一种基于流匹配的无线电地图快速生成方法

本发明属于无线电地图快速生成，涉及一种基于流匹配的无线电地图快速生成方法。

背景技术：

1、无线电地图是一种将特定区域（如城市环境）内的自动化和优化无线电信号特性模拟传播可视化所呈现出的地图，以支持6g网络应用，如定位、优化和通信。如图1所示为路径损耗的仿真示意图，图1中红色标记表示发射机位置，蓝色标记表示接收机位置，连线展示了发射机与接收机之间的不同传播路径，包括直射、反射和绕射分量，这些路径共同构成了影响整体路径损耗特性的多径传播场景。目前，无线电地图的生成方法包括两种：

2、1，基于传统插值和传播模型的无线电地图构建法；例如，直接插值技术kriging，其计算效率高且不需要先验地理知识受到广泛应用；但kriging关键的平稳路径损耗统计假设，在复杂的城市环境中往往不成立，导致在阴影和多径效应明显的区域性能下降。

3、2，间接法；该方法首先估计发射机参数（如位置和功率），然后利用射线追踪raytracing或对数正态阴影log-normal shadowing等传播模型来计算未知点的接收功率。该方法可以利用地理数据（如建筑布局），但其准确性高度依赖于传播模型的校准，错误的模型参数会导致覆盖预测误差。还可以使用基于深度学习的无线电地图构建方法。例如，使用基于u-net架构的卷积神经网络radiounet，它将无线电地图构建视为一个图像到图像的翻译问题，通过编码器-解码器结构学习环境特征和传播特性，并使用监督学习实现端到端的路径损耗预测。它计算效率高且推理速度快，在均匀采样和静态环境中表现良好，但在非均匀采样和动态环境中处理细节恢复方面存在困难。另一个方法是radiodiff，它引入了去噪扩散概率模型ddpm来处理无线电地图的条件生成任务。radiodiff使用解耦的扩散机制ddm和自适应傅里叶变换aft模块来提高训练和推理效率，并在潜在空间中通过变分自编码器vae压缩数据维度以提升计算效率。该方法在静态和动态无线电地图构建中展现出先进性能，但扩散模型的固有随机性可能导致整体误差略高于最优水平。

4、传统的无线电地图构建方法，例如基于kriging的直接插值技术，虽然在计算上较为高效且不依赖于先验地理信息，但其核心假设：路径损耗统计的平稳性以及在城市等复杂环境中经常被打破，导致在存在明显阴影和多径效应的区域，其预测性能会显著下降。而依赖于射线追踪或对数正态阴影模型的间接方法，虽然能利用地理数据，但其准确性极度依赖于传播模型的精细校准，一旦模型参数设置不当，就会直接导致覆盖预测的误差。

5、近年来兴起的机器学习和深度学习方法，尤其是采用判别式学习范式的模型；如radiounet，虽然在处理静态环境和利用卷积神经网络提取特征方面有所进步，但它们在处理动态环境（如移动的车辆）方面能力较为薄弱，缺乏有效的机制来适应这些场景下的信号传播变化。此外，基于像素级损失函数（如 mse）的判别式模型，在生成无线电地图时，倾向于产生模糊的预测结果，尤其是在障碍物边缘等关键区域，细节丢失严重。同时，这些模型在应对实际应用中常见的稀疏且不规则的测量数据时，也表现出局限性，难以有效从有限的采样点中精确重建完整的无线电地图。

6、在生成模型方面，生成对抗网络gans尽管能够进行生成任务，但其训练过程极不稳定，容易出现模式崩溃。而扩散模型diffusion models，例如radiodiff，虽然在生成质量和稳定性上有所提升，并且通过引入自适应傅里叶变换aft等模块来改善细节提取，但其固有的随机性和迭代采样过程导致计算资源需求巨大，并且生成速度较慢，这限制了它们在需要快速响应或实时处理的应用场景中的实用性。

