97国际游戏app-面向低空网络的信道知识地图构建与应用

　　97国际-至尊品牌,源于信誉-

　　低空网络作为支撑低空经济发展的关键基础设施，其可靠通信面临复杂传播环境的严峻挑战。传统信道知识地图主要面向地面蜂窝网络，在空域及动态场景下存在显著局限性。旨在系统探讨面向低空网络的信道知识地图构建方法。首先对信道知识地图的基本概念与发展现状进行了梳理，进而聚焦低空网络在频域、空域和时域的多维特性，结合低空车联网、无人机集群干扰协调、精准定位导航及网络优化等具体应用场景，提出了分层分级的针对性信道地图构建方案，分析了各类地图的构建思路与协同机制，凸显了任务导向的地图设计原则。最后对低空网络信道知识地图在多层级体系构建与多模态数据融合等方面的未来研究方向进行了展望。

　　【关键词】信道知识地图；低空网络；多模态数据融合；信道建模；射线追踪；深度学习

　　无线通信的核心目标是在复杂的传播环境中实现可靠、高效的信息传输。CKM（Channel Knowledge Map，信道知识地图）作为空间无线环境特征的一种数字化表征，在无线通信领域的发展过程中，对网络规划、优化与运维起着关键的技术支撑作用[1–3]。然而，传统服务于蜂窝网络的信道知识地图主要面向地面用户通信场景，其信号覆盖与预测模型在空域以及密集建筑群、道路、乡村等场景存在显著局限性。随着低空经济，特别是无人机物流、城市空中交通等产业的迅猛发展，低空网络作为一种新型的关键基础设施，其规划与建设已成为推动低空经济高质量发展的全球共识与战略焦点。在这一背景下，面向低空网络下具体场景与应用需求，结合信道建模、射线追踪、深度学习及生成式AI（Artificial Intelligence，人工智能）等前沿技术，生成高精度空间信道信息，为低空通信的链路自适应、干扰协调、波束赋形等关键技术提供决策依据，是保障低空业务连续性与可靠性的基石。

　　相较于传统蜂窝网络，低空网络下信道特性受建筑物遮挡、反射以及环境动态变化的影响更为复杂，导致不同细分场景的信道特性具有显著差异。另外，各类应用的信道信息需求也各不相同，例如，路径规划中链路安全性最为重要，而无人机集群控制则需侧重干扰管理。因此，结合具体场景的信道特性与应用的通信需求，提供针对性的信道知识地图构建方案，是提升低空网络下通信质量与用户体验的关键。本文围绕低空网络中的多维度通信需求，总结了信道知识地图构建技术的发展现状，面向典型场景与应用提供了针对性的思路与解决方案，并对未来的研究方向与技术发展趋势进行了展望。

　　在无线通信网络中，信道知识地图是无线信号在空间、时间和频率等多维度传播特征的数字化表征，其核心是通过地理区域内的信号参数（如强度、延迟、多普勒效应等）分布来反映电磁环境[1]。典型的信道知识地图包括覆盖地图（Coverage Map）、功率地图（Power Map）、功率谱密度地图（Power Spectral Density Map）和信道增益地图（Channel Gain Map）等：覆盖地图通过二值函数标识信号是否达到阈值；功率地图直接提供各位置的接收功率值，功率谱密度地图提供频域的功率分布密度，信道增益地图则通过函数描述发射端与接收端之间的信道增益分布。此外，新兴研究还探索了时延-多普勒地图（Delay-Doppler Map）和三维信道知识地图，以支持OTFS（Orthogonal Time Frequency Space，正交时频空间调制）和空地一体化网络规划[4]。

