OpenPathNet

OpenPathNet数据集（在OpenPathNet项目中称为Link 1版本）是通过OpenPathNet工具链从现实世界的迈阿密和波士顿城市区域基于OpenStreetMap（OSM）生成的，并使用NVIDIA Sionna射线追踪进行模拟，用于RF多径传播/信道建模研究和AI任务。数据集经过精心清理，确保每个场景中都有良好的建筑物覆盖。数据集包含两个城市子集：迈阿密（806个场景）和波士顿（971个场景），每个城市子集的大小约为35 GB。目录结构、文件描述和数据模式都有详细说明，同时提供了关于可重现性、引用和许可的信息。

The OpenPathNet dataset (referred to as Link 1 version within the OpenPathNet project) is generated from real-world urban areas of Miami and Boston based on OpenStreetMap (OSM) data via the OpenPathNet toolchain, and simulated using NVIDIA Sionna ray tracing for RF multipath propagation/channel modeling research and AI-related tasks. The dataset has been meticulously cleaned to ensure excellent building coverage in each scenario. It consists of two urban subsets: Miami (806 scenarios) and Boston (971 scenarios), with each subset occupying approximately 35 GB of storage. Detailed documentation is provided for its directory structure, file descriptions and data schema, alongside information regarding reproducibility, citations and licensing.

原始信息汇总

OpenPathNet 数据集概述

数据集简介

OpenPathNet 数据集是基于 OpenStreetMap (OSM) 真实世界城市区域生成，并利用 NVIDIA Sionna 射线追踪进行模拟，用于射频多径传播/信道建模研究和人工智能任务。数据集经过仔细清理，确保每个场景具有良好的建筑物覆盖率。

关键信息

• 许可证：odbl
• 数据来源：基于 OpenStreetMap (OSM) 的真实世界城市区域
• 生成工具：OpenPathNet 工具链
• 模拟方法：NVIDIA Sionna 射线追踪
• 覆盖城市：迈阿密（806个场景）、波士顿（971个场景）
• 数据规模：每个城市子集约 35 GB

城市子集详情

• Miami：包含 806 个场景
• Boston：包含 971 个场景
• 目录结构：两个城市采用相同的目录布局

目录结构

. ├── Miami/ │ ├── scenes/ │ │ └── scene_<lat><lon>/ │ │ ├── scene.xml │ │ └── mesh/ │ │ ├── building*.ply │ │ └── ground.ply │ ├── raytracing_results/ │ │ └── scene_<lat>_<lon>/ │ │ ├── raytracing_results.csv │ │ ├── raytracing_results.pkl │ │ ├── deepmimo_format.npy │ │ ├── heatmaps/ │ │ │ ├── azimuth_heatmap.png │ │ │ ├── channel_gain_heatmap.png │ │ │ ├── delay_heatmap.png │ │ │ ├── elevation_heatmap.png │ │ │ └── ... │ │ ├── channel_gain_distribution.png │ │ ├── delay_distribution.png │ │ ├── path_type_distribution.png │ │ └── outdoor_receivers.png │ ├── generated_scenes.txt │ └── raytracing.log ├── Boston/ │ └── ... (same structure as Miami) └── README.md

文件说明

generated_scenes.txt

生成清单和元数据（表格文本）。

• 头部记录总计数、中心坐标、采样半径、场景大小、生成模式等
• 每行（制表符分隔）包含：
  • 场景文件路径
  • 原始/实际经纬度
  • 生成类型
  • 尝试次数
  • 偏移距离（km）

raytracing.log

批量射线追踪的摘要日志（通常每个场景一行），包括运行时间、接收器数量和路径数量。

scenes/ 目录

每个场景的几何资源。

• scene.xml：场景描述文件（数字孪生/渲染器兼容格式）
• mesh/：几何网格文件（如建筑物和地面），格式为 .ply

raytracing_results/ 目录

每个场景的射线追踪输出和可视化结果。

对于每个场景中的每个接收点，数据集保留并记录信道增益最高的前5条路径。以下文件包含这些保留路径的完整多径属性，包括接收器位置、载波频率、路径类型、信道增益、到达时间以及离开/到达角度。

• raytracing_results.csv：表格结果（易于分析/导入）
• raytracing_results.pkl：Python序列化结果（快速加载）
• deepmimo_format.npy：DeepMIMO风格的结构化输出，用于下游机器学习流程
• heatmaps/ 和 *.png：可视化图表（如信道增益/延迟/方位角/仰角）

数据模式：raytracing_results.csv / raytracing_results.pkl

• 结构：表格数据；通常一行 = (接收器 rx_id, 一条路径)，因此每个 rx_id 通常出现5次
• raytracing_results.pkl 是一个 pandas.DataFrame，列与 raytracing_results.csv 相同

列说明：

• rx_id：接收器索引（整数）
• type：路径类型（如 LoS / Reflected / Scattered）
• channel_gain：信道增益相关数值（科学计数法）
• tau：到达时间，单位为秒
• freq：载波频率，单位为 Hz
• rx_coord：接收器坐标，格式为类似 "[x, y, z]" 的字符串
• phi_r, theta_r：到达方位角/仰角
• phi_t, theta_t：离开方位角/仰角

数据模式：deepmimo_format.npy

• 文件内容：一个标量 numpy.ndarray，dtype=object；arr.item() 返回一个 dict
• 顶层键：
  • user：长度为 $N_{rx}$ 的列表；每个元素对应一个接收器
  • location：用于描述场景/坐标系信息的列表（不同版本/配置可能略有不同）

