合成无线信道-传感器数据配对数据集

该数据集由首尔国立大学和韩国原子能研究所的研究团队构建，旨在通过3D建模和射线追踪技术生成合成数据，以模拟真实的无线通信场景。数据集包含两个部分，分别将下行信道与RGB图像和上行信道配对，用于训练和评估多模态信道重建框架。数据集通过高质量3D对象建模和射线追踪仿真生成，符合5G NR标准，适用于5G通信系统中的信道状态信息（CSI）重建研究，旨在提高CSI重建的准确性，从而优化波束成形增益。This dataset was constructed by a research team from Seoul National University and the Korea Atomic Energy Research Institute. It aims to generate synthetic data via 3D modeling and ray tracing techniques to simulate realistic wireless communication scenarios. The dataset comprises two parts, which pair downlink channels with RGB images and uplink channels respectively for training and evaluating multimodal channel reconstruction frameworks. Generated via high-fidelity 3D object modeling and ray tracing simulations, the dataset complies with 5G NR standards and is applicable to channel state information (CSI) reconstruction research in 5G communication systems, with the goal of improving the accuracy of CSI reconstruction and thereby optimizing beamforming gain.

搜集汇总

数据集介绍

构建方式

该数据集通过3D建模和射线追踪技术构建，旨在模拟真实世界的无线信道和传感器数据配对。数据集包括下行信道与RGB图像配对的数据集以及上行信道数据。通过3D渲染工具和射线追踪模拟器生成数据，确保了数据的可扩展性和无噪声特性。场景建模和图像渲染通过3D建模软件Blender创建虚拟3D城市环境，包括建筑物、车辆、道路等。信道生成基于射线追踪，在模拟场景中，汽车对象被视为感兴趣的移动终端，对每个场景进行射线追踪模拟，提取多径信道参数，构建空间-时间域信道冲激响应（CIRs），最后通过OFDM转换为空间-频率域信道。

特点

该数据集的特点在于其合成性和多样性。合成数据集允许研究者在不依赖昂贵硬件和时间消耗的情况下进行大规模实验。数据集包括RGB图像与下行信道的配对，以及上行信道数据，为研究多模态信道重建提供了丰富的数据基础。此外，数据集的生成方式保证了数据的可扩展性和无噪声特性，有助于提高研究的准确性和可靠性。

使用方法

该数据集适用于研究和开发基于深度学习的多模态信道重建技术。研究者可以使用该数据集来训练和评估各种信道重建算法，包括但不限于基于深度学习的信道重建框架。此外，数据集还支持多模态融合技术的研究，可以通过融合RGB图像或上行信道数据来提高信道重建的准确性和鲁棒性。数据集的生成方式保证了数据的可扩展性和无噪声特性，有助于提高研究的准确性和可靠性。

背景与挑战

背景概述

在频分双工（FDD）系统中，基站（BS）获取信道状态信息（CSI）的传统方式依赖于来自移动终端（MT）的有限反馈。然而，由于速率失真权衡的限制，从反馈CSI中重建信道的准确性本身受到限制。为了克服这一限制，我们提出了一种多模态信道重建框架，该框架利用在BS收集的辅助数据，例如RGB图像或上行链路CSI。通过整合这些模态的上下文信息，该框架减轻了由噪声、压缩和量化引起的CSI失真。该框架的核心是一个自动编码器网络，能够生成可变长度的CSI，适用于速率自适应的多模态信道重建。通过使用基于迁移学习的多模态融合策略增强基础自动编码器网络，我们能够在单模态和多模态场景中实现准确的信道重建。为了在各种和真实的无线条件下训练和评估网络，我们构建了一个合成数据集，通过3D建模和射线追踪将无线信道数据与传感器数据配对。模拟结果表明，该框架在5G新无线电（5G NR）合规场景中实现了接近最优的波束赋形增益，突出了传感器数据集成以提高CSI重建准确性的潜力。