　　如图1所示，在未来6G通信网络，尤其是低空网络（如无人机通信、空地一体化网络）中，信道知识地图的需求将显著复杂化。例如，对于近地面区域，建筑物遮挡效应明显，需要建立能够融合环境信息的精细化信道知识地图；对于低空空域的无人机网络，需要将传统的二维信道知识地图拓展至三维，准确表征信号在三维空间的非线性衰落和阴影衰落；对于行人、车辆密集的动态场景，则需要结合环境感知与追踪技术，构建支持实时更新的动态信道知识地图。这种场景的复杂性导致了信道知识地图特征体系的高度异构化，各类地图在核心参数、空间分辨率及适用边界上呈现出显著的差异化特征。具体而言，基础类地图（如覆盖地图、功率地图）主要表征RSS（Received Signal Strength，接收信号强度）或路径损耗，其空间分辨率通常处于十米至百米级，主要支撑广域基站选址及初步的链路预算分析。相较而言，高精度指纹地图需提取CSI（Channel State Information，信道状态信息）、ToA（Time of Arrival，到达时间）及DoA（Direction of Arrival，到达方向）等高维空间结构特征，其分辨率要求需达到米级甚至厘米级，以保障在GNSS（Global Navigation Satellite System，全球导航卫星系统）拒止环境下的定位可靠性。

　　此外，针对具体应用，单一类型的传统信道知识地图往往难以满足其精细化的通信需求，因此未来网络需依赖多类型地图的组合与协同。具体地，网络覆盖优化需同时结合覆盖地图（标识盲区）与信道增益地图（评估速率）等进行综合分析，以平衡覆盖范围与传输性能；信号源定位往往依赖于集成了RSS、CSI等多维信息的高精度指纹地图；无人集群、车联网等动态场景应用则依赖于实时三维功率地图与时延-多普勒地图，以支持实时波束成形与波束补偿。因此，面向未来低空网络中复杂多变的通信需求，结合经验模型与射线追踪、深度学习等先进技术，围绕具体任务设计适配的信道知识地图构建方法，并建立分层分级的系统化信道知识地图数据库，以保障各类新兴低空业务通信链路的可靠性与安全性，是提升未来低空网络服务体验的关键。

　　信道知识地图的构建技术并非孤立发展，而是受场景需求演进与计算算力发展双重驱动，经历了从基于数据的插值补全、经验统计建模方法，到几何驱动的射线追踪方法，向数据与模型双驱动的深度学习智能化生成的演进过程。其技术演进脉络可概括为以下三个阶段：

　　（1）经验统计驱动的传统建模阶段：早期主要面向简单城市蜂窝网络。受限于有限的计算能力与稀疏的测量手段，该阶段的核心技术为空间插值与经验统计模型。基于数据的插值补全方法不依赖环境的几何信息，其核心在于利用无线信号的空间统计相关性，通过克里金（Kriging）等空间插值算法，基于有限的稀疏测量数据推断全域信号特征[7-8]。该方法的优势在于实现简单、计算复杂度低。然而，插值方法的精度高度依赖于测量点的数量和分布密度，在测点稀疏或环境复杂的场景下，重构精度十分有限。基于模型的传统建模方法依托电磁传播理论或实测拟合的经验公式（如自由空间传播模型及3GPP TR系列模型等[7]）进行预测。此类方法无需大量实地测量即可快速生成覆盖结果。然而，其本质是基于特定场景（如城市、郊区）的简单统计回归，且难以刻画建筑物、地形等因素的具体影响，难以适应复杂场景的高精度需求。

　　（2）几何驱动的RT（Ray Tracing，射线追踪）构建阶段：随着城市复杂程度增加及GIS数据的普及，射线追踪技术成为主流。此类方法基于几何光学原理和一致性衍射理论，通过模拟电磁波在空间中的传播路径（包括直射、反射、散射等）来计算接收点的信号特征，在三维地图支撑下能准确复现复杂环境的信道特性。文献[8]聚焦于6G太赫兹通信，利用射线追踪方法实现了对太赫兹信道关键特征的精确描述，如信道稀疏性、近场传播和空间非平稳性等。然而，该方法计算复杂度随环境精度呈指数级增长，且高度依赖环境几何精度，难以实时跟踪低空动态环境变化，限制了其在大规模区域或实时应用中的部署。

