多径无线传播基础模型MultiPathFormer

MultiPathFormer是面向多径无线传播的AI基础模型，将每条收发链路表示为连续路径token序列，通过下一路径预测进行预训练。其采用环境RAG机制和首路径码本，在27个环境中预训练后可迁移到新用户，微调后性能优于从头训练。在下游任务中，定位误差5.57米，波束预测精度0.914等。

此前无线基础模型通常忽略物理传播特性，仅基于信道张量进行掩码重建。MultiPathFormer首次以多径传播作为预训练对象，利用环境知识显著提升路径统计估计精度（达59%），并在多个下游任务中超越现有信道级模型，展示路径级预训练的优势。

通过将链路表示为有序的路径token序列，采用自回归式下一路径预测，模型学习传播的物理规律。环境RAG机制检索环境信息，首路径码本提供初始路径参考，共同改进路径延迟和功率估计。迁移学习使模型能适应新场景。

该技术可提升无线通信中信道估计、波束预测和定位的准确性，有助于开发更高效、更可靠的无线系统。产品上可减少对大量实测数据的依赖，通过预训练模型快速适配新环境，降低研发成本，并可能改善5G/6G网络的用户体验。

• 将MultiPathFormer用于基站波束管理，通过环境检索提升波束预测精度，减少训练开销。
• 基于其迁移能力，开发适用于多场景的无线感知SDK，支持快速部署于新环境。
• 集成到定位服务，利用低定位误差（5.57米）优化室内外无缝定位产品。

• 预训练模型的具体参数量与计算资源需求尚未在证据中提及。
• 模型在极端环境（如高动态、强干扰）下的表现证据不足。
• 环境RAG机制对硬件和部署环境的具体要求未说明。