ETD

• Channel Knowledge Map
• Channel Model Explainability
• Cross Modal Knowledge Distillation
• Geometrical features
• mmWave
• UAV Communications

Sixth Generation (6G) wireless networks are expected to integrate non-terrestrial platforms and operate over high-frequency spectra, superseding the limitation in Beyond-Fifth Generation (B5G) systems. In such networks, the high-frequency radio propagation behavior is increasingly sensitive to the surrounding physical environment. This thesis is grounded in the observation that channel behavior is not solely influenced by transmitter–receiver separation distance but is inherently dependent on environmental structures. This work investigates how channel knowledge can be learned directly from the communication environment using Machine Learning (ML) techniques. Since conventional channel modeling approaches often fail to provide environment-adaptive solutions suitable for real-world deployment, this thesis develops learning-based methodologies that are environment-aware, interpretable, and data-efficient, particularly for Unmanned Aerial Vehicle (UAV)-assisted communication networks. The thesis proposes a sequence of learning frameworks that move from statistical channel generation toward spatially grounded, representation-level modeling and cross-modal knowledge transfer strategies. These models offer a variety of computationally efficient alternatives to accurate deterministic methods while preserving adaptability and generalization. These contributions support the development of environment-aware channel models for Channel Knowledge Map (CKM) construction.


The first contribution is the design of an explainable generative channel modeling framework that learns statistical distributions of multipath channel parameters directly from data. A generative neural architecture captures complex distributional patterns of channel characteristics while conditioning on transmitter–receiver spatial distance, generating synthetic channel characteristics for multipath components. A key novelty is the integration of the eXplainable Artificial Intelligence (XAI) method into the training process, where meaningful features are weighted to guide gradient updates, improving predictive accuracy and data efficiency of the model.

The second contribution is an environment-aware probabilistic framework for channel state modeling. Rather than treating this task as a deterministic classification problem or focusing on the estimation of a single channel state probability, the thesis formulates channel state prediction as a unified probabilistic learning task. A comprehensive set of geometrical descriptors is extracted from real urban environments around each receiver location and applied to train several state-of-the-art supervised ML models that simultaneously estimate the probabilities of Line-Of-Sight (LOS), Non-Line-Of-Sight (NLOS), and Blocked states. Extensive evaluation across multiple city sections with diverse building profiles demonstrates satisfactory generalization of ML models to previously unseen environments. Furthermore, explainability analysis is employed to identify the dominant geometrical factors governing each channel state probability output, confirming the physical consistency of the learned relationships. Furthermore, through the use of important features derived from the explainability analysis, we augment a benchmark empirical LOS probability model by reparameterization, yielding a geometry-sensitive formulation with improved accuracy for heterogeneous urban scenarios.

The third and main contribution addresses large-scale signal attenuation modeling through a novel Path Loss (PL) prediction framework based on cross-modal transfer learning. A three-dimensional (3D) convolutional neural network is introduced that directly processes the volumetric representation of urban environments surrounding the receiver, learning spatial geometric features to estimate PL. To exploit complementary information from heterogeneous data modalities, including geometric and channel-domain data, which illustrate different aspects of the communication environment and may not all be available during deployment, a cross-modal distillation strategy is proposed in which the 3D student model obtains valuable information from teacher models trained on these different data modalities. Both output-level and intermediate-layer distillation strategies are investigated, demonstrating significant improvements in the prediction accuracy of the student model. Building upon this framework, the thesis further introduces an adaptive dual-teacher distillation mechanism in which the contributions of multiple teachers are dynamically weighted using a softmax-inspired strategy based on their temporal loss evolution. In addition, a novel latent-space distillation strategy based on Kullback–Leibler divergence is proposed to constrain the internal latent representation of the student to follow the posterior distributions of the teachers, resulting in enhanced training stability and superior generalization. One direct application of the proposed models is the generation of region-based channel knowledge for the construction of 3D CKMs, required for environment-aware operation in future wireless networks.