　　（3）DL（Deep Learning，深度学习）驱动的数模融合阶段：面向低空网络中无人机高速移动、多维异构参数等挑战，随着计算算力的提高以及深度学习的发展与广泛应用，深度学习驱动的数模融合方案应运而生。通过利用大量仿真或实测数据训练神经网络模型，深度学习方法能够学习复杂的信道传播规律，实现对未知位置信号特征的精确预测。相较于传统方法，深度学习模型在融合多模态环境信息（如地理数据等）方面具有突出优势，突破了传统经验模型依赖经验参数的局限性，具备较强的跨场景泛化能力。例如，文献[9]提出的RadioUNet架构将信道知识地图构建转化为图像生成问题，利用U-Net网络建立物理环境与路径损耗之间的非线性映射，在保证质量的同时显著提升了构建速度。生成式AI技术的发展进一步拓展了信道知识地图构建的能力边界，例如扩散模型（Diffusion Model）、VAE（Variational Autoencoder，变分自编码器）、GAN（Generative Adversarial Network，生成对抗网络）等技术能够生成高分辨率、多模态的信道知识地图。其中，文献[10]提出了基于GAN的协同信道知识地图估计框架，无需基站先验信息即可实现快速且鲁棒的信道知识地图估计。文献[11]通过理论分析揭示了信道知识地图构建的生成性本质，并提出了RadioDiff的新模型，在准确性与SSIM（Structural Similarity，结构相似度）等指标上实现了突破。

　　尽管深度学习方法在信道知识地图构建中展现出显著潜力，但在实际部署时仍面临三大挑战：首先是训练数据的获取问题。在缺乏对应特定场景训练数据的情况下，AI模型的训练与微调难以进行，其输出的稳定性与可靠性面临根本性挑战。其次是模型训练的稳定性与场景适配性问题。不同网络架构对特定物理场景的适配性存在显著差异，且训练过程对超参数设置及优化策略高度敏感，目前尚缺乏稳定的模型设计准则。最后是高维异构参数的统一表征难题。现阶段难以构建一个通用的基础模型同时处理高度异构的网络配置与环境输入，包括多变的地理环境、多样的天线配置以及差异化的频段设置。相比之下，尽管射线追踪、经验模型等方法在精度与计算效率上不具优势，但其原理明确、不依赖大量标注数据，因此在数据稀缺或对精度无迫切需求的场景中，依然展现出较高的技术适配性与工程价值。因此，围绕任务具体需求，智能组合各类方法以充分发挥其潜力，是当前信道地图构建方案设计的主要思路。

　　综上所述，不同阶段的信道知识地图构建方法在计算效率、预测精度及数据需求等方面存在显著的性能折中。为了更直观地展示各技术路径的优劣势，表1从多个维度对上述三类主流构建方法进行了对比评估。

　　如上文所述，未来低空网络中信号的传播特性趋于复杂化，各类应用的通信需求也日益精细化，使得单一的传统信道知识地图难以满足具体场景与应用的需求。为应对上述挑战，下文聚焦于低空网络中的多个代表性场景与应用，对其通信需求与适配的信道知识地图类型进行了深入剖析，并提供了潜在的信道知识地图构建方案，如表2所示。

　　无线信号的所属频段决定了其物理传播特性，是信道知识地图构建的基础。随着低空网络从传统Sub-6 GHz频段向毫米波（mmWave）乃至太赫兹（THz）频段演进，其信道特征发生了本质性变化。因此，针对不同频段的物理特性，必须采用差异化的建模精度与构建方法，以实现计算效率与预测准确度的平衡。此外，单一频段数据往往难以满足日益复杂的任务需求（如高精度定位跟踪等），因此亟需构建多频段协同的信道知识地图体系，通过跨频段特征融合与交叉验证，实现对低空环境更精准全面的感知。

　　在Sub-6 GHz频段，电磁波具备较强的绕射能力，可有效覆盖建筑物后方的阴影区域。该频段信道特征主要表现为大尺度路径损耗与慢衰落，且空间相关性强，信号变化相对平缓[25]。因此，该频段信道知识地图构建的核心目标在于提供广域连续覆盖预测，重点刻画大尺度衰落趋势及建筑物阴影衰落。在构建方法上，基于信号的空间平滑性，插值统计模型（如克里金插值及其变体）成为低成本获取全域覆盖图的经典方案[26]。此外，经验传播模型结合高度依赖的路径损耗指数校准也被广泛应用于资源受限场景[12]。

