Environment-Aware IoT UAV Channel Prediction: A Multiparameter Prediction Case Using Multimodal Sensing Data
Notice bibliographique
Résumé
In Internet of things (IoT) systems enabled by 6G, unmanned aerial vehicles (UAVs), acting as communication nodes, have the advantages of flexible deployment and wide-area coverage. The channel prediction capability of UAVs for ground communication is of great significance for improving the reliability of IoT communication systems. We propose an innovative and interpretable paradigm for channel prediction based on “physical feature extraction + machine learning”. Specificallywe proposes a real-time UAV-to-ground channel prediction method that leverages propagation environment sensing data, aiming to enhance prediction accuracy and generalization by deeply integrating environmental and communication information. Firstly, we construct the first UAV sensing-communication integrated dataset featuring multi-band, multi-dimensional channel parameters, including UAV-to-ground RGB images, depth maps, and channel data. We then extract multimodal features with clear physical significance relevant to wireless propagation, such as relative position, relative altitude, relative volume, and transmitter-receiver distance. Finally, this paper designs a fusion architecture based on convolutional neural network (CNN) and multilayer perceptron (MLP). This architecture takes multimodal feature data as input, utilizes CNN to extract local features of multi-modal features, and models the fusion of multi-modal features through MLP. Experimental results demonstrate that our model consistently outperforms comparative model. Importantly, our feature analysis quantitatively reveals—for the first time—that building volume is the most influential factor in channel behavior, and that prediction accuracy degrades with increasing flight altitude. Furthermore, system-level simulations confirm that channel prediction leads to substantial improvements in network performance. This work presents a robust and interpretable framework for environment-aware channel characterization, laying a foundation for future 6G intelligent communication systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».