新智元报道

编辑：LRST

当前环境感知通信正逐步成为第六代移动通信系统（6G）的核心使能技术之一。为支撑其在复杂三维环境下的部署需求，西安电子科技大学、香港中文大学（深圳）和加拿大滑铁卢大学的研究团队联合提出了一个面向6G的高分辨率多模态三维无线电图谱数据集UrbanRadio3D，并构建了基于扩散模型的三维无线电图生成框架RadioDiff-3D。

面向6G的新一代通信系统，正在逐步从「连接万物」向「感知环境、理解空间」的智能化范式演进。未来网络架构将不仅局限于地面基站和终端，而是向空天地一体化方向拓展，支持包括低轨卫星、高空无人机、智能车辆、楼宇通信等在内的高密度异构节点协同运行。在这种多尺度、多层级的复杂传播环境中，传统依赖导频（pilot）的信道估计方法将面临开销高、泛化差、适应慢等瓶颈。

无线电地图（Radio Map, RM）作为一种将环境物理属性映射为空间信道状态的离线感知工具，近年来受到广泛关注。通过先验建图，系统能够实现非依赖pilot的信道推理，从而在诸如干扰规避、波束指向预测、信号源定位、能量高效调度等关键任务中发挥作用。更进一步，RM作为一种「电磁-空间孪生」形式，为环境感知通信（Environment-Aware Communication, EAC）奠定了基础。

然而，当前主流的RM构建方法与数据集仍存在以下四方面的核心限制：

空间维度受限：多数数据集停留在二维（2D）或简单的2.5D切片表达，无法反映实际城市中高空无人机、楼宇间通信等三维异构传播特性；

通道模态单一：仅提供路径损耗（Pathloss）信息，无法覆盖传播路径中的时延（ToA）、方向性（DoA）等更细粒度的传播特征；

数据稠密度低，结构信息缺失：现有数据样本数量有限，缺乏建筑高度图、语义结构等辅助信息，无法支持AI建图方法的多模态融合；

缺乏标准化基准：当前缺少具备统一规范、支持生成模型训练、覆盖典型城市场景的开放性基准数据集，限制了算法的可复现性与横向对比研究。

基于此，西安电子科技大学、香港中文大学（深圳）和加拿大滑铁卢大学的研究人员系统性构建了全球首个三维空间×多通道模态构成的高分辨率无线电地图数据集——UrbanRadio3D，并进一步提出了首个支持全空间RM重建的生成式建图基准框架RadioDiff-3D，致力于探索6G环境感知通信体系下的下一代空间信道建图范式。

论文链接：https://arxiv.org/pdf/2507.12166

代码链接：https://github.com/UNIC-Lab/UrbanRadio3D

发表期刊：IEEE Transactions on Network Science and Engineering

与现存其他数据集对比

UrbanRadio3D

高分辨率三维无线电地图数据集

为构建一套适用于环境感知通信任务的标准化空间建图基准平台，研究人员基于高保真电磁仿真器（射线追踪引擎）精细建模了来自全球6座代表性城市的城市街区，构成了UrbanRadio3D数据集。

该数据集共覆盖701个典型城市子区域，涵盖不同的城市结构密度、建筑高度形态与街区几何布局，真实还原了典型城市环境下的三维无线传播特性。

数据集内容示例

与现有二维无线电图谱不同，UrbanRadio3D以 「3D空间×3D模态」的立体范式重构了三维传播过程中的核心物理要素，并在空间粒度、通道模态、结构信息丰富性等方面实现全面升级。

数据集特性题

空间维度每个城市区域建模为256×256×20米的立方体空间体素（Voxel Grid），空间分辨率精细至1立方米（1m³/voxel），可全面覆盖地面与近地空域通信场景。
多通道传播模态每个体素包含以下核心传播参数：

路径损耗（Pathloss）：建模大尺度信号衰减特性；

到达方向（DoA）：包含水平角与俯仰角，用于描述信号传播方向性；

到达时间（ToA）：刻画信号传播时延，揭示多径结构。

数据集不同维度示例

结构辅助图像（结构先验）

除无线传播模态外，数据集中还为每个区域提供：

建筑高度图&建筑语义图：表示城市环境中的遮挡分布与物理构型；

发射源分布图&射线路径图（可视射线）：可用于可视区域分析、路径特性建模等任务。

结构辅助图像示例

所有数据均以结构化PNG图像和npy张量文件形式存储，便于融合计算机视觉与神经网络方法进行建图、推理与增强。

数据量级与分布

发射源数目：每个区域部署约200个发射节点，包含随机与规则布局；

接收高度维度：覆盖地面到空域1–20米，共计20层，体现真实三维感知需求；

信道响应样本量：总计超1100万条高分辨率信道响应体素数据，采样密度远超现有SOTA级别（高出约37倍）。

该数据集是目前已知规模最大、结构最完备的三维无线电图谱数据集，可广泛用于AI信道建图、路径规划、毫米波波束搜索、室外定位与协同通信等任务，具备良好的可复现性与工程通用性。

RadioDiff-3D

支持3D×3D建图的扩散式基准框架题

为了充分发挥UrbanRadio3D数据集在智能建图任务中的价值，研究团队进一步构建了一个具备生成能力的基准性模型框架——RadioDiff-3D，这是首个面向三维无线电图重建的三维卷积扩散生成模型（3D Convolutional Diffusion Model）。

