PropSplat: Map-Free RF Field Reconstruction via 3D Gaussian Propagation Splatting

📄 arXiv: 2605.08035v1 📥 PDF

作者: William Bjorndahl, Maninder Pal Singh, Farhad Nouri, Joseph Camp

分类: eess.SP, cs.LG

发布日期: 2026-05-08

备注: Accepted for presentation at IEEE DySPAN 2026

💡 一句话要点

提出PropSplat：一种基于3D高斯传播溅射的无图射频场重建方法

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

关键词: 射频传播建模 3D高斯溅射 无线辐射场 无图重建 信号强度预测 室内定位

📋 核心要点

  1. 现有射频传播建模严重依赖高精度3D地图或大规模实地测量，在快速部署场景下难以获取且成本极高。
  2. PropSplat利用3D各向异性高斯基元，通过端到端优化学习环境传播特性，无需任何外部地理信息辅助。
  3. 实验表明该方法在室外大规模测试和室内定位任务中均显著优于现有的无线辐射场方法，实现了高精度重建。

📝 摘要（中文）

构建特定站点的传播模型通常依赖于详细的3D地图射线追踪或密集的测量活动，这两者在地理数据缺失或过时的情况下成本高昂且难以实施。本文提出了PropSplat，这是一种无需地图的射频（RF）场重建方法，利用3D各向异性高斯基元进行建模。每个高斯基元编码相对于显式基准路径损耗模型的标量路径损耗偏移，并包含可学习的路径损耗指数。高斯基元沿观测到的发射机-接收机路径初始化，并通过端到端优化学习传播环境，无需平面图、地形数据库或杂波数据等外部信息。在两个真实世界数据集上的评估显示，PropSplat在室外大规模测试中以5.38 dB的RMSE优于WRF-GS+、GSRF和NeRF^2；在室内BLE测量中，其定位误差仅为0.19米，远超基线方法。结果表明，仅凭稀疏的RF测量即可实现高精度的环境传播重建，降低了对地理数据的依赖。

🔬 方法详解

问题定义：传统射频传播建模依赖于昂贵的射线追踪或密集的实地测量，在缺乏地理信息（如建筑布局、地形数据）的快速部署场景下，现有方法难以构建准确的传播模型，导致覆盖预测和定位精度受限。

核心思路：借鉴3D高斯溅射（3DGS）在视觉领域的成功经验，PropSplat将射频传播环境建模为一组3D各向异性高斯基元。通过将传播环境参数化为空间分布的高斯函数，模型能够从稀疏的RF测量数据中隐式学习环境的遮挡、反射和散射特性。

技术框架：该方法首先沿发射机与接收机之间的路径初始化高斯基元，随后通过端到端优化过程，学习每个高斯基元的空间位置、各向异性形状以及对应的路径损耗偏移量。模型结合了一个可学习的全局路径损耗指数，以适应不同环境的衰减特性。

关键创新：PropSplat的核心创新在于将RF传播建模从“基于地图的几何计算”转化为“基于数据的隐式场重建”。它无需任何先验地理信息，仅通过RF测量数据即可实现对复杂无线环境的各向异性建模，打破了对高精度地图的依赖。

关键设计：每个高斯基元编码一个标量路径损耗偏移，通过与基准路径损耗模型叠加来预测信号强度。优化过程中采用端到端梯度下降，通过最小化预测信号强度与实测值之间的误差，实现对环境传播特性的精确拟合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在室外大规模测试中，PropSplat在测量间距300米的情况下达到5.38 dB RMSE，优于WRF-GS+（5.87 dB）、GSRF（7.46 dB）和NeRF^2（14.76 dB）。在室内BLE定位任务中，其定位误差仅为0.19米，较NeRF^2的1.84米提升了一个数量级，同时保持了极高的信号强度预测精度。

🎯 应用场景

该技术可广泛应用于无线网络规划、室内外无缝定位、智能城市覆盖优化及应急通信部署。通过降低对地理数据库的依赖，PropSplat能够快速构建高精度射频地图，显著提升无线通信系统的部署效率与运行性能，特别适用于动态变化或地理信息缺失的复杂环境。

📄 摘要（原文）

Building a site-specific propagation model typically requires either ray-tracing over detailed 3D maps or dense measurement campaigns. Both approaches are expensive and often infeasible for rapid deployments where geographic data is unavailable or outdated. We present PropSplat, a map-free propagation modeling method that reconstructs radio frequency (RF) fields using 3D anisotropic Gaussian primitives. Each Gaussian encodes a scalar path loss offset relative to an explicit baseline path loss model with a learnable path loss exponent. Gaussians are initialized along observed transmitter--receiver paths and optimized end-to-end to learn the propagation environment without external information like floor plans, terrain databases, or clutter data. We evaluate PropSplat against wireless radiance field methods NeRF$^2$, GSRF, and WRF-GS+ on two real-world datasets. On large-scale outdoor drive-tests spanning multiple topographical regions at six sub-6 GHz frequencies, PropSplat achieves 5.38 dB RMSE when training measurements are spaced 300m apart and outperforms WRF-GS+ (5.87 dB), GSRF (7.46 dB), and NeRF$^2$ (14.76 dB). On indoor Bluetooth Low Energy measurements, PropSplat achieves 0.19m mean localization error, an order of magnitude better than NeRF$^2$ (1.84m), while achieving near-identical received signal strength prediction accuracy. These results show that accurate site-specific propagation reconstruction is achievable from sparse RF-native measurements. The need for geographic data as a prerequisite for scalable RF environment modeling is reduced.