AWDT 用智能手机实测数据把射线追踪 RSRP 预测 MAE 从 11.46 dB 降到 5.25 dB
核心概要
本文提出 Agentic WDT（AWDT）端到端智能体框架，用易获取的环境信息和商用智能手机可获得的测量数据自主构建与校准无线数字孪生，其中 EnvAgent 构建传播环境、OpAgent 推断基站与扇区配置、MatAgent 校准无线电材料属性，三个智能体依据 LTE/NR 参考信号接收功率（RSRP）实测值与射线追踪预测值之间的差异迭代精化孪生；真实世界实验显示 RSRP 预测 MAE 从 11.46 dB 降至 5.25 dB，独立测量系统评估进一步显示经轻量级设备特定偏置适配后具备跨设备可迁移性。
Fig. 1: A multi-agent framework for AWDT.
arXiv深度剖析
AWDT 将无线数字孪生构建与校准组织为三个分工智能体：EnvAgent 构建传播环境，OpAgent 推断基站与扇区配置，MatAgent 校准无线电材料属性。 以往构建高保真无线数字孪生通常需要大量人工整合异构信息并推断未知传播相关参数，本文把这一流程改为端到端智能体自主执行。 摘要层面给出框架组成与各智能体职责，属于方法设计描述，未提供各智能体的消融或单独性能数据。
三个智能体利用 LTE/NR RSRP 实测值与射线追踪预测值之间的差异迭代精化无线数字孪生。 把实测与仿真的残差作为闭环反馈信号驱动孪生校准，而非一次性人工参数设定。 摘要说明迭代精化机制及其所用测量类型，未给出迭代次数、收敛条件或数据规模。
真实世界实验中，AWDT 将 RSRP 预测 MAE 从 11.46 dB 降至 5.25 dB。 以具体误差指标量化了射线追踪保真度的提升幅度。 摘要报告了真实世界实验的前后 MAE 数值，但未说明测量点数量、场景数量或统计不确定性。
使用独立测量系统的评估显示，经轻量级设备特定偏置适配后具备跨设备可迁移性。 表明框架不局限于构建时所用设备，可通过轻量适配迁移到其他测量设备。 摘要给出独立测量系统评估与轻量偏置适配的结论，未提供迁移误差数值或适配所需数据量。
启示与展望
该工作面向无线数字孪生的构建与校准环节，适用于能够获取环境信息并采集 LTE/NR RSRP 测量的场景，测量来源为商用智能手机。其价值在于以有限先验知识实现可扩展的孪生构建与校准，并支持在更换测量设备时通过轻量级设备特定偏置适配迁移。对希望减少人工整合异构信息与推断传播参数成本的网络规划、仿真评估与 AI 原生无线接入网研发人员，这一框架提供了可复用的流程范式。
摘要未说明实验的测量点数量、场景数量与地理范围，也未给出迭代次数、收敛判据与计算开销，因此 MAE 改善的稳健性尚待正文确认。跨设备可迁移性以轻量级设备特定偏置适配实现，但适配所需的数据量与迁移后的误差水平未在摘要中量化。此外，摘要未讨论不同频段、不同传播环境或不同基站配置下框架表现是否一致，这些属于后续可关注的方向。由于本次仅基于摘要，图表与实验细节未能纳入，上述数值与结论的适用范围应以正文为准。