso delle CNN per prevedere le mappe radio è venuto dal nostro gruppo di ricerca, che ha esplorato l'uso di un modello UNet per stimare le mappe radio generate tramite ray-tracing 2D basate su mappe cittadine e posizioni dei trasmettitori. Altri ricercatori hanno costruito su questa idea, portandola un passo oltre per prevedere mappe radio generate tramite ray-tracing 3D, spesso utilizzando dati di altezza come input.

Anche se questi modelli mostrano potenzialità, le architetture CNN standard sono limitate in quanto gestiscono bene le informazioni diffuse su distanze maggiori, cosa essenziale per prevedere accuratamente le riflessioni e altri dettagli importanti. Alcuni approcci hanno introdotto cambiamenti nell'architettura, inclusi convoluzioni dilatate o anche trasformatori, per rafforzare le correlazioni a lungo raggio.

Nonostante i progressi, molti di questi studi presentano sfide. Ad esempio, i dataset utilizzati sono spesso non disponibili per l'uso pubblico, rendendo difficile la replicazione e ulteriori ricerche. Inoltre, i dataset esistenti mancano tipicamente di ambienti 3D realistici e le caratteristiche delle antenne non sono sempre prese in considerazione.

#Introduzione del Nostro Dataset

Per affrontare alcune delle lacune nella ricerca esistente, presentiamo un nuovo dataset di mappe radio disponibile pubblicamente. Questo dataset include geometrie cittadine generate da luoghi reali a Berlino e una raccolta di mappe di perdita di percorso basate su progetti comuni di reti cellulari urbane.

Il nostro dataset è unico in diversi modi. Include antenne direzionali, altezze realistiche degli edifici e informazioni sugli alberi. Sono anche fornite immagini aeree degli stessi luoghi, consentendo ai ricercatori di indagare sulle previsioni della mappa radio basate esclusivamente su immagini aeree, il che è un'avventura di esplorazione difficile ma entusiasmante.

Il dataset consiste di 74.515 mappe radio simulate utilizzando ray tracing su 424 mappe cittadine di Berlino. Ogni mappa copre un'area specifica con una risoluzione sufficiente per catturare in modo completo la perdita di segnale attesa in un ambiente urbano.

#Creazione delle Mappe Cittadine

Per produrre modelli cittadini accurati, abbiamo utilizzato dati grezzi da nuvole di punti lidar aeree. Abbiamo organizzato questi dati in classificazioni per terreno, edifici e vegetazione. Le impronte degli edifici ci hanno aiutato a perfezionare il riconoscimento degli edifici, ottenendo modelli digitali di superficie normalizzati che riflettono l'altezza delle strutture sopra il suolo.

Dato che Berlino ha cambiamenti di elevazione relativamente piccoli, abbiamo scoperto che semplificare il terreno a una superficie piatta mentre normalizziamo le altezze ha portato a risultati accettabili. Anche se ci sono alcuni piccoli errori di classificazione, i modelli 3D risultanti riflettono accuratamente la configurazione della città.

#Simulazione delle Mappe Radio

Il processo per creare mappe radio ha coinvolto l'uso di software specializzati che consente simulazioni di come i segnali radio viaggiano e si riflettono negli ambienti. I modelli generati si basano su assunzioni realistiche sulla propagazione del segnale. Dato che non possiamo determinare i materiali precisi delle strutture, abbiamo optato per tipi di materiali standard.

Per simulare come funzionerebbero le reti cellulari in questo ambiente, abbiamo posizionato i trasmettitori (rappresentanti le stazioni base cellulari) ai bordi degli edifici, ad altezze comprese tra 4 e 15 metri sopra il suolo. Le posizioni dei ricevitori sono state disposte in una griglia densa, simulando tipici dispositivi utente.

Questo processo consente di simulare le intensità del segnale attraverso numerosi punti di ricezione, catturando le complessità della propagazione del segnale urbano. Ogni mappa radio consiste nella potenza ricevuta in questi punti, che viene trasformata per riflettere la perdita di percorso in un formato coerente.

#Progettazione degli Esperimenti

Per testare l'efficacia del nostro dataset e delle sue architetture di modello, abbiamo impiegato varie CNN. Il nostro modello di base, chiamato RadioUNet, si basa sulla struttura UNet ma presenta più livelli per una migliore propagazione delle informazioni.

Inoltre, abbiamo esplorato un'architettura più profonda, PMNet, che ha livelli residuali impilati accanto a livelli convoluzionali paralleli che consentono di catturare distanze variabili. Un'altra architettura interessante che abbiamo testato è UNetDCN, che incorpora convoluzioni deformabili. Queste consentono maggiore flessibilità nel modo in cui il modello campiona i dati in ingresso, utile per prevedere le mappe radio.