7、如：申请号为：202510197292.0，发明名称为：一种面向具有不可探测区域场景的电磁频谱地图构建方法中，利用部分卷积u-net、将频谱地图构建视为图像修复，但在无采样条件下的极端环境无法准确构建。

8、又如：申请号为：202410446883.2，发明名称为：一种面向三维复杂城市环境的点滴频谱地图测绘方法提出的基于无人机优化采样与压缩感知的三维频谱地图测绘方法，其核心依赖实地的、主动的物理采样数据，整个技术流程从最优采样位置计算到信号恢复均以“存在采样”为前提，这导致了高昂的数据采集成本、时间开销和对硬件设备（如无人机）的依赖，且在完全无采样的极端场景下该方法将完全失效。

9、综上，当前无线电地图的构建方法，无论是传统的插值技术还是基于深度学习的判别式模型，都面临着挑战。例如，传统方法计算效率不高或严重依赖昂贵且往往稀疏的测量数据；而深度学习模型，如 radiounet，在处理静态环境时表现尚可，但难以有效捕捉动态环境（例如，移动车辆造成的信号传播变化）的复杂性。其中，许多基于像素级损失函数的判别式深度学习模型，在生成无线电地图时，尤其是在障碍物边缘时，往往会产生预测结果模糊、细节丢失的问题，这与需要高精度信号覆盖信息的应用场景相悖。虽然像gans和扩散模型，如 radiodiff这样的生成模型在质量和细节上有所改进，但前者训练不稳定，后者则计算成本高昂且生成速度慢，这都限制了它们在实际部署中的可行性。总而言之，现有技术在处理动态性、稀疏性、细节还原以及效率方面都存在明显的性能瓶颈。

技术实现思路

1、为了解决如何在大幅降低计算成本和测量数据依赖性的同时，实现对动态无线电环境的精准建模，并生成高分辨率、细节丰富的无线电地图的问题，本发明提出了一种基于流匹配的无线电地图快速生成方法，该方法通过流匹配框架、条件矩阵构建、局部噪声添加、反向信息注入及条件注意力机制构建了生成式流模型rrflow，rrflow利用流匹配的概率路径学习能力，结合条件生成机制与局部噪声策略，实现高效且高保真度的无线电地图重建。本发明提供的一种高效、精准且鲁棒的动态无线电地图生成方法，能够高效地将地理和建筑信息等静态输入与动态障碍物信息相结合，生成精确且具有精细结构的无线电地图，从而满足未来 6g 等通信技术对无线电地图的高要求，解决了现有方法在动态环境适应性、稀疏采样重建质量及生成效率方面的不足；该方法不仅适用于静态环境，更能有效处理动态障碍物引起的路径损耗变化，在极稀疏采样甚至无采样条件下仍能生成高质量重建结果，为6g网络规划、室内外定位及智能交通系统等应用提供了可靠的无线电地图构建解决方案。

2、本发明的目的通过以下技术方案来具体实现：

3、本发明公开了一种基于流匹配的无线电地图快速生成方法，该方法包括：

4、步骤一，将无线电地图场景离散为网格，存在动态障碍物时，将网格中的稀疏采样矩阵、静态障碍物矩阵、动态障碍物矩阵以及基站位置矩阵处理为灰度图像格式后拼接为第一条件引导张量，通过逐元素取最大值操作整合第一条件引导张量构建第一条件矩阵；不存在动态障碍物时，将网格中的稀疏采样矩阵、静态障碍物矩阵以及基站位置矩阵处理为灰度图像格式后拼接为第二条件引导张量，通过逐元素取最大值操作整合第二条件引导张量构建第二条件矩阵；将第一条件矩阵或第二条件矩阵作为目标条件矩阵；

5、步骤二，仅对目标条件矩阵中的未知区域添加噪声，已知障碍物区域保持不变，构建前向过程，得到前向过程对应的向量场；

6、步骤三，使用u-net结构的神经网络从噪声分布出发，引入反向块学习并预测所述向量场，逐步重建出完整的初始无线电地图，构建反向过程；

7、步骤四，将初始无线电地图中第一条件引导张量或第二条件引导张量通过提取器投影为嵌入表示，并经由多头注意力机制注入到u-net的中间层，生成无线电地图；得到生成式流模型rrflow；

