A Tutorial on Learning-Based Radio Map Construction: Data, Paradigms, and Physics-Awarenes
作者: Xiucheng Wang, Yuhao Pan, Nan Cheng
分类: eess.SY, eess.SP
发布日期: 2026-03-18
💡 一句话要点
综述学习型无线电地图构建：数据、范式与物理感知
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 无线电地图 机器学习 电磁数字孪生 物理感知 神经网络 无线网络 信道建模
📋 核心要点
- 现有无线电地图构建方法在复杂环境中精度不足，且难以适应动态变化。
- 本文提出一个三维度的学习型无线电地图构建框架，涵盖数据、范式和物理感知。
- 综述了多种神经网络架构和光学方法，并讨论了未来研究方向和挑战。
📝 摘要（中文）
本文全面综述了基于学习的无线电地图（RM）构建方法，无线电地图是电磁数字孪生的基础，为下一代无线网络集成人工智能提供保障。文章从数据、范式和物理感知三个维度系统地阐述了RM构建。在数据方面，回顾了物理测量、射线追踪仿真引擎和公开基准数据集，分析了它们的优缺点。在范式方面，将RM构建分为源感知的前向预测和源不可知的逆向重建，并考察了卷积神经网络、视觉Transformer、图神经网络、生成对抗网络和扩散模型五种主要的神经架构。此外，还调研了受神经辐射场和3D高斯溅射启发的、用于连续无线辐射场建模的光学方法。在物理感知方面，提出了一个三级集成框架，包括数据级特征工程、损失级偏微分方程正则化和架构级结构同构。最后，讨论了包括基础模型开发、物理幻觉检测和实时部署的摊销推理等开放性挑战，为未来的研究方向提供了思路。
🔬 方法详解
问题定义：无线电地图（RM）构建旨在建立无线传播环境的数字表示，将复杂的地理和拓扑边界条件映射到关键的空间-频谱指标，例如接收信号强度和完整的信道状态信息矩阵。现有方法在复杂环境中难以保证精度，并且难以适应环境的动态变化，例如障碍物的移动或新增。
核心思路：本文的核心思路是从数据、范式和物理感知三个维度，系统地研究基于学习的无线电地图构建方法。通过分析不同数据来源的优缺点，总结不同的学习范式，并探讨如何将物理知识融入到学习模型中，从而提高无线电地图的构建精度和泛化能力。
技术框架：本文的整体框架围绕三个维度展开： 1. 数据：分析物理测量、射线追踪仿真引擎和公开数据集的优缺点。 2. 范式：将RM构建分为源感知的前向预测和源不可知的逆向重建，并考察五种主要神经架构。 3. 物理感知：提出了一个三级集成框架，包括数据级特征工程、损失级偏微分方程正则化和架构级结构同构。
关键创新：本文的创新之处在于： 1. 系统地总结了基于学习的无线电地图构建方法，并从数据、范式和物理感知三个维度进行了深入分析。 2. 提出了一个三级集成框架，用于将物理知识融入到学习模型中，从而提高无线电地图的构建精度和泛化能力。 3. 调研了受神经辐射场和3D高斯溅射启发的、用于连续无线辐射场建模的光学方法。
关键设计：在物理感知方面，提出了一个三级集成框架： 1. 数据级特征工程：利用物理知识设计合适的输入特征。 2. 损失级偏微分方程正则化：在损失函数中加入偏微分方程约束，以保证模型的物理合理性。 3. 架构级结构同构：设计与物理传播规律相符的网络结构。
🖼️ 关键图片
📊 实验亮点
本文对现有学习型无线电地图构建方法进行了全面的综述和分析，并提出了一个三级集成框架，用于将物理知识融入到学习模型中。通过对不同数据来源、学习范式和物理感知方法的比较，为未来的研究方向提供了有价值的参考。此外，本文还讨论了开放性挑战，例如基础模型开发、物理幻觉检测和实时部署的摊销推理。
🎯 应用场景
该研究成果可应用于下一代无线网络，例如6G，用于提高网络规划、优化和控制的效率和精度。通过构建精确的无线电地图，可以实现更智能的资源分配、干扰管理和移动性管理，从而提升用户体验和网络性能。此外，该技术还可应用于室内定位、无人机导航和智能交通等领域。
📄 摘要（原文）
The integration of artificial intelligence into next-generation wireless networks necessitates the accurate construction of radio maps (RMs) as a foundational prerequisite for electromagnetic digital twins. A RM provides the digital representation of the wireless propagation environment, mapping complex geographical and topological boundary conditions to critical spatial-spectral metrics that range from received signal strength to full channel state information matrices. This tutorial presents a comprehensive survey of learning-based RM construction, systematically addressing three intertwined dimensions: data, paradigms, and physics-awareness. From the data perspective, we review physical measurement campaigns, ray tracing simulation engines, and publicly available benchmark datasets, identifying their respective strengths and fundamental limitations. From the paradigm perspective, we establish a core taxonomy that categorizes RM construction into source-aware forward prediction and source-agnostic inverse reconstruction, and examine five principal neural architecture families spanning convolutional neural networks, vision transformers, graph neural networks, generative adversarial networks, and diffusion models. We further survey optics-inspired methods adapted from neural radiance fields and 3D Gaussian splatting for continuous wireless radiation field modeling. From the physics-awareness perspective, we introduce a three-level integration framework encompassing data-level feature engineering, loss-level partial differential equation regularization, and architecture-level structural isomorphism. Open challenges including foundation model development, physical hallucination detection, and amortized inference for real-time deployment are discussed to outline future research directions.