Point-Cloud-Assistant Localized Statistical Channel Prediction by Tangent Gaussian Splatting
作者: Ye Xue, Yiheng Wang, Xinhua Shao, Qi Yan, Shutao Zhang, Tsung-Hui Chang
分类: eess.SP, cs.LG
发布日期: 2026-06-17
💡 一句话要点
提出点云辅助的切线高斯喷溅以解决无线网络信道预测问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 信道预测 点云处理 高斯模型 无线网络优化 激光雷达 多径传播 机器学习 数据融合
📋 核心要点
- 现有的局部统计信道建模方法在未测量位置无法有效预测信道多径角功率谱，限制了其应用范围。
- 本文提出的PC-TGS框架通过结合稀疏无线测量和密集激光雷达几何信息，首次实现了对未测量区域的APS外推。
- 在城市规模的LiDAR扫描数据集上，PC-TGS在APS和RSRP预测性能上优于现有方法，并且推理速度更快。
📝 摘要（中文）
准确的场地特定信道信息对于优化下一代无线网络至关重要。局部统计信道建模（LSCM）通过参考信号接收功率（RSRP）测量来建模信道多径角功率谱（APS），但在大多数未测量位置无法预测APS，限制了其在大规模实际场景中的应用。为了解决这一挑战，本文提出了点云辅助的切线高斯喷溅（PC-TGS），这是第一个通过将稀疏无线测量与密集的激光雷达几何信息结合来外推未测量户外网格的框架。PC-TGS将环境散射体表示为各向异性的3D高斯分布，并通过对原始点云的放松均值重新参数化进行初始化和优化。实验结果表明，PC-TGS在APS和RSRP预测性能上优于现有基线，并在APS外推任务中实现了更快的推理时间。
🔬 方法详解
问题定义：本文旨在解决局部统计信道建模（LSCM）在大规模无线网络中无法在未测量位置预测信道多径角功率谱（APS）的问题。现有方法在缺乏测量数据的情况下，无法有效提供信道信息，限制了其在实际应用中的有效性。
核心思路：论文提出的PC-TGS框架通过将稀疏的无线测量数据与密集的LiDAR几何信息结合，利用点云数据来外推未测量区域的APS。这种方法通过环境散射体的3D高斯表示，能够更准确地捕捉信道特性。
技术框架：PC-TGS的整体架构包括几个主要模块：首先，通过对原始点云进行放松均值重新参数化，初始化和优化各向异性3D高斯分布；其次，采用切线平面投影将每个高斯映射到局部角域；最后，通过深度感知的电磁喷溅过程聚合高斯的贡献。
关键创新：PC-TGS的主要创新在于其将点云数据与无线测量相结合，首次实现了对未测量区域的APS外推。这种方法在处理环境复杂性和信道变化方面具有显著优势，区别于传统的LSCM方法。
关键设计：在设计中，采用了高斯加权平均（GWA）进行APS箱体集成，并提供了可证明的误差界限。此外，关键参数设置和损失函数的选择确保了模型的稳定性和准确性。通过这些设计，PC-TGS在推理速度和预测精度上均有显著提升。
📊 实验亮点
在LiDAR扫描的城市规模数据集上，PC-TGS在APS和RSRP预测性能上超过了现有的最先进基线，具体表现为在APS外推任务中实现了更快的推理时间和更高的预测准确性。这些结果表明PC-TGS在大规模无线数字双胞胎中的应用潜力。
🎯 应用场景
该研究的潜在应用领域包括下一代无线网络的优化、智能城市的无线覆盖规划以及无人驾驶汽车的通信系统。通过提供更准确的信道预测，PC-TGS能够显著提升网络性能和用户体验，具有重要的实际价值和未来影响。
📄 摘要（原文）
Accurate, site-specific channel information is crucial for optimizing next-generation wireless networks. Among various approaches, localized statistical channel modeling (LSCM), which models the channel multipath angular power spectrum (APS) from the reference signal received power (RSRP) measurement, has emerged as a state-of-the-art method tailored for efficient network optimization. However, despite its effectiveness, LSCM cannot predict APS at the vast majority of locations where no measurements are available, which significantly restricts its applicability in large-scale, real-world scenarios. To address this challenge, we present \emph{point-cloud-assisted tangent Gaussian splatting} (PC-TGS), the first framework to \emph{extrapolate} APS to unmeasured outdoor grids by integrating sparse radio measurements with dense LiDAR-based geometry. PC-TGS represents environmental scatterers as anisotropic 3D Gaussians, initialized and refined through a relaxed-mean reparameterization of the raw point cloud. A tangent-plane projection accurately maps each Gaussian into the local angular domain, while a depth-aware electromagnetic splatting process aggregates their contributions. To ensure practical deployment, we derive a closed-form Gaussian-weighted average (GWA) for APS bin integration and provide a provable error bound. { Evaluations on a LiDAR-scanned city-scale dataset (5M points, 6,310 RSRP samples) demonstrate that PC-TGS achieves better APS and RSRP prediction performance compared to state-of-the-art baselines and faster inference time for APS extrapolation task. These results highlight the potential of PC-TGS to enable geometry-aware and data-efficient channel prediction in large-scale wireless digital twins.