8、步骤五，通过最小化流匹配损失函数结合adamw优化器训练rrflow，得到训练好的rrflow。

9、步骤一中，目标条件矩阵m中的第一条件矩阵或第二条件矩阵为：

10、；

11、；

12、式中，为第一条件引导张量，；为第二条件引导张量，；为实数域，k表示为条件引导张量中的通道索引，n为网格的数量，(i,j)为网格上的位置坐标。

13、步骤一中，第一条件引导张量为：

14、；

15、第二条件引导张量为：

16、；

17、式中，为拼接函数；为灰度图像格式的稀疏采样矩阵，为灰度图像格式的静态障碍物矩阵，为灰度图像格式的动态障碍物矩阵，为灰度图像格式的基站位置矩阵。

18、步骤一中，灰度图像格式的处理方法为：

19、s1,将原稀疏采样矩阵通过归一化映射至区间，处理为灰度图像格式的稀疏采样矩阵；处理方法为：

20、；

21、式中,为原稀疏采样矩阵的最小值；为原稀疏采样矩阵的最大值；

22、s2,将原静态障碍物矩阵采用二进制编码处理为灰度图像格式的静态障碍物矩阵；其中，中的静态障碍物元素,表示(i,j)处存在静态障碍物；,表示(i,j)处不存在静态障碍物；

23、s3,将原动态障碍物矩阵采用二进制编码处理为灰度图像格式的动态障碍物矩阵；其中，中的动态障碍物元素，表示(i,j)处存在动态障碍物；，表示(i,j)处不存在动态障碍物；

24、s4,将原基站位置矩阵采用二进制编码处理为灰度图像格式的基站位置矩阵；其中，中的基站位置元素，表示(i,j)处存在发射基站；，表示(i,j)处不存在发射基站。

25、步骤二中，前向过程的构建方法为：

26、；

27、；

28、式中，表示前向过程中第t步噪声数据与目标条件矩阵m相结合得到的第t步加噪数据，t为时间步；第t步噪声数据表示与高斯噪声逐元素相乘得到的第t步噪声数据；为表示前向过程中第步噪声数据与目标条件矩阵m相结合得到的第步加噪数据，表示时间总步数的微分，在离散时间下表示由目标分布到初始样本分布的总步数的倒数；表示逐元素乘法，，表示目标条件矩阵中的未知区域，，表示为矩阵中个元素全为1。

29、步骤二中，前向过程对应的向量场为：

30、；

31、式中，为在前向过程中已知目标分布下在第t步的数据分布，为在前向过程中已知目标分布和初始样本分布下在第t步的数据分布，为目标分布，为初始样本分布，为第t步的数据分布。

32、步骤三中，反向块为：

33、；

34、式中，为在反向过程中第步噪声数据与目标条件矩阵m相结合得到的第t-dt步加噪数据；为在反向过程中未结合目标条件矩阵m的第t-dt步噪声数据。

35、步骤三中，反向过程的构建方法为：

36、；

37、式中，为在反向过程中第步噪声数据与结合目标条件矩阵m相结合得到的第t步加噪数据，为u-net结构的神经网络在第t步学习并预测的向量场。

38、步骤四中，多头注意力机制注入到u-net的中间层的方法为：

39、；

40、式中，为通过u-net结构的神经网络提取初始无线电地图中第一条件引导张量或第二条件引导张量的注意力，、和为分别由u-net结构的神经网络的中间特征映射经投影得到的查询、键和值；为标准化指数函数，通过指数运算和归一化，将任意一组数字转换为一个概率分布；t为转置；d为查询和键的维度，用于缩放点积。

