LLM4PG: Adapting Large Language Model for Pathloss Map Generation via Synesthesia of Machines
一、文章主要内容总结
该研究针对6G AI原生通信系统的需求，提出了一种基于大语言模型（LLM）的路径损耗图生成模型（LLM4PG），核心是通过机器通感（SoM）实现多模态感知与通信域的跨域对齐，高效生成大规模、高质量的路径损耗数据。
- 研究背景：6G通信场景向3D高移动性无人机对地（U2G）拓展，传统路径损耗生成方法（随机建模、确定性建模、传统AI驱动方法）存在精度低、计算复杂度高或泛化能力不足的问题，无法满足6G对海量高质量路径损耗数据的需求。
- 数据集构建：构建了SynthSoM-U2G数据集，包含9490张路径损耗图、5660张RGB图像和5660张深度图，覆盖城市十字路口/宽车道两种场景、1.6GHz/28GHz两种频段及50m/70m/200m三种飞行高度，通过AirSim和Wireless InSite实现感知与通信数据的精准对齐。
- 模型架构：LLM4PG包含三大模块：
- 嵌入模块：通过图像分块、位置编码及MLP提取RGB图像、深度图的环境特征与频段的电磁特征，实现多模态特征融合与跨域嵌入；
- LLM骨干模块：基于GPT-2微调，冻结部分层并优化激活策略，迁移序列建模能力以挖掘物理环境与电磁空间的映射关系；
- 解码器模块：通过转置卷积、批量归一化与LeakyReLU实现特征上采样，生成高分辨率路径损耗图。
- 实验结果：全样本训练下NMSE达0.0454，比传统GAN模型提升2.90dB以上；