RadioGen3D: 3D-Radio-Karten aus synthetischen Daten mit adversarial Learning

In der Forschung zu 6G‑Netzwerken und Low‑Altitude‑Drohnenkommunikation gewinnt die präzise Erzeugung von Radio‑Karten zunehmend an Bedeutung. Traditionelle Methoden wie Ray‑Tracing sind zwar genau, aber rechenintensiv. Deep‑Learning‑Ansätze haben hier vielversprechende Alternativen eröffnet, jedoch beschränken sich die meisten Modelle bislang auf flache, 2‑D‑Szenarien und vernachlässigen wichtige 3‑D‑Signal‑Propagation‑Eigenschaften sowie Antennen‑Polarisation.

Das neue RadioGen3D‑Framework löst dieses Problem, indem es zunächst eine effiziente Synthese‑Methode entwickelt, um hochwertige 3‑D‑Radio‑Karten zu generieren. Durch ein parametrisches Zielmodell, das 2‑D‑Ray‑Tracing‑ und 3‑D‑Kanalfading‑Charakteristika kombiniert, werden realistische Koeffizienten aus wenigen Messungen abgeleitet. Damit entsteht das umfangreiche synthetische Datenset Radio3DMix, das die Grundlage für das Training bildet.

Für das Training nutzt RadioGen3D ein konditioniertes generatives adversariales Netzwerk (cGAN), das einen 3‑D‑U‑Net‑Modell erzeugt. Dieser Ansatz liefert nicht nur eine höhere Genauigkeit bei der Radio‑Map‑Estimation, sondern ist auch deutlich schneller als herkömmliche Verfahren. Experimentelle Ergebnisse zeigen, dass RadioGen3D sämtliche Vergleichsmodelle in Genauigkeit und Geschwindigkeit übertrifft. Darüber hinaus demonstrieren Fine‑Tuning‑Tests die starke Generalisierungsfähigkeit des Modells, indem erfolgreich Wissen auf neue Szenarien übertragen wird.