RadioMapMotion：从"看懂现在"到"预测未来"的无线电磁态势预测

上一篇博客介绍了 RadioMamba——通过 Mamba+CNN 的混合架构实现了无线信号地图构建的精度-效率双赢。但 RadioMamba 以及现有的大多数方法，本质上都是"看一张图，画一张图"——它们处理的是静态快照。即使所谓的"动态地图"也只是独立的伪动态帧。

然而真实世界是连续变化的——车辆在移动，信号在波动。我们能不能不只"掌握现在"，更能预测未来？

这就是今天要介绍的工作：RadioMapMotion & RadioMotionNet。

0. 研究背景：为什么需要时空预测？

在 6G 数字孪生愿景下，无线网络需要从"被动响应"走向"主动预判"。比如：

• 车辆即将驶入信号盲区，基站能否提前切换？
• 无人机航线规划，能否基于未来信号态势做决策？
• 动态频谱管理，能否预测性地调整资源分配？

这些问题的共同点是：不只需要知道当前的电磁环境，更需要预知未来的演变。

现有的 Radio Map 构建方法（包括 RadioMamba）本质上是静态映射——给定当前环境，输出当前地图。但信号传播是连续演化的，车辆移动会持续改变多径结构和遮挡关系。如果我们能建模这种时空演化规律，就能实现从"构建"到"预测"的跨越。

1. 核心问题：时空无线电地图预测

论文正式定义了时空无线电地图预测任务：

给定一段历史观测序列 $X=(P_{t-T_c+1},...,P_t)$，预测未来 $T_p$ 帧的无线电地图序列 $\hat{Y}=({\hat{P}}_{t+1},...,{\hat{P}}_{t+T_p})$。

这个任务的关键挑战在于：缺乏能够捕捉车辆运动驱动的电磁环境连续演化的数据集。现有的 RadioMapSeer、UrbanRadio3D 等数据集都是静态快照集合，没有时序连续性。

2. RadioMapMotion 数据集

为填补这一空白，论文构建了 RadioMapMotion——第一个大规模、高保真、专为时空预测设计的无线电地图数据集。

2.1 数据集构建

基于射线追踪仿真（WinProp 的 Dominant Path Model），在 256m × 256m 的城市区域中：

• 静态环境 (Env)：300 个不同的城市布局，包含建筑物
• 动态轨迹 (Traj)：每个环境下 5 条不同的车辆行驶轨迹
• 发射器 (Tx)：每个轨迹下 20 个不同位置的发射器
• 时序帧：每个序列 15 帧（8 帧历史 + 5 帧预测），帧间时间间隔 0.4s

仿真参数：

参数	值
载波频率	3.5 GHz
发射功率	23 dBm
TX/RX 高度	1.5 m
空间分辨率	1 m
传播模型	Dominant Path Model

2.2 数据集划分

子集	环境	轨迹	序列数	用途
训练集	env_000-249	traj_00-02	15000	模型训练
验证集	env_000-249	traj_03	5000	早停/模型选择
测试集 1	env_000-249	traj_04	5000	动态泛化测试
测试集 2	env_250-299	traj_00-04	5000	空间泛化测试

两个测试集分别验证：

• 测试集 1：同一环境下的未见轨迹（动态泛化）
• 测试集 2：全新的未见环境（空间泛化）——这是更严苛的测试

2.3 开源地址

数据集已开源：

• Google Drive (Part 1)
• Google Drive (Part 2)
• Google Drive (Part 3)

代码仓库：https://github.com/UNIC-Lab/RadioMapMotion

3. RadioMotionNet：时空预测基准模型

3.1 架构设计

RadioMotionNet 的核心思想是将 ConvLSTM 的时序建模能力与 UNet 的空间特征提取能力结合：

• 编码阶段：逐帧处理历史序列，ConvLSTM 在每个编码层积累时空记忆
• 预测阶段：自回归生成未来帧，通过 skip connection 保留空间细节

每个特征提取模块都用 ConvLSTM Cell 替代普通卷积——这是与标准 UNet 的根本区别。ConvLSTM 通过卷积操作处理 2D 空间数据，同时维护 hidden state 和 cell state 来捕捉时序依赖。

