XL-MIMO Radiomap Dataset

该数据集由东南大学团队构建，是首个支持超大规模多输入多输出（XL-MIMO）研究的无线电地图数据集，涵盖800个城市场景、5个频段（1.8-6.7 GHz）和9种阵列配置（最大32×32均匀平面阵列）。数据集包含78,400张无线电地图，通过GPU加速射线追踪技术生成，解决了XL-MIMO系统大规模数据构建的计算难题。数据内容包含定向天线元素的阵列特定辐射模式、多径传播特性等关键信息，适用于6G无线通信系统的网络规划、覆盖估计和跨配置泛化研究，为智能无线电地图预测提供了重要基准。

This dataset, constructed by the team from Southeast University, is the first radio map dataset supporting research on extreme large-scale multiple-input multiple-output (XL-MIMO). It covers 800 urban scenarios, 5 frequency bands (1.8–6.7 GHz) and 9 array configurations with a maximum size of 32×32 uniform planar arrays. The dataset contains 78,400 radio maps generated via GPU-accelerated ray tracing technology, which addresses the computational challenge of large-scale data construction for XL-MIMO systems. It includes critical information such as array-specific radiation patterns of directional antenna elements and multipath propagation characteristics. This dataset is applicable to network planning, coverage estimation and cross-configuration generalization research for 6G wireless communication systems, providing an important benchmark for intelligent radio map prediction.

搜集汇总

数据集介绍

构建方式

在第六代无线通信系统对超大规模多输入多输出（XL-MIMO）技术需求日益迫切的背景下，XL-MIMO Radiomap Dataset的构建采用了系统化、多阶段的仿真流程。该流程始于从OpenStreetMap获取南京都市区800个城市场景的地理数据，每个场景覆盖1.28×1.28平方公里区域，并经过密度筛选以确保环境复杂性。随后，利用Blender平台将矢量地理数据转换为包含标准化材料属性的三维电磁兼容模型。核心仿真阶段依托Sionna的GPU加速射线追踪引擎，在最大交互深度为三、每对收发器发射10^6条射线的配置下，计算从基站到观测平面16384个网格点的多径信道矩阵。最后，结合符合5G NR规范的远场波束赋形码本，在五个频段（1.8–6.7 GHz）和九种阵列配置（最大为32×32均匀平面阵列）上生成了共计78400张无线电地图，涵盖了约12.8亿个空间覆盖测量值。

使用方法

该数据集为系统评估无线电地图预测方法提供了标准化基准，主要支持三类研究任务。第一类是盲预测任务，模型仅依据阵列配置参数和环境特征（如建筑高度图）来估计完整覆盖，适用于基站部署前的网络规划场景。第二类是基于稀疏测量的重建任务，模型需要从有限的空间采样点（如5%的采样率）中复原完整的无线电地图，模拟了路测或众包数据收集的应用。第三类也是最具挑战性的跨分布泛化任务，旨在评估模型对训练数据中未出现的新配置或新环境的预测能力，例如在未见过的阵列架构或全新地理区域上进行测试。数据集已按7:1:2的比例划分了训练、验证和测试集，并针对不同任务设计了特定的数据分割策略（如按配置或按场景分离），以促进模型鲁棒性和泛化能力的严谨评估。

背景与挑战

背景概述

随着第六代无线通信系统向5G-Advanced及更高阶段演进，对网络容量和频谱效率的需求日益迫切。世界无线电通信大会2023为国际移动通信服务分配了高达700 MHz的上6 GHz频段频谱，然而该频段相较于传统sub-6 GHz频段存在更高的自由空间路径损耗，对城市部署的覆盖能力构成严峻挑战。在此背景下，东南大学李笑杰、韩宇、陆志正、金石以及国立中山大学温朝凯等研究人员于2026年构建了XL-MIMO Radiomap Dataset，旨在为极大规模多输入多输出系统的空间覆盖预测研究提供关键数据支撑。该数据集聚焦于解决U6G频段下XL-MIMO系统智能无线电地图预测的核心科学问题，通过涵盖800个城市场景、五个频段以及九种阵列配置的78400张无线电地图，首次实现了对1024单元定向阵列的大规模仿真，为6G网络规划中覆盖估计、干扰感知资源分配等应用奠定了坚实基础，显著推动了人工智能赋能的通信技术发展。