Per gli esperimenti, abbiamo preparato le immagini in ingresso con varie caratteristiche che influenzano la perdita di segnale. Queste informazioni vengono normalizzate e alimentate alle CNN per valutare quanto ciascun modello prevede bene la mappa radio.

#Valutazione delle Caratteristiche Iniziali

Le caratteristiche in ingresso sono fondamentali per l'apprendimento efficace dei modelli. Abbiamo incluso vari parametri rilevanti, come la posizione del trasmettitore e le altezze degli edifici e della vegetazione, tutti codificati in immagini 2D.

Abbiamo anche testato diversi metodi per codificare le posizioni degli oggetti, considerando fattori come le distanze dal trasmettitore e gli angoli di azimut. Alimentando i modelli con ulteriori dettagli sull'ambiente, speravamo di migliorare l'accuratezza delle loro previsioni.

Le informazioni sulla linea di vista (LoS) sono state anche integrate nelle nostre caratteristiche in ingresso. Questi dati aiutano le reti a capire quando i percorsi diretti dal trasmettitore al ricevitore sono ostruiti, il che è cruciale per previsioni accurate delle mappe radio.

#Valutazione delle Prestazioni del Modello

I modelli sono stati addestrati utilizzando una parte sostanziale del nostro dataset e validati per garantire che apprendessero efficacemente. Sono stati applicati vari metriche per misurare le loro prestazioni, inclusa l'errore quadratico medio, che indica quanto i valori previsti siano vicini a quelli reali.

Abbiamo scoperto che fornire caratteristiche in ingresso aggiuntive ha migliorato significativamente l'accuratezza delle previsioni del modello. L'inclusione di informazioni LoS è stata particolarmente utile per comprendere e prevedere il comportamento del segnale negli ambienti urbani.

Tuttavia, abbiamo notato che alcuni modelli faticavano con la propagazione del segnale a lunga distanza, potenzialmente a causa di limitazioni nella loro architettura. Nelle nostre valutazioni, abbiamo confrontato la prestazione di diversi modelli e configurazioni per determinare quali impostazioni producessero le previsioni più accurate.

#Previsioni da Immagini Aeree

Un aspetto interessante del nostro dataset è il potenziale di prevedere mappe radio utilizzando solo immagini aeree. I modelli sono stati testati per vedere se potevano inferire la perdita di segnale senza informazioni dettagliate sull'ambiente, cosa in cui sono stati per lo più riusciti.

Nonostante questo successo, prevedere la forza del segnale solo da immagini rimane una sfida complessa. I modelli devono identificare accuratamente gli oggetti e stimare le loro altezze basandosi su dati visivi, il che è intrinsecamente difficile.

Mentre i risultati iniziali sono stati promettenti, è necessario un ulteriore affinamento per raggiungere una maggiore accuratezza in questi contesti. Crediamo che rendendo questo dataset disponibile agli altri, possiamo aprire la strada a futuri progressi in questo campo.

#Direzioni Future

Il nuovo dataset offre molte opportunità per ulteriori ricerche. Una direzione include l'esplorazione di come il machine learning possa prevedere mappe radio da immagini satellitari. Questo potrebbe aprire opportunità per applicazioni su larga scala, anche se la risoluzione più bassa delle immagini satellitari presenta le sue sfide.

Un'altra direzione potrebbe coinvolgere l'indagine su come combinare diversi tipi di dati per migliorare le previsioni del modello. Ad esempio, integrare dati multispettrali insieme a stime di altezza potrebbe fornire informazioni più preziose per il modello.

Il nostro lavoro mira a facilitare gli sforzi di ricerca futuri e a migliorare la prevedibilità delle mappe radio urbane, supportando progetti che si basano su dati tempestivi e accurati per la pianificazione e l'ottimizzazione delle reti.

#Conclusione

In conclusione, l'introduzione di questo dataset di mappe radio segna un significativo passo avanti nel campo della ricerca sulla comunicazione wireless. Fornendo una risorsa che incorpora ambienti urbani realistici, antenne direzionali e immagini aeree, speriamo di incoraggiare ulteriori esplorazioni e innovazioni.

I ricercatori sono invitati a utilizzare questo dataset per sviluppare modelli e metodi migliori per prevedere il comportamento del segnale in ambienti urbani complessi. Il dataset supporta l'obiettivo più ampio di migliorare le reti di comunicazione e garantire connettività affidabile nelle nostre città in continua evoluzione.