每个 user[i] 是一个包含以下内容的 dict：

• location：形状为 (3,) 的 numpy.ndarray，接收器坐标 [x, y, z]
• paths：一个包含以下内容的 dict（数组长度为5，即前5条路径）：
  • channel_gain：float32，形状 (5,)
  • ToA：float32，形状 (5,)
  • DoA_theta：float64，形状 (5,)
  • DoA_phi：float64，形状 (5,)
  • num_paths：int（本数据集中为5）

命名规则

• 每个场景目录命名为 scene_<lat>_<lon>，其中 <lat> / <lon> 为十进制纬度/经度
• scenes/ 和 raytracing_results/ 下的场景文件夹一一对应

相关资源

• 项目代码/生成器仓库：https://github.com/liu-lz/OpenPathNet
• 引用信息：请参考 OpenPathNet 仓库文档中的引用信息
• 许可证说明：请遵循 OpenPathNet 仓库文档中的许可证、生成器代码许可证和第三方数据源声明

搜集汇总

数据集介绍

构建方式

OpenPathNet数据集的构建过程体现了对真实城市环境的高保真模拟。该数据集以迈阿密和波士顿两大城市为地理基础，依托OpenStreetMap提供的开源地理数据，通过OpenPathNet工具链生成三维城市场景。每个场景均包含详细的建筑几何模型与地面网格，随后利用NVIDIA Sionna射线追踪技术进行射频多径传播仿真，精确计算每条路径的信道增益、到达时间及角度信息。为确保数据质量，构建过程中对场景进行了细致清洗，保证每个场景均具备良好的建筑覆盖率，最终形成包含数千个独立场景的大规模数据集。

使用方法

使用OpenPathNet数据集时，研究者可根据不同需求灵活选择数据接口。对于传统信号处理分析，可直接加载raytracing_results.csv或raytracing_results.pkl文件，利用Pandas等工具进行数据处理。面向深度学习任务，deepmimo_format.npy文件提供了与DeepMIMO框架兼容的结构化数组，便于集成至现有机器学习管道。数据集目录按城市与场景严格组织，每个场景文件夹包含完整的几何资产与仿真结果，支持针对特定地理区域的深入研究。用户可通过项目代码库复现生成过程，或直接基于现有数据开展无线信道建模、传播特性分析与人工智能算法验证等工作。

背景与挑战

背景概述

OpenPathNet数据集是面向射频多径传播与信道建模研究的人工智能任务而构建的高质量仿真数据集，由相关研究团队于近年发布。该数据集基于真实世界城市地理信息，利用OpenStreetMap数据在迈阿密与波士顿区域构建数字孪生场景，并通过NVIDIA Sionna射线追踪技术模拟电磁波传播过程，精确记录了每条场景中信道增益最高的前五条路径的完整多径属性。其核心研究问题聚焦于解决无线通信领域中高精度、大规模城市环境信道建模的数据稀缺性，为机器学习算法在波束成形、定位感知等任务中的训练与验证提供了关键支撑，显著推动了智慧城市与下一代通信系统的仿真研究进展。

当前挑战

OpenPathNet数据集致力于应对无线通信系统中城市环境多径信道建模的复杂性挑战，其核心在于精确捕捉与表征非视距传播、信号反射与散射等物理现象对通信质量的影响。在构建过程中，研究团队面临多重挑战：其一，需确保从开放街道地图中提取的建筑几何数据具有充分的覆盖度与准确性，以真实反映城市结构的电磁特性；其二，大规模射线追踪仿真涉及海量计算资源与时间成本，如何在有限算力下高效生成高保真信道数据是一大难题；其三，数据后处理需统一多径属性的存储格式，并适配主流机器学习框架，以实现下游人工智能任务的无缝衔接。

常用场景

经典使用场景

在无线通信领域，信道建模是评估系统性能的核心环节。OpenPathNet数据集通过整合真实城市地理数据与高精度射线追踪仿真，为研究多径传播效应提供了经典场景。该数据集以迈阿密和波士顿的城市场景为基础，生成了包含建筑物几何信息与射频传播路径的详细数字孪生模型，特别适用于分析复杂城市环境下的信号衰减、时延扩展与角度扩散等现象。研究人员可借助其结构化数据，深入探究非视距传播与信道空间特性，为无线网络设计与优化奠定基础。

解决学术问题

传统信道建模常受限于简化假设或有限实测数据，难以准确刻画城市密集环境的多径复杂性。OpenPathNet通过开源工具链生成大规模、高保真的仿真数据，有效解决了这一瓶颈。该数据集提供了精确的到达时间、信道增益与到达/离开角度等多维参数，支持对信道冲激响应与空间相关性的深入研究。其意义在于推动了数据驱动的信道建模方法发展，为机器学习在无线通信中的应用提供了可靠基准，显著提升了学术研究的可重复性与可比性。

实际应用

在实际工程中，OpenPathNet数据集为5G及未来移动通信系统的部署与优化提供了关键支撑。电信运营商可利用其模拟不同城市布局下的信号覆盖与干扰情况，辅助基站选址与波束赋形设计。自动驾驶与无人机通信领域则可借助该数据集评估车辆与飞行器在复杂城市场景中的链路可靠性。此外，数据集集成的DeepMIMO格式便于直接嵌入现有AI训练流程，加速智能反射面、大规模MIMO等新技术的原型开发与性能验证。

数据集最近研究

最新研究方向

在无线通信领域，城市环境下的射频多径传播建模正成为研究热点。OpenPathNet数据集基于OpenStreetMap真实地理数据，结合NVIDIA Sionna射线追踪技术，生成了迈阿密与波士顿两座城市的详细信道模型。该数据集为人工智能驱动的信道预测与优化提供了高质量基准，尤其在6G网络智能反射表面、毫米波通信等前沿方向展现出重要价值。其精心清理的建筑覆盖与多径属性记录，支持了深度学习模型在复杂城市场景中的泛化能力研究，推动了通信物理层与机器学习交叉领域的实证进展。