41、步骤五中，流匹配损失函数为：

42、 ；

43、式中，为流匹配损失函数值，为u-net结构的神经网络参数，表示对预设函数求期望；表示在已知反向过程中，t服从[0,1]的均匀分布；为已知中间隐变量z条件下前向过程的服从分布，为已知隐变量z条件下的分布，为隐变量z服从的分布，为隐变量z的分布；为前向过程中已知隐变量z条件下第t步的数据分布，z为隐变量，连接与。

44、步骤五中，rrflow在nvidia geforce rtx 3090 ti gpu上进行训练。

45、本发明的有益效果是：

46、1，本发明将流匹配（flow matching）框架引入无线电地图rm构建的rrflow，取代了传统的扩散模型或生成对抗网络，从而实现了更加稳定和高效的训练过程，显著减少了采样步骤，这使得模型能够在不牺牲生成质量的前提下实现快速推理，满足了实际应用中对实时性的严格要求。本发明将rrflow构建为一个概率路径学习问题，通过其强大的生成能力，能够在无需任何实地采样的条件下，仅凭环境先验信息（如建筑布局、基站位置）即可直接生成高精度的无线电地图，从而在适用性、效率和成本上实现了跨越式的优势，尤其适用于大规模部署、快速响应或物理采样不可行的实际应用场景；从而实现了从依赖采样数据的局部修复到基于环境理解的全局生成的跨越。这一变革使得本发明公开的技术方案能够在完全无采样的极端条件下，仅凭环境信息即可生成高精度无线电地图，彻底克服了现有技术对采样数据的严重依赖。

47、2，针对动态环境的特殊挑战，本发明提出了显式的动态障碍物建模机制，通过引入动态障碍物矩阵使其与静态障碍物矩阵共同参与条件生成过程，使模型能够准确捕捉和重建由移动物体（如车辆）引起的局部时变路径损耗变化，这一设计显著提升了模型在真实世界复杂场景中的适应性和鲁棒性。本发明通过显式的动态障碍物建模和高效的流匹配推理，不仅显著提升了对动态环境的适应性，更在生成速度上实现了提升，为实时应用奠定了基础。

48、3，本发明设计了一种创新的条件生成架构，该架构通过构建统一的目标条件矩阵来整合多源先验信息，并利用一种基于多头注意力机制的条件注入方式，将上述结构化目标条件信息动态地融合到u-net主干网络的生成过程中，确保了生成的地图在细节上与所有输入条件保持高度一致，从而在极低采样率甚至无采样的极端条件下仍能产生可靠的重建结果。

49、4，在噪声调度和重建策略上，本发明采用了局部噪声添加与已知信息保留机制，在前向过程中仅对未知区域添加噪声，而在整个反向去噪过程中，从噪声分布出发，引入反向块reverse block确保已知障碍物区域中的信息被重新注入，保证已知的测量值、障碍物轮廓和基站位置等关键信息在生成过程中不被破坏，这一策略有效避免了传统方法中常见的边缘模糊和细节丢失问题，尤其提升了障碍物边界处信号衰减变化的重建精度。

50、5，反向块reverse block在每一个反向采样步骤中强制执行已知信息的再注入，进一步增强了模型对上下文信息的利用能力，这一组件在消融实验中证明了对最终重建质量，特别是边缘锐度和局部一致性，具有至关重要的提升作用。

51、6，从整体架构角度看，本发明成功将流匹配的理论优势与计算机视觉中的u-net架构以及transformer中的注意力机制进行了有机结合，创造了一个既能够精确学习数据分布，又能够灵活响应复杂条件约束的生成式模型，该模型不仅适用于完全条件下的生成任务，也能很好地处理部分观测或无观测情况下的地图补全与估计问题。

52、7，本发明在训练策略上实现了显著优化，通过最小化流匹配损失函数结合adamw优化器训练rrflow，rrflow在单块高性能gpu上即可完成训练，所需时间和计算资源远低于基于扩散的基线方法，这使得该方法具备更强的实用性和可推广性。

53、发明的效果体现在多个维度，其核心优点是通过引入流匹配（flow matching）框架和一系列创新性设计，在无线电地图（rm）构建的精度、效率、鲁棒性和实用性方面实现了显著突破。