　　随着低空网络中无人机数量激增，无人机间通信对传输速率和延迟提出了更高要求，传统Sub-6GHz频段已难以满足需求[27]。同时，通感一体化的发展推动低空网络基站向毫米波甚至太赫兹频段演进，并配置更大规模天线]。在毫米波及以上频段，电磁波呈现出显著的准光学特性，绕射能力急剧减弱，对建筑物或机身的阻挡极为敏感。这要求信道知识地图必须具备深度的几何感知能力，不仅需要精确区分LoS（Line-of-Sight，视距）与NLoS（Non-Line-of-Sight，非视距）区域，以应对两者间可能高达20～30 dB的阻挡损耗差异；同时，为支持波束赋形等相关技术，地图还需包含AoA（Angle of Arrival，到达角）与AoD（Angle of Departure，出发角）等高维空间信息。针对这一挑战，基于高精度三维城市模型的确定性射线追踪被视为获取高保真地图的有效手段，但其计算复杂度随环境几何元素呈指数级增长[8]。为突破实时性瓶颈，当前研究正转向AI辅助的伪射线追踪（Pseudo Ray Tracing）技术，利用U-Net或GAN等深度神经网络学习环境几何与信号传播的隐式映射，在保持接近RT精度的同时大幅提升推理速度[13]。

　　低空空域在垂直维度上呈现出极强的环境异构性，信道知识地图的构建必须适应这种显著的高度依赖性，充分考虑底层复杂多径环境与高空视距传播环境下信道特征的异构性，实现信道知识地图分层构建。本文根据文献[7]和文献[29]中关于空中通信场景与空域管制的划分建议，结合无线信号传播特征的变化规律，将低空空域划分为以下三个层级：

　　在城市中高层及郊区低空空域（120～300 m），无人机的视野趋于开阔，LoS传播概率显著增加，但远距离处仍可能受高大建筑物或地形遮挡，且地面反射（二径模型）开始成为主导多径分量。针对这一混合场景，ITU-R P.1410等经验模型被广泛使用，基于城市建筑物的统计分布（如平均高度、密度）计算LoS概率，进而对LoS和NLoS条件下的路径损耗进行加权融合。同时，鉴于障碍物数量相对减少，可采用简化的射线追踪算法，仅考虑直射和一次反射路径，在保证精度的同时大幅降低计算复杂度，实现高效的覆盖预测。

　　在高空及广域空域（300 m以上），具体的建筑物不再是主要影响因素，传播环境主要受地球曲率、自由空间损耗及大气衰减控制。该层级的构建方法主要依赖解析传播模型，即在自由空间模型基础上叠加大气水汽吸收（如ITU-R P.676）及雨衰（如ITU-R P.838）等模型，从而获得较高的预测精度[12]。然而，该高度层面临来自多个地面基站的同频干扰问题。因此，构建重点在于生成广域的干扰信道知识地图，通过聚合地面基站的辐射方向图数据，计算高空各点的聚合干扰功率，为高空干扰协调与波束规避提供关键输入[16]。

　　信道知识地图的有效性高度依赖于其与物理环境的时域同步性，根据环境演进的时间尺度差异，需构建不同的地图更新与维护机制。针对校园、医院园区等长期稳定的静态场景，建筑物布局与地形地貌相对固定，无线信道特征主要表现为统计平稳性。对此，构建策略侧重于高精度的离线建模与周期性校正，即利用高分辨率的三维 GIS数据与高保真射线追踪生成基础数据库，精确刻画平均路径损耗与静态阴影衰落分布；随后，利用实测数据对模型进行微调校准，或者通过深度学习训练强泛化性的生成模型，从而构建高精度静态统计地图。

　　尽管基于深度学习的构建方法在预测精度和实时性上具备显著优势，但低空网络终端（如无人机、巡检机器人等）通常受限于边缘设备的算力瓶颈与能耗约束，难以直接运行高参数量的深度学习模型，尤其是生成式大模型。鉴于此，实现动态信道知识地图实时应用的关键在于模型的轻量化设计与边缘侧部署优化。一方面，需研究针对信道传播特征定制的模型压缩技术，利用参数剪枝、量化以及知识蒸馏等手段，在尽量不损失精度的前提下，显著降低推理时延与存储开销[31]。另一方面，应构建云-边-端的协同计算架构，利用联邦学习、分割学习（Split Learning）等分布式训练推理架构，将计算密集型的模型训练及全局增量更新任务卸载至基站侧MEC（Mobile Edge Computing，边缘计算）节点，而终端仅负责轻量级的局部特征提取与实时预测结果获取[32]。通过算法优化与架构支撑的深度融合，确保基于深度学习的信道知识地图构建技术在资源受限环境下的工程可行性。

