重磅发布 | WirelessGPT：面向通信与感知一体化的多任务预训练无线基础模型

最新推荐文章于 2025-07-23 15:01:10 发布

转载最新推荐文章于 2025-07-23 15:01:10 发布 · 406 阅读

CC 4.0 BY-SA版权

原文链接：https://mp.weixin.qq.com/s?__biz=MzIyNDc4MTQxNw==&mid=2247511182&idx=2&sn=59d5fa84f1b32a8d47562bc0aad6267b&chksm=e9d4aa7b5783863b4142ecd337dcafe1b062e59342a25ccb9eef777d235a0b84c69b55aa93dd&scene=126&sessionid=0

随着以ChatGPT为代表的人工智能大模型迅速发展，如何将大模型技术深度应用于无线通信领域，推动未来无线网络的变革，已成为工业界和学术界共同关注的焦点。未来的6G网络不仅需要提供高速的数据传输服务，还将原生地支持计算、数据处理、人工智能以及通信与感知的深度融合。传统的无线AI技术多基于任务专用模型，各任务之间缺乏协作，导致泛化能力受限、数据标注成本过高、多任务协同困难。这种单一任务模型的弊端越来越明显，无法满足未来无线网络复杂场景的需求。

为解决这些问题，鹏城实验室杨婷婷教授团队研发了全球首个面向通信与感知一体化（ISAC）的多任务预训练无线基础模型——WirelessGPT，开启了无线与AI融合创新的新阶段。

图1：WirelessGPT在2025年全球6G技术与产业生态大会发布

WirelessGPT已于今年4月在全球6G技术与产业生态大会发布，并引起强烈反响。发布后，团队围绕模型架构创新和下游任务拓展持续开展了大量工作，取得如下最新进展：

引入三轴注意力机制，显著提升模型处理复杂无线信道数据的能力；
提出多尺度数据编码方法，提升了数据利用效率和模型的泛化能力；
新增多基站无人机目标跟踪这一下游任务，并基于WirelessGPT实现了亚米级精度的目标定位。

本文将详细介绍WirelessGPT的研究背景、核心技术，以及试验验证结果，并介绍WirelessGPT模型训练所采用的数据集，以及未来研究方向。

研究背景与现实需求

随着6G网络逐步走向商业化应用，通信和感知任务的融合需求日益增强。以无人机通信、智能交通、工业物联网、智慧城市等应用为代表的多样化场景，对无线系统提出了更高的泛化能力和实时响应能力的要求。然而，传统无线AI技术通常针对每一特定任务分别开发和优化专属模型，造成了模型泛化性差、数据获取和标注成本高昂、计算资源浪费严重等问题。此外，单一任务模型无法有效利用跨任务之间的共同特征，难以实现高效协同。

面对这一系列挑战，业界迫切需要一种能够同时覆盖多任务、多场景，具备强泛化能力的通用无线基础模型，以应对未来复杂且动态的无线网络需求。

图2：WirelessGPT多任务无线基础模型

WirelessGPT的核心技术创新

WirelessGPT以Transformer结构为核心，创新性地引入了一系列专门为无线信道数据设计的关键技术，以有效提高跨场景、多任务的泛化性能，具体包括以下几个方面：

三轴注意力机制（Triple-axis Attention）：在时间、空间、频率三个维度分别构建注意力机制，分别捕捉不同维度的相关性和特征依赖性，显著提高模型处理复杂无线信道数据的能力。
多尺度数据编码（Multi-scale Patch Embedding）：针对无线信道数据的多尺度特征，采用多层次的编码结构，能够同时保留数据的全局信息和局部细节，提高数据利用效率和模型泛化能力。
掩码自监督学习策略（Masked Self-supervised Learning）：随机遮蔽部分信道数据，训练模型通过上下文信息恢复缺失部分，增强了模型对噪声和信息缺失场景的适应能力，使其能够有效应对现实环境中复杂多变的无线传播场景。