毫米波无人机部署的现实差距中有多少源于蒙特卡洛欠采样？

现实差距问题提出之前已有工作确立了哪些内容

在本文之前，该领域已经知道UAV放置是一个具有显著地形结构的逐载波优化问题，并且概率LoS下的闭式高度和三维放置分析早于基于学习的方法，但通常假设频率平坦信道，无法干净地扩展到sub-THz [1]。RL已成为UAV放置和轨迹的灵活工具，但训练所需的信道评估量是真实测量或全波射线追踪无法提供的，因此惯常的权衡是在简化解析信道上训练，并在更高保真度的参考上验证 [1]。大多数先前的RL工作在同一模拟器内训练和评估，因此与物理级信道的任何分歧都保持沉默 [1]。

弥合这一空白的基础设施也独立地成熟起来。Ns3Sionna将Sionna的GPU加速、可微光线追踪集成到ns-3网络模拟器中，实现了物理精确、环境特定的信道建模，并通过缓存和并行化使光线追踪保持可处理性[2]。这一先导工作之所以重要，是因为它表明社区现在可以在物理级信道上重放系统级评估，而不仅仅是将解析模型相互比较[2]。另外，基于测量和RT的路径损耗研究在伊斯坦布尔城市环境的28-90 GHz频段上确立：视距场景下路径损耗指数范围为2.35至2.86，非视距场景下为2.54-3.3，且更高频率由于吸收和穿越障碍物的传播损耗而表现出显著的衰减和波动[3]。这些结果证实了模型选择依赖于环境和频率，但它们并未量化在简化信道上训练的RL策略在部署到光线追踪环境时会损失什么[3]。

三条信道管线与将采样和物理分离的分解

锚点论文的核心方法学举措是在同一张多哈地图上，针对28、140、183和300 GHz载波频率以及50、75、100和125 m高度，对三条流水线进行评估：一条结合FSPL、大气吸收和长方体LoS的解析模型；Sionna RT中采用ITU-R P.676-13吸收模型的全蒙特卡洛射线追踪；以及一种确定性LoS混合方法，该方法在闭式路径增益表达式下复用Sionna的网格[1]。确定性LoS构造之所以存在，是因为随机Sionna流水线仅当至少一条射线到达某个地面单元时才将其标记为已覆盖，而在4π立体角内发射10^5条射线的情况下，在100 m高度下超出约430 m临界距离的单元被遗漏的概率趋近于一[1]。这种采样伪影导致在100 m高度下经验LoS覆盖率约为0.06，而解析模型为0.70，这一数量级的差异若不加校正，将被误认为物理上的不一致[1]。

式(13)中的分解是关键的诊断工具：对随机性Sionna的表观偏差等于一个采样分量加上一个以确定性LoS参考为基准测量的物理分量[1]。在28 GHz和140 GHz下，对随机性Sionna的偏差分别为-5.58 dB和-4.80 dB，但缓解措施将其降低至-1.69 dB和-1.47 dB，其中约3.9 dB和3.3 dB归因于蒙特卡洛欠采样，剩余约1.5 dB归因于真实的几何与材料差异[1]。JS散度从0.683/0.681降至0.164/0.181，表明一旦校正采样，分布几乎重叠[1]。这是本文最具可迁移性的结论：巨大的表观仿真到现实差距可能是验证流程的伪影，而非信道模型本身的属性。

三种载波特定情形：采样主导、吸收主导与偶然一致

在183 GHz处，情况发生了质的变化。183.31 GHz水汽谐振在解析流程中被表示为Kokkoniemi-Lehtomaki拟合的第二个洛伦兹分量，但单一洛伦兹分量会低估完整ITU-R P.676-13谱线表的峰值幅度和翼部拖尾，且这一偏差在多小区聚合中进一步累积[1]。缓解措施仅将-13.2 dB的随机偏差降至-9.2 dB，且两种情况下JS散度均饱和于ln 2，这意味着解析与射线追踪的SNR分布实际上互不相交[1]。最优部署位移仅小幅收缩，从864 m降至768 m[1]。这是仅靠LoS建模无法弥合的真实物理差距；从Kokkoniemi升级到ITU-R P.676的吸收级模型是必要的[1]。