　　在V2X场景中，无人机常作为灵活的空中基站或中继节点，协助地面车辆突破视距限制，实现超视距协同通信。然而，自动驾驶协同感知及远程驾驶等业务对通信链路提出了URLLC（Ultra-Reliable and Low-Latency Communications，超可靠低时延）的严苛要求，传统仅表征RSS的信道知识地图难以支撑此类业务需求。因此，构建可靠性地图（Reliability Map）与时延地图（Latency Map）成为该场景下的核心任务。这两类地图旨在精准预测在特定时空坐标下通信链路满足特定PER（Packet Error Rate，误包率）及传输时延阈值的概率分布，从而为V2X业务提供QoS（Quality of Service，服务质量）保障。

　　针对V2X场景的高动态特性，信道地图构建方法需深度融合物理运动规律与实测数据。建立时空预测模型是当前研究的主流路径，其核心在于结合车辆运动学模型（如卡尔曼滤波或粒子滤波进行的轨迹推演等）与处理时序数据的深度学习模型（如LSTM（Long Short-Term Memory，长短期记忆网络）或Transformer等）。通过利用历史CSI序列训练深度神经网络，该方法能够挖掘“车辆位置-运动状态-信道质量”之间的深层时空依赖关系，实现对车辆未来轨迹上信道可靠性与时延分布的前瞻性预测[19]。此外，为了解决高速移动场景下的模型快速迭代与隐私保护问题，文献[20]提出了基于注意力机制的联邦学习框架。该机制赋予处于高动态环境、信道剧变区域或关键交通路口的用户更高的模型更新权重，显著提高了局部剧变区域的训练收敛速度，有效降低了预测偏差与更新时延，确保地图在车流高速变化下的实时可用性与鲁棒性。

　　无人机集群协同作业或密集编队飞行涉及高频次的无人机间通信及与地面基站的测控数据传输，这种高密度的节点分布与频谱复用极易形成复杂的电磁干扰环境。集群内部的同频自干扰以及来自地面蜂窝网络的上行干扰往往成为限制通信性能的瓶颈。因此，该场景下的核心需求为SINR（Signal to Interference plus Noise Ratio，信干噪比）地图或三维干扰场的构建。此类地图不仅需要精确反映有用信号的强度分布，同时也需量化空间中异构干扰源的功率水平及相邻集群的互干扰拓扑，为动态频谱接入、干扰规避及功率控制提供关键决策依据。

　　考虑到集群感知数据稀疏且分布不均，协同频谱感知与张量补全成为构建干扰地图的有效手段。该类方法将集群内的无人机视为移动的分布式感知节点，协同采集局部的频谱占用数据，继而利用低秩张量补全（Low-Rank Tensor Completion）技术挖掘干扰场的时空相关性，基于有限的离散采样点重构出完整的连续三维干扰场[21]，能够在降低单机感知与通信开销，为集群提供全局一致的干扰态势感知。在应用决策方面，基于信道知识地图的图论建模为干扰协调提供了数学框架。通过将集群内的干扰关系抽象为拓扑图，可利用图着色或图匹配算法进行信道与功率资源的联合优化分配[22]。借助此类预测性的SINR地图，集群控制系统可从反应式抗干扰转向前瞻性干扰规避，实现通信与控制的深层协同[33]。

　　在GNSS拒止环境（如室内空间、城市峡谷或强干扰区域等）中，基于信道知识地图的指纹定位技术是保障无人机导航安全及非法信号源定位与搜索的关键手段。然而，传统基于RSS的标量指纹极易受多径效应扰动，导致定位漂移。因此，该场景下的核心需求是构建包含CSI、ToA及DoA等多维度特征的高精度指纹地图。这些高维特征能够精细刻画多径信道的空间结构，从而显著提升定位系统在NLoS环境下的抗干扰能力与空间分辨率。