当前挑战

FDD系统中，由于大量天线和子载波的存在，获取精确的CSI具有挑战性，这极大地增加了信道矩阵的大小。在FDD系统中，BS通常依赖于来自MT的反馈来获取CSI。不幸的是，MT处估计的信道通常受到噪声和下行链路参考信号数量的限制。此外，应用积极的信道压缩和量化以减少反馈开销进一步降低了CSI的质量。因此，BS接收到的不完美的CSI显著损害了实现高波束赋形增益的能力。为了减轻由于有限的CSI反馈而导致的波束赋形增益下降，已经开发了各种方法来导出信道的紧凑、离散表示。传统方法使用几个物理射线参数来表示信道，例如幅度、角度、相位和延迟。为了解决这个问题，压缩感知（CS）技术已被广泛采用。通过利用高频信道在角度-延迟域中的稀疏性，基于CS的CSI反馈即使在显著压缩的情况下也能保持高重建精度。然而，基于CS的方法通常依赖于计算密集型的迭代算法，这对实际部署构成了挑战。基于深度学习（DL）的CSI反馈机制已经出现，作为在5G-Advanced（3GPP Rel. 18）中快速和准确CSI压缩和重建的很有前景的解决方案。尽管它们具有优势，但神经网络的静态架构限制了它们在实时适应方面的灵活性。对于实际部署，基于DL的反馈技术必须支持可变长度的CSI位流，以适应不同的报告配置。一些架构通过使用逐步下采样CSI的网络层来解决这一挑战。然而，这种方法会导致网络大小随着支持速率的数量成比例增加，导致可伸缩性问题。为了在不增加网络复杂性的情况下实现可变速率反馈，一种方法直接丢弃CSI的最不重要位。但是，在不修改量化规则的情况下丢弃CSI位可能会损害网络学习高效可变速率信道表示的能力。一种更复杂的技术涉及嵌套矢量量化（VQ），它从高速率父代码本中选择低速率子代码本。尽管有效，但这种方法的BS和MT需要共享所有可能的嵌套配置。此外，基于VQ的方法需要大量的训练参数和计算资源，这对内存和电源能力有限的MT来说可能是一个负担。这些限制突出了需要能够以最小的计算开销和增强的适应性实现可变速率反馈的基于DL的反馈机制。

常用场景

经典使用场景

在频率分双工(FDD)系统中，获取基站(BS)的信道状态信息(CSI)传统上依赖于移动终端(MT)的有限反馈。然而，由于速率失真权衡的限制，从反馈CSI中重建信道的准确性是固有受限的。为了克服这一限制，我们提出了一种多模态信道重建框架，该框架利用在BS收集的辅助数据，例如RGB图像或上行链路CSI。通过集成这些模态的上下文信息，该框架减轻了由于噪声、压缩和量化引起的CSI失真。框架的核心是一个能够生成可变长度CSI的自编码器网络，该网络适用于速率自适应的多模态信道重建。通过使用基于迁移学习的多模态融合策略增强基本自编码器网络，我们能够在单模态和多模态场景中实现准确的信道重建。为了在多样化和真实的无线条件下训练和评估网络，我们构建了一个合成数据集，该数据集通过3D建模和射线追踪将无线信道数据与传感器数据进行配对。仿真结果表明，所提出的框架在5G新无线电(5G NR)合规场景中实现了接近最优的波束赋形增益，突出了传感器数据集成提高CSI重建准确性的潜力。

衍生相关工作

该数据集衍生了基于深度学习的多模态信道重建方法，以及基于传感器数据的信道状态信息重建方法。这些方法可以进一步提高信道重建的准确性，为FDD系统中的波束赋形提供更好的支持。

数据集最近研究

最新研究方向

随着5G技术的迅猛发展，频分双工(FDD)大规模多输入多输出(MIMO)系统对信道状态信息(CSI)的获取提出了更高的要求。传统的CSI反馈机制依赖于从移动终端(MT)获取的有限反馈信息，然而，反馈CSI的准确性受到速率失真权衡的限制。为了克服这一局限性，Nam和Choi提出了一种多模态信道重建框架，该框架利用辅助数据（如RGB图像或上行链路CSI），通过融合来自这些模态的上下文信息来减轻噪声、压缩和量化引起的CSI失真。框架的核心是一个能够生成可变长度CSI的自编码器网络，通过使用基于迁移学习的多模态融合策略增强自编码器网络，实现了单模态和多模态场景下的准确信道重建。为了在多样化和真实的无线条件下训练和评估网络，他们构建了一个合成数据集，通过3D建模和射线追踪将无线信道数据与传感器数据进行配对。仿真结果表明，该框架在5G新无线电(5G NR)兼容场景中实现了接近最优的波束赋形增益，突出了传感器数据集成提高CSI重建精度的潜力。

相关研究论文

• Multi-Modal Variable-Rate CSI Reconstruction for FDD Massive MIMO Systems

  首尔国立大学, 韩国原子能研究所 · 2025年