在300 GHz下，随机射线追踪器与分析模型几乎完全一致，偏差为+0.50 dB，JS散度为0.046，乍看之下表明解析信道已经足够[1]。然而，确定性LoS流程暴露出+3.84 dB的结构性偏移和0.615的JS散度[1]。通过分解，表面上的+0.5 dB偏差可拆分为-3.3 dB的采样分量和+3.8 dB的物理分量，二者几乎恰好相互抵消[1]。其机制在空间图上清晰可见：解析图呈现出由位置相关吸收多项式引起的高空间频率散斑，确定性LoS图则由平滑的几何LoS梯度主导，而随机Sionna将两种效应平均为偶然的对齐[1]。该论文的解读是，该载波频率下的随机一致性是巧合而非物理性的，这提醒人们不应将单一流程的验证视为充分[1]。

为什么即使最优点移动数百米，遗憾值仍居高不下

用于仿真到现实迁移的运行量是最优部署位移和线性域遗憾值。位移在不同载波和目标任务下介于198 m至864 m之间，但线性域遗憾比在每个载波下均保持在不低于0.93的水平，这意味着相对于确定性射线追踪最优解，解析最优部署在线性SNR上的代价从未超过约7% [1]。在运行层面，遗憾值将部署于解析最优点所牺牲的SNR限定在至多约0.3 dB，而位移则表明最优点位置的迁移可靠性远低于其值的迁移可靠性 [1]。在28 GHz和140 GHz下，解析信道足以用于部署，残余偏差在链路预算裕度之内，遗憾值不低于0.95 [1]。在300 GHz下，尽管确定性LoS对比揭示了+3.8 dB的结构性偏移，遗憾值仍为0.967，因此即使解析模型在绝对SNR上存在结构性不等价，其对于部署决策而言仍然足够 [1]。

这种对决策级一致性与分布级一致性的区分，是本文对强化学习从业者最有用的框架。一个策略可以在奖励上接近最优，而其底层信道模型却在某些方面存在错误，这些错误对其他任务而言至关重要，例如覆盖预测、切换设计或绝对链路预算规划。本文自身的建议是，在简化信道上训练的策略仍然有用，但应针对邻近视距载波在射线追踪上进行微调[1]。

结论止于何处，何处仍悬而未决

该研究明确限定于单一城市、单种子随机运行、各向同性天线的静态单无人机部署、与公平性无关的平均增益目标，以及无衍射的D=1镜面射线追踪[1]。因此，差距量化仅限于多哈地图以及50-125米高度下的28-300 GHz频段，策略遗憾结果未在其他城市得到验证[1]。确定性LoS流程本身比随机Sionna恢复了更大的LoS比例，但未达到解析值，剩余差距反映了MATLAB合并长方体建筑模型与Sionna封闭网格表示之间真实的几何差异；该几何差异在28 GHz下仅转化为约1.7 dB的小幅路径损耗偏差，因为在MATLAB中为LoS而在Sionna中非LoS的小区位于远距离处，其线性增益贡献可忽略不计[1]。

来自相邻领域的更广泛局限性证据，进一步说明了为何采样伪影值得被明确处理。蒙特卡洛渲染研究早已表明，自适应采样和方差缩减可以显著改善等时误差收敛，而均匀采样则可能使低概率区域严重欠采样[5][6]。通过边缘采样实现的可微光线追踪解决了另一个不同但相关的问题，即不可微可见性项[7]；而用于衍射光学的蒙特卡洛光线追踪则表明，该方法的精度取决于采样方案是否与物理机制相匹配[8]。锚点论文的贡献在于将这种认识引入无线仿真到现实的研究，并表明标准蒙特卡洛光线追踪流程会引入一个不可忽视的采样伪影；若不加以校正，该伪影会将表观差距夸大约一个数量级[1]。与相邻卫星工作中已发表基准的验证——其中28 GHz下ITU-R P.676大气衰减与表列值在5%以内吻合，P.838降雨衰减在3%以内吻合——表明基于ITU的吸收建模可以对照独立参考进行验证[4]。仍未解决的问题是，载波分辨的偏差模式以及遗憾与位移的解耦，是否能够推广到多无人机场景、真实用户分布，以及将解析模型用作先验、将光线追踪用作高保真预言机的可微微调[1]。

关于这些来源

本研究页面基于8项研究（7篇同行评审、1篇预印本）——发表于2018年至2026年间，其中5篇发表于2024年或之后，合计被引用624次——这些研究是从通过质量筛选的10项研究中选出的最相关研究，而这10项研究又是从超过5亿篇文献的数据库中检索到的67篇论文中筛选而来。

本文引用的文献