QuaMoE-DRF: Proactive Beam and Rate Adaptation via Multimodal Dynamic Radio Map Forecasting in ISAC Networks

📄 arXiv: 2607.00974v1 📥 PDF

作者: Zhihan Zeng, Kaihe Wang, Zhongpei Zhang, Chongwen Huang

分类: cs.IT, cs.CV

发布日期: 2026-07-01

💡 一句话要点

提出QuaMoE-DRF以解决ISAC网络中的主动波束和速率适应问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 动态无线电地图 波束预测 速率适应 多模态融合 ISAC网络

📋 核心要点

  1. 现有的静态无线电地图无法捕捉由移动物体引起的短期阻塞，限制了波束预测的准确性。
  2. 本文提出的QuaMoE-DRF框架通过质量感知的多模态动态无线电地图预测，解决了主动波束和速率适应的问题。
  3. 在动态多基站和多用户的城市环境中，QuaMoE-DRF显著提高了有效速率和降低了中断概率，验证了其有效性。

📝 摘要（中文）

静态无线电地图提供了位置依赖的传播先验，但无法捕捉由移动物体引起的短期阻塞。直接感知辅助的波束预测也受到限制，因为波束索引忽略了SINR边际、MCS阈值、基站替代方案和通信等效邻近波束。本文提出了QuaMoE-DRF，一个质量感知的多模态动态无线电地图预测框架，用于ISAC网络中的主动波束和速率适应。其核心表示为未来的波束-SINR场。我们展示了完整的多基站波束-SINR场足以用于有限码本阈值速率的基站、波束、MCS、良好吞吐量和中断决策。在动态多基站和多用户的城市基准上，QuaMoE-DRF实现了402.5 Mbps的有效速率，0.0417的中断概率和0.1836的地图RMSE，相较于最强的有效速率基线提升了5.67%的有效速率，并减少了8.35%的中断。

🔬 方法详解

问题定义：本文旨在解决ISAC网络中静态无线电地图无法捕捉短期阻塞的问题，现有方法在波束预测中忽略了重要的SINR边际和其他关键因素。

核心思路：QuaMoE-DRF框架通过构建未来波束-SINR场，结合多模态信息进行动态预测，从而实现主动的波束和速率适应。

技术框架：该框架包括静态几何信息、事件型运动观测、结构化感知状态和无线历史数据的融合，采用质量感知的专家混合模块进行预测。

关键创新：最重要的创新在于通过逆方差融合方法处理异方差模态误差，提升了波束和速率决策的准确性。

关键设计：模型学习了紧凑的参考基站局部场，结合基站级监督、联合基站-波束监督和潜在网络上下文，确保了有效的基站关联。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

QuaMoE-DRF在动态多基站和多用户的城市基准上实现了402.5 Mbps的有效速率，0.0417的中断概率和0.1836的地图RMSE，分别提升了5.67%的有效速率和减少了8.35%的中断，相较于最强的有效率基线表现出显著优势。

🎯 应用场景

该研究在智能交通、无人驾驶、智能城市等领域具有广泛的应用潜力。通过优化无线通信的波束和速率适应，能够显著提升网络的可靠性和效率，推动未来通信技术的发展。

📄 摘要（原文）

Static radio maps provide location-dependent propagation priors, but they cannot capture short-term blockage caused by moving objects. Direct sensing-assisted beam prediction is also limited because a beam index discards SINR margins, MCS thresholds, BS alternatives, and communication-equivalent neighboring beams. This paper proposes QuaMoE-DRF, a quality-aware multimodal dynamic radio map forecasting framework for proactive beam and rate adaptation in ISAC networks. Its core representation is a future beam-SINR field. We show that the full multi-BS beam-SINR field is sufficient for finite-codebook threshold-rate BS, beam, MCS, goodput, and outage decisions. For tractability, the implemented model learns a compact reference-BS local field, complemented by BS-level supervision, joint BS--beam supervision, and latent network context; we also clarify that this compact projection alone is not sufficient for BS association. QuaMoE-DRF fuses static geometry, event-like motion observations, structured sensing states, and wireless history through a quality-aware mixture-of-experts module motivated by inverse-variance fusion under heteroscedastic modality errors. It jointly predicts communication-oriented map channels and proactive BS, beam, and MCS decisions. On a dynamic multi-BS and multi-UE urban benchmark, QuaMoE-DRF achieves 402.5 Mbps effective rate, 0.0417 outage probability, and 0.1836 map RMSE, improving the effective rate by 5.67% and reducing outage by 8.35% over the strongest completed effective-rate baseline. The current validation uses labels from a compact blockage/path-loss simulator, with ray tracing used only for calibration and sanity checking.