Learned Elevation Models as a Lightweight Alternative to LiDAR for Radio Environment Map Estimation

📄 arXiv: 2604.05520v1 📥 PDF

作者: Ljupcho Milosheski, Fedja Močnik, Mihael Mohorčič, Carolina Fortuna

分类: eess.SP, cs.AI

发布日期: 2026-04-07

备注: 6 pages, 3 figures, 3 tables Submitted to PIMRC 2026

💡 一句话要点

提出基于学习的轻量级高程模型，替代LiDAR用于无线电环境地图估计

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

关键词: 无线电环境地图 高程模型 深度学习 卫星图像 6G网络

📋 核心要点

  1. 现有无线电环境地图估计方法依赖高精度3D环境数据（如LiDAR），成本高昂且易过时。
  2. 提出两阶段框架，首先从卫星RGB图像学习预测高程图，再用于无线电环境地图估计，无需3D数据。
  3. 实验表明，该方法在相同输入下，相比仅使用图像的方法，RMSE指标提升高达7.8%。

📝 摘要（中文）

下一代无线系统（如6G）工作在更高的频段，信号传播对建筑物和植被等环境因素高度敏感。因此，精确的无线电环境地图（REM）估计对于有效的网络规划和运营变得越来越重要。现有的方法，从射线追踪模拟器到深度学习生成模型，都取得了可喜的成果，但需要详细的3D环境数据，如LiDAR衍生的点云，这些数据获取成本高昂，每平方公里数GB，并且在动态环境中迅速过时。我们提出了一个两阶段框架，消除了推理时对3D数据的需求：在第一阶段，一个学习的估计器直接从卫星RGB图像预测高程图，然后在第二阶段将其与天线参数一起输入到REM估计器中。在现有的基于CNN的REM估计架构中，所提出的方法在相同的输入特征空间上，将RMSE提高了高达7.8%，并且在推理期间不需要3D数据，为可扩展的无线电环境建模提供了一种实用的替代方案。

🔬 方法详解

问题定义：论文旨在解决无线电环境地图（REM）估计中对高精度3D环境数据（特别是LiDAR数据）的依赖问题。现有方法，如射线追踪和深度学习模型，虽然有效，但需要频繁更新且成本高昂的LiDAR数据，限制了其可扩展性和实用性。

核心思路：论文的核心思路是利用卫星RGB图像学习得到高程图，作为3D数据的替代品。通过学习图像与高程之间的映射关系，可以在推理阶段仅使用易于获取的卫星图像，避免了对昂贵且过时的LiDAR数据的依赖。

技术框架：该方法采用两阶段框架。第一阶段是高程图预测阶段，使用卷积神经网络（CNN）从卫星RGB图像中预测高程图。第二阶段是REM估计阶段，将预测的高程图与天线参数一起输入到现有的基于CNN的REM估计架构中，得到最终的REM估计结果。

关键创新：该方法最重要的创新点在于使用学习的高程模型替代了传统的LiDAR数据。这使得REM估计可以在没有3D数据的情况下进行，大大降低了成本和复杂度，提高了可扩展性。与直接使用图像进行REM估计的方法相比，该方法显式地建模了环境的高程信息，有助于提高REM估计的准确性。

关键设计：高程图预测阶段使用了CNN模型，具体网络结构未在摘要中详细说明，但可以推测使用了常见的图像分割或回归网络。REM估计阶段则直接采用了现有的基于CNN的REM估计架构，并将其输入修改为包含预测的高程图。损失函数的设计可能包括高程图预测的均方误差损失和REM估计的均方根误差损失。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在现有的基于CNN的REM估计架构中，将RMSE（均方根误差）提高了高达7.8%，且无需在推理阶段使用3D数据。这一显著的性能提升证明了学习的高程模型作为LiDAR数据替代方案的有效性，为可扩展的无线电环境建模提供了一种实用的选择。

🎯 应用场景

该研究成果可应用于下一代无线通信网络（如6G）的规划、优化和运营。通过降低无线电环境地图估计的成本和复杂度，可以更有效地部署和管理无线网络，提高网络性能和用户体验。此外，该方法还可以应用于城市规划、灾害管理等领域，为相关决策提供更准确的环境信息。

📄 摘要（原文）

Next-generation wireless systems such as 6G operate at higher frequency bands, making signal propagation highly sensitive to environmental factors such as buildings and vege- tation. Accurate Radio Environment Map (REM) estimation is therefore increasingly important for effective network planning and operation. Existing methods, from ray-tracing simulators to deep learning generative models, achieve promising results but require detailed 3D environment data such as LiDAR-derived point clouds, which are costly to acquire, several gigabytes per km2 in size, and quickly outdated in dynamic environments. We propose a two-stage framework that eliminates the need for 3D data at inference time: in the first stage, a learned estimator predicts elevation maps directly from satellite RGB imagery, which are then fed alongside antenna parameters into the REM estimator in the second stage. Across existing CNN- based REM estimation architectures, the proposed approach improves RMSE by up to 7.8% over image-only baselines, while operating on the same input feature space and requiring no 3D data during inference, offering a practical alternative for scalable radio environment modelling.