mmDiff: Kerangka Ray-Tracing Terdiferensiasi yang Tahan Derau untuk Kalibrasi Skena mmWave dan Prediksi Kanal

Model hamburan terarah terdiferensiasi yang membuat ray-tracing tahan terhadap artefak geometris pada model 3D hasil rekonstruksi, sehingga memungkinkan prediksi kanal mmWave dan kalibrasi material yang akurat dari pengukuran sparse.

Haofan Lu; Yadi Cao; Wanghao Yi; Omid Abari· 2026· DOI 10.48550/arXiv.2605.26406

Masalah inti

Meluasnya penggunaan frekuensi mmWave pada 5G dan generasi berikutnya meningkatkan kebutuhan akan model kanal yang akurat untuk memprediksi propagasi sinyal di lingkungan kompleks. Meskipun teknik rekonstruksi 3D seperti pemindaian LiDAR dan fotogrametri telah membuat pembangunan model geometris terperinci dari skena dunia nyata menjadi praktis, model hasil rekonstruksi ini tetap mengandung artefak geometris—lubang, permukaan berderau, dan ketidakakuratan—yang sangat menurunkan kinerja simulator nirkabel. Ray-tracing tradisional, yang mengandalkan refleksi spekular murni, sangat sensitif terhadap derau semacam itu karena mengasumsikan refleksi seperti cermin sempurna pada setiap permukaan. Gangguan kecil pada orientasi permukaan dapat membelokkan sinar pantul sepenuhnya, sehingga menimbulkan galat besar pada path gain dan prediksi kanal. Makalah ini membahas tantangan inti: bagaimana membuat simulasi nirkabel tahan terhadap derau geometris sekaligus mempertahankan akurasi fisik. Penulis mengusulkan model hamburan terarah terdiferensiasi yang mendekati refleksi spekular dengan menyebarkan daya pantul secara halus di antara arah sinar di sekitarnya. Pendekatan ini membuat simulator s

Inovasi

Penulis mengevaluasi mmDiff pada dataset dunia nyata dan sintetis. Dalam eksperimen sintetis, mereka menyimulasikan skena dengan sifat material ground-truth yang diketahui dan memasukkan derau geometris terkendali (misalnya perturbasi permukaan acak) untuk meniru artefak rekonstruksi. Mereka membandingkan mmDiff dengan baseline yang menggunakan refleksi spekular murni. Hasilnya menunjukkan bahwa mmDiff mencapai galat prediksi kanal yang jauh lebih rendah (misalnya normalized mean square error) pada berbagai tingkat derau. Sebagai contoh, pada tingkat derau perturbasi permukaan 5 cm, galat path gain baseline melebihi 10 dB, sedangkan mmDiff mempertahankan galat di bawah 3 dB. Dalam eksperimen dunia nyata, mereka mengumpulkan pengukuran mmWave di lingkungan dalam ruangan menggunakan testbed software-defined radio. Model 3D direkonstruksi melalui pemindaian LiDAR. mmDiff mengkalibrasi sifat material dari sekumpulan pengukuran sparse (misalnya 20 lokasi penerima) lalu memprediksi kanal di lokasi yang belum terlihat. Path gain yang diprediksi cocok dengan hasil pengukuran dengan root-mean-square error (RMSE) 2,1 dB, sedangkan metode spekular murni menghasilkan RMSE 6,8 dB. Penulis juga

Meluasnya penggunaan frekuensi mmWave pada 5G dan generasi berikutnya meningkatkan kebutuhan akan model kanal yang akurat untuk memprediksi propagasi sinyal di lingkungan kompleks. Meskipun teknik rekonstruksi 3D seperti pemindaian LiDAR dan fotogrametri telah membuat pembangunan model geometris terperinci dari skena dunia nyata menjadi praktis, model hasil rekonstruksi ini tetap mengandung artefak geometris—lubang, permukaan berderau, dan ketidakakuratan—yang sangat menurunkan kinerja simulator nirkabel. Ray-tracing tradisional, yang mengandalkan refleksi spekular murni, sangat sensitif terhadap derau semacam itu karena mengasumsikan refleksi seperti cermin sempurna pada setiap permukaan. Gangguan kecil pada orientasi permukaan dapat membelokkan sinar pantul sepenuhnya, sehingga menimbulkan galat besar pada path gain dan prediksi kanal. Makalah ini membahas tantangan inti: bagaimana membuat simulasi nirkabel tahan terhadap derau geometris sekaligus mempertahankan akurasi fisik. Penulis mengusulkan model hamburan terarah terdiferensiasi yang mendekati refleksi spekular dengan menyebarkan daya pantul secara halus di antara arah sinar di sekitarnya. Pendekatan ini membuat simulator secara inheren tahan terhadap artefak geometris lokal. Mereka membuktikan secara matematis bahwa pendekatan ini mempertahankan akurasi path gain asimtotik, artinya seiring bertambahnya jumlah sinar, path gain yang dihitung konvergen ke nilai sebenarnya. Berdasarkan gagasan ini, mereka memperkenalkan mmDiff, kerangka terdiferensiasi end-to-end untuk mengkalibrasi sifat material dari pengukuran mmWave sparse dan memprediksi kanal mmWave. Kerangka ini dievaluasi pada dataset dunia nyata dan sintetis, menunjukkan kinerja yang lebih unggul dibandingkan metode sebelumnya yang menggunakan refleksi spekular murni pada geometri hasil rekonstruksi yang berderau.