　　针对高维指纹数据处理与特征提取的难题，深度学习驱动的指纹提取技术已成为主流构建方法。利用CNN（Generative Adversarial Network，卷积神经网络）或自编码器（Autoencoder）处理复杂的CSI数据，能够提取对环境噪声具有强鲁棒性的深层位置特征，建立信道特征与物理位置之间的非线性映射关系。相较于人工设计的统计特征，深度学习模型（如DeepFi及其衍生算法）能够有效解耦多径效应导致的时变扰动，即使在动态环境中也能维持较高的指纹匹配准确率[23]。此外，为了克服单一模态特征在信号盲区的局限性，多源异构特征融合成为提升定位连续性的必然趋势。通过耦合无线电指纹地图与视觉SLAM（Simultaneous Localization and Mapping，同步定位与地图构建）或INS（Inertial Navigation System，惯性导航系统）数据，可以实现多传感器间的误差互补，有效消除定位盲区。例如，文献[24]引入了生成对抗网络（GAN）以增强数据完备性，通过生成伪指纹数据填补实测空白，并结合惯性导航系统的短时推演能力，有效解决了室内外过渡区等弱信号环境下的定位漂移问题，保障了无人机全场景导航的可靠性。

　　在低空网络的实际部署与运维中，路径规划与网络优化是两个紧密耦合的关键环节。前者依赖信道知识地图提供包含物理避障与通信可靠性约束的环境代价分析，后者则需基于地图进行基站选址与参数配置。这一过程面临着多目标约束与计算效率的双重挑战，需要构建包含物理障碍、信号覆盖、干扰水平等多维信息的组合式信道知识地图。同时，由于路径规划与网络优化通常涉及高维解空间的搜索与海量迭代评估，因此对信道知识地图生成的实时性与计算效率具有极高要求。

　　考虑到该类应用对于精确度与实时性的双重需求，目前研究主要集中于基于深度学习和生成式AI方法。作为该方向的前沿探索，RadioUNet和RadioDiff-3D等算法能够在仅掌握部分环境结构与稀疏观测先验的情况下，生成包含障碍物信息与信号电磁传播特征的高精度信道知识地图，为路径规划提供了充足准确的基础数据[9–11]。然而，更深层的挑战在于针对多类优化目标，提供能够直接支撑具体优化任务决策的信道知识地图及其应用范式。现有研究大多聚焦于单目标的信道知识地图获取，存在缺乏系统化支撑多目标分析与网络优化任务决策的局限。为应对上述挑战，结合当前深度学习类方法，构建多层级信道知识地图，系统化支撑多小区、多天线网络中的基站部署与用户体验优化，是有效的解决方案。以多基站位置部署优化问题为例，可首先构建对应各基站的功率地图与SINR地图作为中间特征，刻画小区间干扰水平，同时结合用户密度分布信息，构建用户平均通信质量地图，刻画多小区覆盖质量，如图2所示。其中，由于需要融合干扰与用户分布信息，基于传统数值仿真方法构建用户平均通信质量地图极为耗时。而该数值过程同样可以借助深度学习技术，利用AI模型推理进行替代，大幅提升计算效率，从而支撑强化学习等在线优化方法。

　　上文研究面向低空网络时空频多维通信场景，以及高精度定位、多小区网络覆盖优化等具体应用，以实际通信需求为导向，结合射线追踪、深度学习与增量式更新等前沿技术，提出了一系列针对性的信道知识地图构建方案。随着未来低空无线网络的规模化部署与应用深化，对信道知识地图在精度、维度和实时性等方面的要求将更为严格和复杂。因此，构建分层分级的系统化信道知识地图数据库，持续完善与拓展现有信道知识地图构建技术，是该领域发展的必然趋势。

　　多层级信道知识地图生成体系构建：构建多层级信道知识地图生成体系，有助于实现从基础到专用、从广域到局部、从静态到动态的系统化分层，促进不同类型信道知识地图之间的信息对齐与高效交互。例如，空地一体化的广域覆盖地图可作为各类应用共享的基础图层，提供大尺度频谱资源分布信息，支撑粗粒度资源调度与管理。在此基础上，可进一步构建面向高动态场景的时延-多普勒地图、面向集群通信的干扰地图等专用信道知识地图等，并发展多模态信道知识地图间的信息对齐与融合方法，实现数据智能校正与协同增强，提升系统在复杂低空环境中的整体感知与通信性能。

