Aumentare la scala del preaddestramento con dati sintetici a basso costo migliora la previsione delle mappe radio indoor

Abstract degli autori

Le misurazioni reali sono troppo limitate per addestrare un modello accurato di previsione della perdita di propagazione indoor che funzioni in un’ampia varietà di edifici. Il preaddestramento su larga scala con dati sintetici offre una via d’uscita, ma anche le planimetrie di edifici reali sono scarse, mentre i simulatori accurati di ray tracing sono lenti, costosi e spesso proprietari. Affrontiamo entrambi i problemi introducendo un generatore che crea automaticamente planimetrie indoor diversificate e un ray tracer approssimato, rapido e open source, che calcola le relative mappe radio. Con questa procedura generiamo 128 milioni di campioni sintetici, preaddestriamo modelli encoder-decoder ResNet-101 e Swin-T e li sottoponiamo a fine-tuning su dati di benchmark di alta qualità. Nonostante le discrepanze dovute al simulatore, il nostro modello ResNet-101 riduce l’errore in media del 15% rispetto ai migliori metodi noti in cinque compiti di previsione delle mappe radio indoor e migliora il trasferimento su un piccolo dataset di misurazioni reali. Entrambe le architetture mostrano andamenti prevedibili al crescere dei dati: leggi di potenza adattate a 2-16 milioni di campioni prevedono, per 32-128 milioni di campioni, l’RMSE medio normalizzato nei compiti a valle con un errore percentuale assoluto medio del 3,33% per ResNet-101 e del 7,10% per Swin-T. Questi risultati mostrano che il preaddestramento su grandi quantità di dati simulati a basso costo può migliorare la previsione delle mappe radio indoor, anche quando le misurazioni reali e le simulazioni di alta qualità sono limitate.