RadioGAT: A Joint Model-based and Data-driven Framework for Multi-band Radiomap Reconstruction via Graph Attention Networks

多频段无线电地图重建（MB-RMR）是无线通信中的关键组件，用于频谱管理和网络规划等任务。然而，传统的基于机器学习的MB-RMR方法往往依赖于模拟数据或完整的结构化地面真实数据，面临着显著的部署挑战。这些挑战源于模拟数据和实际数据之间的差异，以及真实世界测量数据的稀缺性。为了解决这些挑战，我们的研究提出了RadioGAT，这是一种基于图注意力网络（GAT）的新框架，专门用于在单个区域内进行MB-RMR，消除了多区域数据集的需求。RadioGAT创新地将基于模型的空间频谱相关编码与数据驱动的无线电地图泛化相结合，从而最大限度地减少了对大量数据源的依赖。该框架首先通过一种创新的编码策略，利用无线电传播模型捕捉数据中固有的空间频谱相关性，将稀疏的多频段数据转换为图结构。这种基于图的表示不仅简化了数据处理，还能够在训练期间进行定制的标签采样，显著提高了框架在部署方面的适应性。随后，采用GAT将无线电地图信息泛化到各种频段。基于真实世界环境的射线跟踪数据集的大量实验已经证明了RadioGAT在监督学习设置中的增强精度和在半监督场景中的鲁棒性。这些结果强调了RadioGAT在数据有限的环境中进行MB-RMR的有效性和实用性。

本文旨在解决无线通信中多频段射频地图重建的问题，特别是在缺乏真实世界数据的情况下。传统的基于机器学习的方法面临着模拟数据和缺乏真实世界测量数据的巨大挑战。

本文提出了一种新的框架RadioGAT，基于图注意力网络（GAT），通过模型空间频率相关编码和数据驱动的射频地图泛化相结合，解决了传统方法的局限性。RadioGAT通过将稀疏的多频段数据转换成图形结构，并利用射频传播模型捕捉数据中固有的空间频谱相关性，从而简化数据处理并提高了框架的适应性。

本文的实验使用基于真实世界环境的射线跟踪数据集，证明了RadioGAT在监督学习和半监督场景下的高精度和鲁棒性，同时也展示了RadioGAT的实用性和有效性。本文的研究还开源了代码，值得进一步研究。

近期在这个领域的相关研究包括：Multi-Task Learning for Radio Map Reconstruction with Graph Convolutional Networks，RadioMapNet: A Versatile Floorplan-aware Radio Map Construction Network，DeepRadioMap: Radio Map Estimation with Deep Learning in Indoor Environments等。