Двухветвная модель глубокого обучения с механизмом внимания для классификации многолучевых сигналов миллиметрового диапазона в интеллектуальных транспортных системах

Почему дорожные сигналы могут запутываться

По мере того как автомобили, автобусы и грузовики становятся умнее и более взаимосвязаны, они полагаются на высокочастотные беспроводные сигналы для обмена данными между собой и с наземным оборудованием. Однако на реальных улицах, заполненных зданиями, деревьями и другими транспортными средствами, эти сигналы отражаются, создавая многочисленные эхо, которые могут дезориентировать бортовые системы. В этой статье предложен новый подход, позволяющий обучить вычислительные модели отделять полезные траектории распространения сигнала от вредных отражений, что помогает будущим интеллектуальным транспортным системам оставаться надежными даже в загруженной городской и трассовой среде.

Проблема сигналов-эхо на дороге

Когда беспроводной сигнал распространяется между приёмной вышкой у дороги и движущимся автомобилем, он редко проходит только по прямой. Вместо этого он отражается, рассеивается и дифрагирует на зданиях, машинах и поверхности дороги, формируя множество задержанных копий, называемых многолучевыми компонентами. Прямой путь с видимостью и первые несколько отражений обычно полезны, но более высоко‑порядковые эхо приходят позже, под необычными углами и с искажённой мощностью. Эти нежелательные отражения размывают оценки времени и направления, увеличивают ошибки и нарушают задачи вроде точного позиционирования, автономной навигации, помощи при парковке и мониторинга трафика. Традиционные математические методы, пытающиеся классифицировать и фильтровать такие пути, испытывают трудности в быстро меняющейся обстановке, требуют значительной калибровки и часто достигают примерно 90% точности — что недостаточно для систем, критичных к безопасности.

Обучение сети распознавать запутанные дорожные сигналы

Чтобы справиться с этой задачей, авторы предлагают новую модель глубокого обучения под названием MOVENetx64, специально разработанную для одномерных временных рядов, формируемых современными беспроводными каналами. Вместо того чтобы полагаться на вручную очищенные или сильно обработанные входные данные, MOVENetx64 потребляет «сырую» информацию о времени прихода каждого пути, его мощности, направлениях прихода и фазе. Внутри модели стеки сверточных слоев сначала извлекают локальные паттерны, а затем блоки долгой краткосрочной памяти (LSTM) отслеживают эволюцию этих паттернов во времени. Такое сочетание улавливает как мгновенную, так и последовательную структуру, скрытую в смеси эхо.

Двухфокусный механизм для сложных эхо

Наиболее отличительная часть MOVENetx64 — новый блок «двухветвного внимания». Проще говоря, этот модуль рассматривает данные канала через два параллельных «взгляда». Он делит внутренние сигналы на две части, обрабатывает каждую в собственной ветви, а затем применяет механизм внимания, который обучается определять, какие элементы каждой ветви наиболее важны для решения о том, является ли путь полезным или вредным. За счёт взвешивания значимых признаков и подавления шума двухветвное внимание помогает сети сфокусироваться на тонких различиях между желательными первоочередными путями и вводящими в заблуждение высоко‑порядковыми эхо, даже когда они перекрываются по времени или направлению.

Обучение на реалистичных виртуальных дорогах

Для проверки подхода исследователи сгенерировали большие реалистичные наборы данных с помощью трассировщика лучей для трёх типов дорожной обстановки: густонаселённые городские улицы, смешанные пригородные зоны и магистрали с движущимся транспортом. Для каждой обстановки они извлекли временные, мощностные, угловые и фазовые признаки для каждого сигнального пути и разделили их на два класса: прямой плюс первоочередные пути и высоко‑порядковые многолучевые отражения. Ключевая проблема заключалась в том, что вредные эхо были гораздо более распространены, чем «чистые» пути, что могло смещать стандартное обучение. Чтобы решить это, авторы разработали стратегию «чередующейся функции потерь», которая переключается между двумя целевыми функциями обучения — одной лучше справляющейся с дисбалансом, другой — с общей точностью — когда прогресс затруднён, помогая сети одновременно обучаться редким и частым случаям.

Насколько хорошо работает новый метод?

Во всех трёх типах дорог MOVENetx64 показала очень высокую точность классификации: выше 98% в пригородной среде и выше 96% даже на шоссе, при этом ошибка в прогнозировании высоко‑порядковых эхо составила всего 0,17–2,28%. Она последовательно превосходила широкий набор популярных моделей глубокого обучения — от классических сверточных сетей до продвинутых остаточных сетей и двунаправленных рекуррентных моделей — а также ранее предложенных классификаторов многолучевых сигналов из литературы. Важно, что это достижалось при относительно умеренном числе параметров и без необходимости дорогостоящих этапов предобработки, таких как восстановление детальных импульсных характеристик канала или применение сложных преобразований.

Что это значит для будущего умного транспорта

Для не‑экспертов вывод прост: MOVENetx64 — это специализированный «фильтрующий мозг», который учится отличать хорошие сигнальные пути от вредных эхо в насыщенной беспроводной среде. Работая напрямую с сырыми данными и эффективно справляясь с сильным дисбалансом классов, он может помочь будущим системам «транспорт‑к‑инфраструктуре» поддерживать прочные и надёжные связи даже в многолюдных городах. Лучше отделённые полезные пути от помех означают более точные оценки положения, меньше разрывов связи и более надёжную поддержку автономного управления и других продвинутых транспортных сервисов.

Цитирование: 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

Ключевые слова: интеллектуальные транспортные системы, миллиметровая связь, многолучевые эхо, глубокое обучение, позиционирование транспортных средств