AIRMap: AI-Generated Radio Maps for Wireless Digital Twins

📄 arXiv: 2511.05522v2 📥 PDF

作者: Ali Saeizadeh, Miead Tehrani-Moayyed, Davide Villa, J. Gordon Beattie, Pedram Johari, Stefano Basagni, Tommaso Melodia

分类: eess.SP, cs.AI

发布日期: 2025-10-28 (更新: 2026-02-02)

备注: 15 pages, 19 figures, This paper has been submitted to the IEEE Transactions for possible publication

💡 一句话要点

AIRMap：利用AI生成无线数字孪生所需的无线电地图，实现超快速信道建模。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 无线电地图 深度学习 数字孪生 信道建模 U-Net 无线网络仿真 路径增益预测

📋 核心要点

  1. 传统射线追踪信道建模计算量大，难以适应动态环境，限制了实时无线网络仿真和数字孪生应用。
  2. AIRMap利用深度学习，仅需2D高程图作为输入，即可快速生成无线电地图，显著降低计算复杂度。
  3. 实验表明，AIRMap比传统方法快7000倍，精度更高，集成到仿真平台后，性能与实测信道几乎一致。

📝 摘要（中文）

本文提出了一种名为AIRMap的深度学习框架，用于超快速无线电地图估计，并提供了一个自动化的流程来创建迄今为止最大的无线电地图数据集。AIRMap使用单输入U-Net自编码器，仅处理地形和建筑物高度的2D高程图。该模型在波士顿地区的120万个样本上进行训练，并在四个不同的城市和乡村环境中进行验证，这些环境具有不同的地形和建筑密度。AIRMap预测路径增益的均方根误差低于4 dB，在NVIDIA L40S上每次推理仅需4毫秒，比基于GPU加速射线追踪的无线电地图快7000倍以上。仅使用20%的现场测量进行轻量级校准，可将中值误差降低至约5%，显著优于传统仿真器（误差超过50%）。集成到Colosseum仿真器和Sionna SYS平台后，与基于测量的信道相比，频谱效率和误块率的误差接近于零。这些发现验证了AIRMap在无线数字孪生中进行可扩展、准确和实时无线电地图估计的潜力。

🔬 方法详解

问题定义：论文旨在解决无线网络仿真和数字孪生应用中，传统射线追踪方法计算复杂度高、难以实时生成精确无线电地图的问题。现有方法无法满足动态环境下的快速信道建模需求，阻碍了无线网络优化和控制的效率。

核心思路：论文的核心思路是利用深度学习模型，学习地形和建筑物高度与无线信道特征之间的映射关系。通过训练一个U-Net自编码器，实现从2D高程图到无线电地图的快速预测，从而避免了耗时的射线追踪计算。

技术框架：AIRMap框架包含两个主要部分：一是大规模无线电地图数据集的自动生成流程，用于训练深度学习模型；二是基于U-Net的无线电地图预测模型。该模型以2D高程图作为输入，输出预测的路径增益。整个流程包括数据预处理、模型训练、模型验证和集成到仿真平台等环节。

关键创新：AIRMap的关键创新在于利用深度学习方法，实现了超快速的无线电地图估计。与传统的射线追踪方法相比，AIRMap在计算速度上具有显著优势，并且可以通过轻量级的现场测量进行校准，进一步提高预测精度。此外，大规模数据集的自动生成也是一个重要的贡献。

关键设计：AIRMap使用U-Net自编码器作为核心模型，该网络结构擅长处理图像到图像的转换任务。损失函数采用均方根误差（RMSE），以衡量预测路径增益与真实值之间的差异。为了提高模型的泛化能力，论文使用了大规模的波士顿地区数据集进行训练，并在不同的城市和乡村环境中进行了验证。轻量级校准使用少量现场测量数据来调整模型的预测结果，以进一步提高精度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

AIRMap在NVIDIA L40S上每次推理仅需4毫秒，比GPU加速的射线追踪快7000倍以上，路径增益预测的RMSE低于4 dB。通过仅使用20%的现场测量进行校准，中值误差可降低至约5%，显著优于传统仿真器（误差超过50%）。集成到Colosseum仿真器和Sionna SYS平台后，频谱效率和误块率的误差接近于零。

🎯 应用场景

AIRMap可应用于无线网络规划、优化和控制，例如基站部署、资源分配和干扰管理。在数字孪生领域，AIRMap可以为无线网络提供实时的信道模型，支持虚拟环境中的网络仿真和测试。此外，AIRMap还可以用于自动驾驶、无人机通信等需要精确无线电地图的场景，具有广泛的应用前景。

📄 摘要（原文）

Accurate, low-latency channel modeling is essential for real-time wireless network simulation and digital-twin applications. Traditional modeling methods like ray tracing are however computationally demanding and unsuited to model dynamic conditions. In this paper, we propose AIRMap, a deep-learning framework for ultra-fast radio-map estimation, along with an automated pipeline for creating the largest radio-map dataset to date. AIRMap uses a single-input U-Net autoencoder that processes only a 2D elevation map of terrain and building heights. Trained on 1.2M Boston-area samples and validated across four distinct urban and rural environments with varying terrain and building density, AIRMap predicts path gain with under 4 dB RMSE in 4 ms per inference on an NVIDIA L40S-over 7000x faster than GPU-accelerated ray tracing based radio maps. A lightweight calibration using just 20% of field measurements reduces the median error to approximately 5%, significantly outperforming traditional simulators, which exceed 50% error. Integration into the Colosseum emulator and the Sionna SYS platform demonstrate near-zero error in spectral efficiency and block-error rate compared to measurement-based channels. These findings validate AIRMap's potential for scalable, accurate, and real-time radio map estimation in wireless digital twins.