室内无线电点的设计和部署通常是耗时且费力的过程。现在，来自爱立信全球人工智慧加速器(GAIA)的一组科学家正在提出一种利用人工智能和机器学习的力量进行无线电设计的新方法。在这里发现更多。

室内无线连接变得越来越重要。有关蜂窝网络使用情况的最新研究表明，在美国，室内流量占用了87%的使用时间，并产生了全球移动数据流量的70%。自2014年以来，爱立信提供了一种室内解决方案，称为爱立信无线电点系统(RDS)。RDS易于安装且覆盖范围广，适用于大型室内区域，例如办公室，体育馆，购物中心和大学。这与我们部署室外宏小区系统的方式非常相似，并且可以灵活地重新配置设置以满足不同的网络覆盖要求。

在新建筑物内部署RDS需要现场勘测和初始点布局设计，这通常是相当耗时且昂贵的过程。需要进行现场调查以找出地板的最佳无线点数量和布局，以实现最佳部署和性能。

现场调查包括以下几个步骤：首先，我们需要确定所有墙段的墙类型(混凝土，玻璃，金属等)。然后，我们需要测量宏小区干扰(附近室外宏基站发送的信号)，以计算它们对室内位置的干扰。一旦我们完成了所有调查，经验丰富的无线电设计师就会通过设计，评估和重申由射频(RF)计划软件生成的信号传播热图来确定最佳的无线电点位置，以最大程度地提高每个楼层的覆盖效率。下图显示了从给定的原始平面图到其RDS部署的典型设计过程。建筑物房东提供目标建筑物的原始平面图后，工程师被送到建筑物进行现场调查，以用不同的颜色标记墙壁类型。然后，RF设计人员在检查其模拟的参考信号接收功率(RSRP)级别的模拟热图时，手动放置无线电点，这是从无线电点测量的一种接收功率。请注意，在热图中，较暗的像素表示更强的RSRP。整个设计过程不仅成本高昂，而且冗长乏味，一栋大型建筑要花数十天才能完成。由于这些因素，当前的RDS部署方法无法扩展，并且限制了室内RDS业务。像素越暗表示RSRP越强。整个设计过程不仅成本高昂，而且冗长乏味，一栋大型建筑要花数十天才能完成。由于这些因素，当前的RDS部署方法无法扩展，并且限制了室内RDS业务。像素越暗表示RSRP越强。整个设计过程不仅成本高昂，而且冗长乏味，一栋大型建筑要花数十天才能完成。由于这些因素，当前的RDS部署方法无法扩展，并且限制了室内RDS业务。

DA-cGAN：无线电设计的生成对抗网络

为了解决当前RDS部署过程中的效率低下问题，我们提出了一种基于机器学习的解决方案，该解决方案使用生成对抗网络(GAN)将设计过程公式化为图像到图像的转换问题。具体来说，我们提出了一种尺寸感知条件GAN(DA-cGAN)，以根据给定的平面图生​​成最佳点布局的热图。GAN以生成人工图像的能力而闻名。GAN由两个深层神经网络组成：例如，生成器和鉴别器。它们中的两个相互竞争并互相学习，最终生成器可以生成伪造的图像，该伪造的图像无法通过鉴别器和希望的人眼识别出来。使用GAN的一些有趣的应用包括从其素描图像中着色卡通人物，

在各种应用中，选择着色作为起点，因为它与我们的问题最相关。给定布局图草图的着色不仅需要保留其边框形状，而且还需要学习其内部结构以生成所需的信号热图，因为布局图的结构与其最佳点布局及其生成的热图高度相关。例如，混凝土墙比干墙具有更高的信号衰减，因此，围绕混凝土墙的无线电信号强度会迅速下降数十倍。为了解决我们的图像翻译问题，我们采用了条件GAN(cGAN)，它可以学习从输入图像和随机噪声到对应输出图像的映射。但是，我们遵循cGAN中的约定在架构中丢弃了随机噪声，