MultiPathFormer：迈向多路径无线传播的基础模型

机器学习的最新进展使得无线基础模型的训练成为可能，该模型旨在支持基于无线信号的信道估计、波束预测和定位等任务。现有的无线基础模型通常使用子载波、天线或时间上的掩模重建来对信道张量进行预训练，但忽略无线传播的物理特性。在这项工作中，我们建议使用多路径传播作为基本的预训练对象。我们提出了 MultiPathFormer，这是一种自回归基础模型，它将每个发送器-接收器链路表示为连续值路径标记的有序序列和具有下一个路径预测的预训练。我们在 Transformer 主干网络之上引入了环境 RAG（检索增强生成）机制和第一路径码本，利用环境知识将延迟和功率等路径统计估计提高高达 59%。在 27 个环境中预训练的 MultiPathFormer 会转移到未见过的用户，并且在特定场景 微调 后，其性能优于在新环境中从头开始训练相应模型。在下游任务中，它的性能优于基于 SOTA 通道的基础模型，实现了 5.57 m 平均定位误差、0.914 top-3 波束精度、0.994 视线分类精度和 0.561 通道估计 NMSE。这些结果表明，路径级预训练可以学习无线传播的可重用表示。