其设计核心在于：在已知部分环境结构与稀疏观测点的基础上，生成完整的高分辨率三维多模态无线电图谱，以模拟「全空间感知」的能力。

该框架面向AI+通信的泛化应用，融合物理结构建模、概率生成建模与空间推理机制，是一次将扩散模型引入环境感知通信任务的开创性探索。

模型架构与建图机制

RadioDiff-3D整体采用基于3D卷积的U-Net网络作为扩散模型的生成主体，在结构设计上充分考虑了无线传播中的空间连续性、方向一致性与结构条件依赖性。其主要模块与工作流程如下：

核心模型：基于3D卷积U-Net，可接收空间张量输入并生成三维体素图；

条件输入：包含两类结构先验——建筑结构图（建筑语义、高度图）、发射源分布图（基站位置与覆盖信息）

输出模态：三通道重建，覆盖Pathloss（路径损耗）、Direction of Arrival（到达方向，方位角+俯仰角）、Time of Arrival（到达时间）

此外，模型在建图机制中引入以下关键策略，提升生成稳定性与物理合理性：

扩散式生成建模（DDPM/DDIM）：在高斯噪声退火框架下，逐步生成空间连续信道响应，增强全局一致性；

高度自回归生成（Height-wise Autoregressive）：按高度方向逐层生成三维图谱，提升垂直精度与结构一致性；

条件融合与采样一致性引导（Conditional & Consistency Sampling）：联合结构先验与观测点，约束生成分布收敛于物理可行域，提升样本可控性。

神经网络模型架构

任务设定与适用场景

RadioDiff-3D适用于多类环境感知任务，框架支持两种典型建图模式：

1. 基站已知场景（Radiation-aware）

系统已知发射源的完整位置与结构先验，可用于全区域RM重建任务，如网络部署规划、站点协同波束控制等场景。

2. 基站未知场景（Radiation-unaware）

系统不掌握发射源信息，仅依赖环境结构与稀疏观测点完成RM推理，可用于入侵检测、源反演、灾区通信感知等复杂应用。

通过灵活适配不同条件约束与任务目标，RadioDiff-3D为6G环境感知通信中的「全空间无线建图」提供了强有力的技术支撑与基准参考。

实验结果与性能对比

UrbanRadio3D数据集上，研究团队围绕路径损耗（Pathloss）、到达方向（Direction of Arrival, DoA）和到达时间（Time of Arrival, ToA）三种核心通道模态，对所提出的RadioDiff-3D框架进行了多维度评估，涵盖定量指标分析、空间一致性验证、模态重构表现等多个方面。

在稀疏采样建图任务中，RadioDiff-3D在10%观测点下即可恢复完整的三维无线电图，生成结果在均方根误差（RMSE）、结构相似性（SSIM）和峰值信噪比（PSNR）指标上均显著优于传统二维模型。

相比于基于2D卷积的U-Net和DiffUNet，RadioDiff-3D在建图精度上取得了大幅提升，展现出更强的空间表达能力与重建保真度。

不同参数下生成RM和Ground Truth的细节对比

为了进一步检验模型的三维泛化能力，实验设置了全高度范围（z=0–19）的重建任务，评估模型在不同接收层级上的稳定性与误差分布。

结果表明，RadioDiff-3D在大部分高度层均能稳定输出，且误差热图显示其在复杂传播区域（如遮挡阴影、建筑物边缘、非视距路径）也能保持良好的空间一致性。

相比之下，2D模型在建筑拐角处出现明显失真或「漏判」现象。

在三通道模态重建任务中，RadioDiff-3D展现出卓越的整体性能：

在路径损耗通道中，强信号集中区、阴影衰减区等物理特征均被准确还原，空间梯度过渡自然；

在到达方向通道中，生成的角度信息在水平方向与俯仰方向上均保持连续性，未出现边界跳变或异常偏移；

在到达时间通道中，模型有效捕捉多径结构下的时间延迟分布，反映了其对复杂传播机制的建模能力。

此外，实验还评估了不同模块对模型性能的贡献。消融分析显示，引入高度方向自回归机制后，模型在层级一致性方面有明显提升；而条件引导与一致性采样策略则进一步增强了空间结构对多模态输出的调控能力。

在不同采样率设定下（如1%、10%、30%、50%），RadioDiff-3D均保持良好表现，特别是在极低采样率条件下仍能生成高保真图像，体现出极强的鲁棒性与采样效率。

相较于现有方法，RadioDiff-3D更适用于低成本、弱协作通信环境下的快速场景感知任务。

不同采样策略下的重建效果

小结与展望

研究人员围绕6G智能通信的空间感知建图需求，系统构建了UrbanRadio3D数据集与配套的RadioDiff-3D生成式建图框架，共同构成了一个统一、开放、标准化的3D×3D无线电地图研究平台，填补了当前无线建图领域在三维建模与生成基准上的关键空白。

平台具备以下技术亮点与研究意义：

三维感知建图首个标准数据集：空间维度、模态维度均远超现有2D/2.5D方案；

支持协作/非协作双任务范式：灵活适配复杂真实应用场景；

多模态信道输出结构：可扩展至方向、时延、多径等更高阶任务；

统一的训练与评测流程：为未来算法对比与性能评估提供基准性支持。

面向未来，研究团队计划在以下方向进一步拓展与深化：

多频段信道构建与频率泛化能力迁移；

动态环境下的遮挡感知与时间一致性生成；

结合图神经网络（GNN）、点云建图（Point Cloud Completion）与卫星遥感感知（RS），提升建图泛化性与可解释性；

在车联网、卫星通信、低空飞行器导航等场景中实现多尺度RM推理部署。

参考资料：

https://arxiv.org/pdf/2507.12166

https://github.com/UNIC-Lab/UrbanRadio3D