论文速览 MobiCom 2023 | NeRF2 : Neural Radio-Frequency Radiance Fields
本文提出NeRF2，将NeRF扩展到射频领域，结合物理模型和统计模型描述射频场景。通过涡轮学习生成合成数据集，显著提升了定位和通信任务的性能。实验结果表明，NeRF2在空间频谱预测、室内定位和5G大规模MIMO任务中表现优异，定位准确率提升50%，信道预测性能提升5.97dB，MU-MIMO性能提升4.32dB。该方法在光NeRF、信道估计和无线定位等领域的应用中展现出广泛前景。
注1:本文属于“最新论文速览”系列中的一篇，旨在以简洁明了的方式介绍和解析近期发表在顶级会议或期刊上的论文。
Xiaopeng Zhao, Zhenlin An, Qingrui Pan, and Lei Yang. 2023. NeRF v2: Neural Radio-Frequency Radiance Fields. In Proceedings of the ACM MobiCom '23. Association for Computing Machinery (ACM), New York, NY, USA, Article 27, 1–15 pages. https://doi.org/10.1145/3570361.3592527
论文原文地址：https://dl.acm.org/doi/10.1145/3570361.3592527
源代码：https://xpengzhao.github.io/NeRF2
NeRF2:神经射频能量场
摘要
- 提出了一种新型方法，将NeRF技术延伸至射频领域研究。
- 该方法通过融合物理模型与统计模型来全面表征场景特征。
- 本研究引入涡轮学习机制，通过生成合成数据集来显著提升模型性能。
- 室内定位精度提升显著，达50%以上；同时，5G massive MIMO通信性能提升明显，约达6dB。
简介
在计算机视觉领域，光NeRF已取得显著进展。提出NeRF2，使其能够扩展至射频领域。NeRF2具备预测任意位置接收到的信号的能力。
NeRF2设计
网络架构:衰减网络 + 辐射网络
射频射线追踪:累积射线上所有散射体发射的信号
单天线和多天线训练方法
网络架构 * 基于衰减网络和辐射网络两个多层感知机。衰减网络能够预测任意体素的衰减量。辐射网络结合TX位置和测量方向，预测体素发射的射频信号。
该系统采用射频射线追踪技术，将场景划分为多个体素单元，每个体素单元被视作独立的信号源，向周围发射信号。射线上的信号衰减遵循Friis公式进行传播，最终接收的信号是射线上传播的所有体素单元发射信号的叠加。
单天线训练无法使接收机区分方向。信号是全方位叠加的结果。损失函数是由预测信号与真实信号的平方差决定的。
多阵元天线训练，通过相控阵天线阵列可以识别出信号的方向。生成空间频谱，用于表征各方向的相对功率水平。损失函数定义为预测频谱与真实频谱平方差的总和。
小结：
该方法通过融合物理与统计模型来描述射频场景。
利用光线追踪技术实现射频传播的高精度仿真。
支持单天线和多天线两种不同的训练方案。
能够生成高质量的合成训练数据，从而提升多种无线应用场景的性能。
微基准实验
相较于其他方法而言，NeRF2合成的空间频谱最能接近真实数据；涡轮学习显著提升了角度估计的准确度（达到47.9%）。
室内定位实验
- 基于NeRF2的RSSI估计，涡轮学习显著提升了KNN和神经网络的定位准确率约50%。
- 标签错误严重制约了性能。
5G大规模MIMO实验
- NeRF2直接估计下行信道，不受路径共享假设的限制
- 相较于SOTA，信道预测性能提升5.97dB，其中MU-MIMO提升4.32dB
相关工作
- 光NeRF及应用
- 信道估计
- 无线定位
总结
- 开发了NeRF2模型并将其应用于位置估计和通信技术等关键领域
- 涡轮学习方法显著提升了系统性能
- 未来研究重点包括模型的通用性、计算开销等关键指标