　　多模态数据获取与融合：当前基于深度学习（UNet）与生成式AI技术（GAN、Diffusion）的构建方法，通过融合地理环境信息、信号源参数等多维数据，已在感知准确度方面展现出突出潜力[9–11]。在未来低空网络中，可利用的感知数据类型更为丰富，例如基站与移动设备端的实测信号，车辆、无人机的实时轨迹与定位、用户密度分布的变化趋势、树木植被等微扰动的变化规律等。这些异构数据与电磁波传播规律存在深刻的物理关联，其有效融合是推动信道知识地图构建向精细化、智能化发展的核心。实现多模态感知数据的获取与融合依赖于感知技术的全面进步，需结合信道建模、计算机视觉以及通信感知一体化等技术，从多个维度进行物理环境与频谱态势协同感知。另外，在数据处理层面，利用大模型在特征理解与推理方面的强大能力，设计对应各模态数据的标准化编码器与网络头进行特征提取与融合，是实现多模态数据对齐以及多类信道知识地图协同构建的有效途径。综上，通过多模态数据融合，能够有效打通“多维感知数据-高精度信道知识地图-应用体验跃升”全链路，实现更为全面、高效、可靠的信道知识地图构建。

　　地图-应用联动机制完善：切实提升无线网络的通信链路质量与终端用户体验是构建信道知识地图的最终目标。然而，传统构建方法受限于准确性与实时性，通常仅能提供大尺度、粗粒度的网络评估信息，难以与无人机通信、低空物联网等具体应用的动态精细化需求形成有效闭环，存在显著的“供需脱节”。在射线追踪与人工智能等技术的助力下，目前的信道知识地图构建技术已逐渐能够实现对低空电磁环境的高精度建模与快速更新。在此基础上，以具体通信需求为桥梁，建立信道知识地图与低空应用间的智能匹配与联动机制，是实现从频谱环境感知到应用体验提升的价值转化的关键。例如，可设计预留地图与基站参数数据接口的强化学习通用算法，使其能够支持标准化的地图与基站参数输入。同时，通过建立应用侧的性能反馈通道，可以持续分析并量化通信性能（如吞吐量、时延）与各类信道知识地图信息准确性之间的关联关系，动态优化面向特定应用的最佳地图组合方案与地图质量。

　　本文系统探讨了面向低空网络的信道知识地图构建关键技术、典型场景应用方案及未来发展趋势。针对低空网络下时空频多场景的信道特性，并结合低空车联网与无人机集群干扰协调等应用的差异化需求，提出了分层分级的信道知识地图构建体系，分析了各类地图（如可靠性地图、干扰地图、指纹地图等）的构建思路与协同机制，凸显了任务导向的地图设计原则。最后，从多层体系构建、多模态数据融合、地图-应用联动机制等方面进行了技术展望。

　　引用格式：胡泽杨,张泽中,游昌盛,等. 面向低空网络的信道知识地图构建与应用[J]. 移动通信, 2026,50(2): 26-34.

　　南方科技大学电子与电气工程系在读博士研究生，主要研究方向为无线电地图、语义通信、边缘智能等。张泽中：

　　香港中文大学（深圳）理工学院研究助理教授，主要研究方向为边缘学习、无线电地图感知、机器学习以及B5G技术包括通感一体化与大规模天线网络等。游昌盛：

　　南方科技大学电子与电气工程系副研究员、博士生导师，主要研究方向为智能反射面、超大规模阵列通信、边缘计算与边缘智能等。王锐：

　　南方科技大学电子与电气工程系副教授，主要研究方向为无线通信系统的资源调度、异构网络、大规模多天线系统等。贡毅：

　　南方科技大学电子与电气工程系教授，主要研究方向为无线通信和网络、移动边缘计算、通信感知计算一体化、基于AI的无线新技术等。返回搜狐，查看更多