通过全景感知和视觉语言模型进行低空信道多径预测

无人机（UAV）通信预计将支持6G移动网络中的广泛低空应用。然而，传统的统计通道模型在特定环境中提供的精度有限，而光线追踪等确定性方法通常依赖于精确的三维环境模型，并且计算复杂度较高。现有的多模态信道预测方法主要关注路径损耗等大规模指标，而对于小规模参数建模仍然不足。为了解决这些限制，本文提出了 PanoLAMP，一种基于全景感知和视觉语言模型的低空多路径预测框架。它采用预训练的视觉语言模型作为骨干，通过在发射器和接收器处收集的全景RGB-D观测来捕获传播环境特征，以预测相对于视线路径的延迟、功率、方位角和天顶角偏移。实验是在一个综合数据集上进行的，该数据集包含跨越 7 个无人机高度的 18,949 个无人机-车辆链路。实验结果表明，所提出的方法在多径参数和统计指标方面始终优于代表性基线，并且在不同飞行高度上表现出更强的泛化能力。