Le reti wireless di Sesta Generazione (6G) stanno evolvendo per permettere l'integrazione delle piattaforme non-terrestri e operare su spettri ad alta frequenza, superando le limitazioni dei sistemi Beyond Fifth Generation (B5G). In tali contesti, il comportamento della propagazione radio alle alte frequenze diventa sempre più sensibile all’ambiente fisico circostante. Questa tesi si fonda sull’osservazione che il comportamento del canale non dipende esclusivamente dalla distanza tra trasmettitore e ricevitore, ma è intrinsecamente legato alle strutture dell’ambiente. Di conseguenza, il lavoro analizza come la conoscenza del canale possa essere appresa attraverso l’analisi dell'ambiente di comunicazione mediante tecniche di Machine Learning (ML). Poiché gli approcci convenzionali di modellazione del canale spesso non forniscono soluzioni adattive che coinvolgono la caratterizzazione dell’ambiente, utilizzabili in contesti reali, la tesi propone metodologie basate sull’apprendimento che siano consapevoli dell’ambiente, interpretabili ed efficienti in termini di dati, con particolare attenzione alle comunicazioni assistite da UAV. Viene proposta una sequenza di modelli che evolve dalla generazione statistica del canale verso rappresentazioni spaziali e strategie di trasferimento della conoscenza tra diverse modalità, offrendo alternative computazionalmente efficienti ai metodi deterministici e supportando lo sviluppo di modelli di canale idonei alla costruzione delle channel knowledge maps (CKM).


Il primo contributo consiste nella progettazione di un framework generativo e interpretabile per la modellazione del canale, capace di apprendere direttamente dai dati le distribuzioni statistiche dei parametri di modelli multipath. L’architettura neurale generativa cattura pattern complessi delle caratteristiche del canale tenendo conto della relazione spaziale tra trasmettitore e ricevitore. Una novità metodologica rilevante è l’integrazione di tecniche di eXplainable Artificial Intelligence (XAI) nel processo di addestramento, in cui le attribuzioni di rilevanza vengono utilizzate per guidare l’ottimizzazione del modello, migliorandone l’accuratezza predittiva e l’efficienza dei dati.


Il secondo contributo propone un framework probabilistico consapevole dell’ambiente per la modellazione dello stato del canale. La predizione degli stati viene formulata come un problema probabilistico unificato. Vengono estratti descrittori geometrici da ambienti urbani reali e utilizzati per addestrare modelli di ML supervisionati in grado di stimare simultaneamente le probabilità di Line-Of-Sight (LOS), Non-Line-Of-Sight (NLOS) e Blocked. Le valutazioni su diverse aree urbane mostrano una buona capacità di generalizzazione. L’analisi di interpretabilità consente inoltre di individuare i fattori geometrici dominanti e di migliorare un modello empirico di probabilità LOS mediante una riparametrizzazione sensibile alla geometria.


Il terzo e principale contributo affronta la predizione del Path Loss (PL) mediante un innovativo framework basato sul trasferimento di conoscenza tra modalità eterogenee. Una rete neurale convoluzionale tridimensionale (3D) elabora direttamente rappresentazioni volumetriche dell’ambiente urbano, eliminando la necessità di estrazione manuale delle caratteristiche. Per sfruttare informazioni complementari provenienti da modalità eterogenee, viene proposta una strategia di distillazione in cui un modello student apprende da modelli teacher addestrati su dati geometrici e del dominio del canale. La tesi introduce inoltre un meccanismo di distillazione adattivo dual-teacher, in cui il contributo dei diversi modelli viene pesato dinamicamente tramite una strategia ispirata alla funzione softmax, basata sull’evoluzione temporale della loss. Inoltre, viene proposta una nuova strategia di distillazione nello spazio latente, basata sulla divergenza di Kullback–Leibler, che vincola la rappresentazione interna del modello student a seguire le distribuzioni posteriori dei modelli teacher, migliorando la stabilità dell’addestramento e la capacità di generalizzazione. Una delle principali applicazioni dei modelli sviluppati è la generazione di conoscenza del canale a livello regionale per la costruzione di CKM tridimensionali, fondamentali per il funzionamento adattivo all’ambiente nelle future reti wireless.