AIMS用双智能体框架把自然语言部署请求转成仿真到现实的ISAC配置，在DeepSense 6G上提升车辆检测与波束预测
相关研究与后续进展
核心概要
作者提出AIMS，一个面向多模态集成感知与通信（ISAC）仿真到现实迁移的智能体AI框架：它接收指定目标任务、部署条件与真实数据预算的自然语言部署请求，推导出部署专属的仿真到现实配置并协调执行以产出部署专属任务模型，采用双智能体架构分别负责场景构建与任务学习，在真实DeepSense 6G数据集上相较所考虑的仿真与融合基线提升了车辆检测与波束预测，并在独立的编排基准上显示结构化领域知识与验证反馈提升了计划正确性。
Fig. 1: Overview of AIMS for deployment-specific sim-to-real multi-modal ISAC learning. A natural-language deployment request is organized into a shared experiment state for two-agent planning and capability execution with validation-driven revision. The scene construction agent produces aligned sensing and wireless data, while the scene understanding agent configures learning and transfer to produce a deployment-specific task model.
arXiv深度剖析
提出AIMS智能体框架，把自然语言部署请求（目标任务、部署条件、真实数据预算）自动转化为部署专属的仿真到现实配置，并协调执行产出部署专属任务模型。 此前多模态ISAC的数据驱动模型依赖大量标注真实数据，合成数据虽可减轻负担，但把已有仿真管线适配到目标部署需要场景、感知、无线与学习配置保持一致，这些耦合组件之间的不匹配会损害仿真到现实迁移；AIMS把这一配置与协调过程交由智能体自动完成。 摘要层面描述为框架设计，并以真实DeepSense 6G数据集上的实验作为验证；具体配置推导细节与消融在摘要中未展开。
采用双智能体架构：场景构建智能体从共享物理状态生成地理锚定、时间同步的感知与无线记录；场景理解智能体配置任务相关模态与混合专家（MoE）学习，支持零样本推理或少样本适配。 将场景构建与任务学习解耦为两个协同智能体，使感知与无线记录共享同一物理状态并保持同步，从而针对任务选择模态与学习方式。 摘要给出架构组成与功能分工，未给出各组件单独贡献的量化结果。
结构化领域知识引导依赖感知的规划，验证证据支持对受影响决策进行反馈驱动的修订。 把领域知识作为规划先验、把验证证据作为重规划信号，使智能体在耦合配置中做出依赖一致的决策并可回退修正。 独立的编排基准评估任务解释、依赖推理与反馈驱动重规划，结果显示结构化领域知识与验证反馈提升了计划正确性。
在真实DeepSense 6G数据集上，AIMS相较所考虑的仿真与融合基线提升了车辆检测与波束预测。 把仿真到现实的多模态ISAC流程落到真实数据集上的两项下游任务，并给出相对基线的改进。 摘要报告为在真实数据集上优于所考虑的仿真与融合基线；具体指标数值、样本规模与统计显著性未在摘要中给出。
启示与展望
该工作面向多模态ISAC的仿真到现实迁移场景，适用于以自然语言给出目标任务、部署条件与真实数据预算的部署请求，产出部署专属任务模型；评估设定为真实DeepSense 6G数据集上的车辆检测与波束预测，以及一个覆盖多样部署请求的独立编排基准。其可迁移性指向需要协调场景、感知、无线与学习配置的同类部署流程。
摘要未给出车辆检测与波束预测的具体指标数值、真实数据预算的取值、样本规模与统计显著性，也未说明各组件（场景构建、场景理解、MoE、领域知识、验证反馈）的单独贡献；编排基准的任务集合规模与评分方式同样未展开。这些属于需要阅读正文图表与实验设置才能确认的开放问题。