3.2 为什么不用 Transformer？

论文对比了三种时序建模方案：

方案	复杂度	特点
3D CNN	O(N)	时空联合建模，但灵活性差
Transformer	O(N²)	全局依赖，但计算量太大
ConvLSTM	O(N)	时序建模强，计算高效

对于无线电地图预测这种局部变化为主的任务（车辆移动引起的主要是局部遮挡变化），ConvLSTM 的归纳偏置（局部性 + 时序因果性）恰好匹配。实验证明，更复杂的 ConvMambaUNet 反而不如简洁的 ConvLSTM 方案。

3.3 训练策略

• 损失函数：MSE Loss（简洁有效）
• 优化器：Adam (lr=1e-3)
• 输入：$T_c=10$ 帧历史，从第 2 帧开始（context_start_frame_idx=2）
• 输出：$T_p=5$ 帧预测
• 精度：16-mixed 混合精度训练

4. 实验结果

4.1 定量对比

在两个测试集上的表现：

测试集 1（动态泛化）：

模型	NMSE ↓	RMSE ↓	SSIM ↑	PSNR ↑
Last-Frame Repeat	0.009517	0.029257	0.9421	30.68
Static-UNet	0.002751	0.015731	0.9700	36.06
ConvMambaUNet	0.004300	0.019666	0.9656	34.58
RadioMotionNet	0.002562	0.015181	0.9779	36.37

测试集 2（空间泛化）：

模型	NMSE ↓	RMSE ↓	SSIM ↑	PSNR ↑
Static-UNet	0.011265	0.034921	0.9338	29.14
ConvMambaUNet	0.004553	0.022201	0.9609	33.07
RadioMotionNet	0.002121	0.015154	0.9800	36.39

关键发现：

• Static-UNet 在测试集 2 上性能暴跌（NMSE 增加 300%+），说明它过拟合了训练环境布局
• RadioMotionNet 在两个测试集上都保持稳定高性能，泛化能力显著

4.2 效率对比

模型	推理时间 (ms/帧) ↓	GPU 显存 (MB) ↓
Static-UNet	3.9	525
ConvMambaUNet	4.9	2468
RadioMotionNet	1.3	927

RadioMotionNet 不仅精度最高，推理速度也是最快的——1.3ms/帧，完全满足实时部署需求。

4.3 可视化对比

在熟悉环境的动态泛化测试中，Last-Frame Repeat 产生的静态输出无法反映车辆移动；RadioMotionNet 生成的预测与 Ground Truth 高度一致，车辆阴影随时间推移准确移动。

在全新环境的空间泛化测试中，Static-UNet 预测模糊，ConvMambaUNet 有伪影，而 RadioMotionNet 保持了清晰的边缘和精细的结构细节。

5. 总结与展望

RadioMapMotion 做了三件事：

1. 定义任务：将无线电磁态势感知从"构建"推向"预测"
2. 构建数据集：首个大规模时空连续无线电地图数据集
3. 建立基准：RadioMotionNet 以简洁高效的 ConvLSTM-UNet 架构，实现了精度与速度的双重最优

这个工作为 6G 主动式网络管理提供了基础——未来的基站可以在车辆到达之前就预判信号变化，提前做出资源调度决策。

项目开源

• 论文：RadioMapMotion: A Dataset and Benchmark for Proactive Spatio-Temporal Radio Environment Prediction (IEEE TCCN, 2026)
• 代码：https://github.com/UNIC-Lab/RadioMapMotion
• 数据集：见上文 Google Drive 链接

---

如果这篇文章对你有帮助，欢迎点赞、收藏、关注~

上一篇：RadioMamba: 打破无线信号地图构建的精度-效率 trade-off