在后5G和6G时代，环境感知辅助通信（Environment-Aware Communication）将为用户提供更智能的通信服务优化和资源管理。传统通信系统由于缺乏对环境的实时感知，无法动态调整其通信参数，导致了资源浪费和性能下降。面对多样化的用户需求和复杂化的新兴网络应用，如自动驾驶、智能城市和物联网，现有的通信方式难以应对快速变化的环境和网络条件，从而降低服务质量。

感知环境的关键步骤是构建射频电子地图。射频电子地图建立了终端位置与信号强度的联系，传统的电子地图构建通常需要大量的路测工作，耗时且成本较高。然而，随着智能手机的快速发展，终端设备具备了采集位置信息与射频信号强度的能力，因此我们可以通过智能手机终端采集少量的位置信息和对应的射频数据，利用高斯过程回归方法，构建完整的射频地图。这种方法减少了数据采集的工作量，同时能够准确估计其他未测点的信号强度，生成精度较高的射频电子地图。

基于射频电子地图与终端的信号强度，通过射频指纹定位算法，实现终端地理环境感知，结合基于深度学习的轨迹预测算法，将未来轨迹与射频电子地图进行匹配，实现对终端未来信号强度的预测，完成终端网络环境感知，辅助无线资源管理和调度，实现环境感知辅助通信。

研究一： 轨迹预测和小区切换

实现环境感知辅助通信，辅助无线资源管理和调度的典型应用是小区提前切换，根据终端预测轨迹，可得到未来时间段内用户的位置，通过射频电子地图获得相应位置的信号强度，最终得到终端未来时间段内信号强度的变化情况，从而确定切换问题区域，据此确定最佳切换时刻，并通过终端主动引导网络的方式，实现指定时间点上源小区向目标小区的提前切换，减少切换失败率和乒乓切换率。

研究二： 面向早期链路失效检测的连续状态学习

随着移动通信网络承载的业务日益丰富，用户在移动、遮挡和复杂干扰环境下对连接稳定性提出了更高要求。传统链路失效检测往往依赖固定阈值，当信号已经明显下降后才做出反应，容易错过提前处理的时机，进而造成业务中断和体验下降。因此，如何更早、更稳健地发现链路退化趋势，是保障未来智能网络可靠运行的重要问题。

本研究面向无线链路质量的动态变化过程，关注从噪声较强、采样不规则的观测数据中识别真实退化状态。与直接追逐瞬时信号数值不同，我们更关心信号背后持续演化的物理状态。通过学习连续的状态轨迹，模型能够在一定程度上过滤短时抖动，捕捉更稳定的退化趋势，从而避免把局部噪声误判为链路失败。

在方法设计上，本工作将连续状态建模与自适应原型发现相结合。首先，模型不再把每一次观测看作彼此孤立的信号点，而是把它们放在一个连续变化的状态过程中理解。对于采样间隔不均匀、局部波动明显的观测序列，模型会学习一条更加平滑的状态轨迹，用来描述链路质量随时间逐渐变化的趋势。这样做的好处是，短时抖动不会直接决定检测结果，系统能够更多关注持续性的退化过程。

其次，模型会在学习到的状态空间中自动寻找具有代表性的退化模式。不同链路场景下的退化过程可能速度不同、幅度不同、波动形态也不同，简单用一个固定阈值很难覆盖这些差异。本工作通过对状态轨迹进行归纳，将相似的退化过程聚合成若干具有物理意义的状态区域，并在每个区域内部进一步形成更细致的代表性原型。这样，模型既能保留整体退化趋势，又能适应不同场景下的局部差异。

最后，在进行链路风险判断时，系统会观察当前状态轨迹是否进入这些退化区域。如果轨迹逐渐接近或进入某个退化原型所覆盖的范围，就说明链路已经呈现出与历史失效过程相似的动态特征，可以提前给出预警。与只看某一时刻信号是否跌破阈值相比，这种方式利用的是一段时间内的状态演化关系，因此更适合处理噪声强、观测稀疏和信号变化不稳定的无线环境。

实验结果表明，该方法能够在多种场景下更稳健地区分真实退化与随机扰动，在保持较低误报的同时减少漏检。特别是在观测数据较少或信号波动较强的情况下，连续状态学习仍能较好地保持对链路变化趋势的刻画能力，为提前预警和主动网络管理提供支持。

本研究可服务于移动通信、车联网、低空网络和实时业务保障等场景，为复杂无线环境中的链路可靠性提升提供新的思路。其核心思想可以概括为：检测退化状态，而不是追逐噪声信号值。