Ein tiefes Lernnetz mit zweigleisiger Aufmerksamkeitsarchitektur zur Multipfadklassifikation von Millimeterwellen-Signalen in intelligenten Verkehrssystemen

Warum Straßensignale verwirrt werden können

Da Autos, Busse und Lkw immer intelligenter und stärker vernetzt werden, verlassen sie sich auf hochfrequente Funksignale, um miteinander und mit der Straßeninfrastruktur zu kommunizieren. In realen Straßen, die von Gebäuden, Bäumen und anderen Fahrzeugen gesäumt sind, werden diese Signale jedoch vielfach reflektiert, wodurch zahlreiche Echos entstehen, die Bordsysteme irritieren können. Dieses Papier stellt eine neue Methode vor, mit der Rechner lernen, nützliche Signalpfade von störenden Echos zu trennen, damit zukünftige intelligente Verkehrssysteme auch in dicht bebauten Stadt- und Autobahnumgebungen zuverlässig bleiben.

Das Problem der Signal-Echos auf der Straße

Wenn ein Funksignal zwischen einer Straßenbasisstation und einem fahrenden Fahrzeug übermittelt wird, nimmt es selten nur einen geraden Weg. Stattdessen wird es an Gebäuden, Autos und der Straßenoberfläche reflektiert, gestreut und gebeugt, wodurch viele verzögerte Kopien entstehen, die als Multipfadkomponenten bezeichnet werden. Ein direkter Sichtverbindungspfad und die ersten Reflexionen sind meist hilfreich, aber höherstufige Echos treffen verspätet, aus ungünstigen Winkeln und mit verfälschtem Pegel ein. Diese unerwünschten Echos können Zeit- und Richtungsbestimmungen verwischen, Fehler erhöhen und Aufgaben wie präzise Positionsbestimmung, autonome Navigation, Parkassistenz und Verkehrsüberwachung stören. Traditionelle mathematische Verfahren zur Klassifikation und Filterung solcher Pfade haben in dynamischen Umgebungen Schwierigkeiten, benötigen aufwändige Kalibrierung und erreichen oft nur rund 90 % Genauigkeit – zu wenig für sicherheitskritische Systeme.

Ein Netzwerk darauf trainieren, unordentliche Straßensignale zu lesen

Um dieses Problem anzugehen, schlagen die Autoren ein neues Deep‑Learning‑Modell namens MOVENetx64 vor, das speziell für eindimensionale Zeitreihendaten moderner Funkkanäle entwickelt wurde. Anstatt sich auf manuell bereinigte oder stark vorverarbeitete Eingaben zu stützen, verarbeitet MOVENetx64 rohe Informationen darüber, wann jeder Pfad ankommt, wie stark er ist, aus welchen Richtungen er kommt und welche Phase er hat. Innerhalb des Modells extrahieren Schichten von Faltungsfiltern zunächst lokale Muster, und anschließend verfolgen Long‑Short‑Term‑Memory‑Einheiten, wie sich diese Muster im Zeitverlauf entwickeln. Diese Kombination erfasst sowohl die unmittelbare als auch die sequenzielle Struktur, die im Wirrwarr der Echos verborgen liegt.

Ein Doppelaufmerksamkeitsmechanismus für schwierige Echos

Der charakteristischste Teil von MOVENetx64 ist ein neuer "Dual Limb Attention"‑Block. Einfach ausgedrückt betrachtet dieses Modul die Kanal­daten durch zwei parallele Blickwinkel. Es teilt die internen Signale in zwei Teile, verarbeitet jeden auf seinem eigenen Zweig und wendet dann einen Aufmerksamkeitsmechanismus an, der lernt, welche Anteile jedes Zweigs für die Entscheidung, ob ein Pfad nützlich oder schädlich ist, am wichtigsten sind. Indem wichtige Merkmale stärker gewichtet und Störsignale unterdrückt werden, hilft die doppelte Aufmerksamkeitsstruktur dem Netzwerk, subtile Unterschiede zwischen erwünschten Erstordnungs­pfaden und verwirrenden höherstufigen Echos zu erkennen, selbst wenn diese zeitlich oder richtungsbezogen überlappen.

Training auf realistischen virtuellen Straßen

Um den Ansatz zu testen, erzeugten die Forscher große, realitätsnahe Datensätze mit Hilfe eines Ray‑Tracing‑Simulators für drei Fahrumgebungen: dichte Innenstadtstraßen, gemischte Vorstadtgebiete und Autobahnen mit fließendem Verkehr. Für jede Einstellung extrahierten sie Zeit-, Leistungs-, Winkel- und Phasenmerkmale für jeden Signalpfad und gruppierten diese in zwei Klassen: direkte plus Erstordnungs‑Pfadkomponenten und höherstufige Multipfade. Eine zentrale Herausforderung war, dass störende Echos deutlich häufiger vorkamen als saubere Pfade, was das Standardtraining fehlleiten kann. Um dem entgegenzuwirken, entwickelten die Autoren eine "alternierende Verlustfunktion"‑Strategie, die zwischen zwei unterschiedlichen Trainingszielen wechselt – eines, das besser mit Klassenungleichgewicht umgeht, und eines, das die Gesamtgenauigkeit fördert – sobald der Fortschritt ins Stocken gerät. Das hilft dem Netzwerk, sowohl seltene als auch häufige Fälle gut zu lernen.

Wie gut funktioniert die neue Methode?

In allen drei Straßentypen erzielte MOVENetx64 sehr hohe Klassifikationsgenauigkeiten, über 98 % in vorstädtischen Umgebungen und über 96 % selbst auf Autobahnen, wobei der Fehler bei der Vorhersage höherstufiger Echos zwischen nur 0,17–2,28 % lag. Es übertraf durchgehend eine breite Palette gängiger Deep‑Learning‑Modelle, von klassischen Faltungsnetzwerken bis zu fortgeschrittenen Residual‑Netzen und bidirektionalen Rekurrenten sowie frühere Multipfadklassifizierer aus der Literatur. Wichtig ist, dass es dies mit einer vergleichsweise moderaten Anzahl an Parametern und ohne teure Vorverarbeitungsschritte wie die Rekonstruktion detaillierter Kanalimpulsantworten oder komplexe Transformationen erreichte.

Was das für zukünftigen intelligenten Verkehr bedeutet

Für Nicht‑Experten lässt sich die Quintessenz einfach zusammenfassen: MOVENetx64 ist eine spezialisierte "Filter‑Intelligenz", die lernt, gute Signalpfade von schädlichen Echos in stark beladenen Funkumgebungen zu unterscheiden. Durch die direkte Arbeit an Rohdaten und den Umgang mit stark unausgeglichenen Verhältnissen kann es künftigen Vehicle‑to‑Infrastructure‑Systemen helfen, auch in überfüllten Städten stabile und zuverlässige Verbindungen zu erhalten. Eine bessere Trennung nützlicher Pfade von Störungen führt zu genaueren Ortungsangaben, weniger Kommunikationsausfällen und verlässlicherer Unterstützung für autonomes Fahren und andere fortgeschrittene Verkehrsdienste.

Zitation: Menon, A.G., Krishnan, P., Lal, S. et al. A dual limb attention based deep learning network for multipath classification of millimetre wave signals in intelligent transportation system. Sci Rep 16, 12266 (2026). https://doi.org/10.1038/s41598-026-39131-0

Schlüsselwörter: intelligente Verkehrssysteme, Millimeterwellen-Kommunikation, Multipfad-Echos, Deep Learning, Fahrzeuglokalisierung