Inti mmDiff adalah model hamburan terarah terdiferensiasi yang menggantikan kernel refleksi spekular tradisional. Pada ray-tracing standar, arah pantul ditentukan secara unik oleh arah datang dan normal permukaan: d_{r} = d_{i} - 2 (d_{i} \cdot n) n, dengan d_{i} adalah arah datang, n adalah normal permukaan, dan d_{r} adalah arah pantul. Pemetaan deterministik ini sangat sensitif terhadap galat pada n . Untuk mengatasinya, mmDiff memperkenalkan lobus hamburan yang menyebarkan daya pantul pada kerucut arah yang berpusat di sekitar arah spekular. Distribusi daya dimodelkan sebagai fungsi terdiferensiasi, misalnya distribusi von Mises-Fisher atau lobus cosine-power, yang diparameterkan oleh koefisien hamburan σ . Daya terima dari suatu lintasan kemudian dihitung sebagai integral pada lobus hamburan, yang dapat didekati dengan mengambil sampel beberapa sinar di dalam lobus. Yang krusial, penulis membuktikan bahwa seiring bertambahnya jumlah sampel, path gain yang diharapkan konvergen ke path gain spekular sebenarnya, sehingga menjamin akurasi asimtotik. Model hamburan ini diintegrasikan ke dalam pipeline ray-tracing terdiferensiasi tempat sifat material (misalnya koefisien refleksi) menjadi parameter yang dapat dipelajari. Dengan pengukuran mmWave sparse (misalnya daya terima di beberapa lokasi), kerangka ini melakukan optimasi berbasis gradien untuk mengkalibrasi parameter tersebut. Sifat terdiferensiasi dicapai dengan membuat perpotongan sinar-permukaan dan parameter lobus hamburan dapat diturunkan terhadap sifat material dan geometri. Arsitektur keseluruhan diilustrasikan pada diagram Mermaid di bawah ini.

Mengapa penting

Makalah ini memberikan bukti matematis bahwa pendekatan hamburan terarah mempertahankan akurasi path gain asimtotik. Secara khusus, mereka menunjukkan bahwa path gain yang diharapkan yang dihitung dengan lobus hamburan konvergen ke path gain spekular sebenarnya saat koefisien hamburan σ \to 0 dan jumlah sampel N \to \infty . Hasil teoretis ini membenarkan penggunaan pendekatan tersebut tanpa mengorbankan kesetiaan fisik. Penulis juga membahas trade-off antara ketahanan dan akurasi: lobus hamburan yang lebih besar meningkatkan ketahanan terhadap derau geometris tetapi dapat sedikit mengaburkan resolusi angular komponen multipath. Namun, mereka berargumen bahwa dalam praktiknya, lebar lobus dapat disetel untuk menyeimbangkan efek tersebut. Kerangka terdiferensiasi memungkinkan pembelajaran end-to-end sifat material, yang krusial karena sifat material sering tidak diketahui dan sulit diukur secara langsung. Penggunaan pengukuran sparse membuat kalibrasi menjadi praktis. Batasannya meliputi asumsi satu lobus hamburan per permukaan dan biaya komputasi untuk mengambil sampel beberapa sinar. Pekerjaan selanjutnya dapat memperluas model untuk menangani hamburan difus dan mengoptimalkan geometri serta sifat material secara bersamaan. Secara keseluruhan, mmDiff merupakan langkah signifikan menuju digital twin nirkabel yang tangguh dan dapat beroperasi pada model hasil rekonstruksi yang tidak sempurna.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…