当前挑战

该数据集致力于解决极大规模多输入多输出系统无线电地图预测这一领域核心挑战，其核心在于准确推断发射机配置与环境特征下的空间接收信号强度分布。具体挑战体现在两方面：其一，领域问题层面，现有方法普遍将阵列配置编码为标量参数，迫使神经网络从训练数据中推断阵列特定的辐射模式，当预测训练数据中未出现的配置时往往失效，难以应对XL-MIMO系统在载波频率、阵列架构和波束方向上的巨大配置空间；同时，现有数据集仅支持小规模阵列且主要采用各向同性天线模型，无法捕捉定向波束成形效应，与6G愿景中的大规模定向阵列相去甚远。其二，构建过程层面，生成XL-MIMO无线电地图涉及大规模信道矩阵计算和跨多个配置的广泛空间覆盖网格评估，计算复杂度极高，此前严重阻碍了大规模数据集的构建；此外，从开放街道地图获取地理数据并进行三维环境建模时，需纠正拓扑错误并赋予符合国际电联标准的电磁材料属性，确保射线追踪仿真的高保真度，整个过程对计算资源和算法精度提出了双重考验。

常用场景

经典使用场景

在第六代无线通信系统研究中，XL-MIMO Radiomap Dataset为超大规模多输入多输出系统的空间覆盖预测提供了关键数据支撑。该数据集最经典的使用场景在于支持基于深度学习的无线地图预测模型的训练与验证，特别是在盲预测任务中，模型仅依据基站阵列配置参数和城市建筑高度图，便能生成精确的信号强度空间分布图。这一场景直接对应网络规划中的前期覆盖评估需求，使得研究人员能够在实际部署前，高效预测不同天线阵列架构、波束指向及频段组合下的网络性能，避免了高昂的现场测量与射线追踪计算开销。

解决学术问题

该数据集有效解决了超大规模MIMO系统研究中长期存在的数据稀缺与泛化能力不足两大核心学术问题。传统数据集受限于小规模阵列与全向天线模型，无法刻画6G愿景中千元级定向阵列的复杂辐射特性。本数据集通过提供涵盖九种阵列配置、五种频段及八百个城市场景的大规模仿真数据，使得数据驱动方法能够学习从阵列物理参数到空间覆盖模式的复杂映射。其引入的波束图表示法，将确定性的阵列辐射与数据驱动的多径传播解耦，将跨配置泛化从神经网络外推转变为基于物理的计算，从根本上提升了模型对未见配置的预测能力，为AI赋能的通信物理层研究奠定了坚实基础。

实际应用

在实际网络部署与优化中，XL-MIMO Radiomap Dataset支撑了从网络规划到动态资源调度的全生命周期应用。网络运营商可利用基于该数据集训练的模型，在基站建设前进行盲覆盖估计，优化站点选址与天线参数配置，显著降低规划成本与周期。在运营阶段，模型能够结合稀疏的路测或众包测量数据，快速重构完整的无线地图，用于干扰协调、容量优化和基于指纹的定位服务。面对6G系统在U6G频段的高路径损耗挑战，该数据集赋能的高精度覆盖预测工具，是实现极大规模MIMO增益兑现、保障网络连续覆盖与服务质量的关键使能技术。

数据集最近研究

最新研究方向

面向第六代无线通信系统的超大规模多输入多输出技术，其网络级空间覆盖预测已成为前沿研究的关键挑战。XL-MIMO Radiomap Dataset的发布，首次为这一领域提供了涵盖高达32×32均匀平面阵列、多频段与多波束配置的大规模实测级数据基础，有效弥补了过往数据集仅支持小规模各向同性天线阵列的不足。当前研究热点聚焦于利用物理信息增强的深度学习框架，特别是所提出的波束地图表征方法，将阵列依赖的确定性辐射模式与环境依赖的多径传播效应解耦，从而将跨配置泛化能力从数据驱动的外推转变为基于物理的计算。这一范式显著提升了模型在未见阵列配置或全新地理环境下的预测精度与鲁棒性，为6G网络的无测量覆盖估计、稀疏采样重建以及智能网络规划提供了核心算法支撑，推动了人工智能与无线通信物理层深度融合的研究进程。

相关研究论文

• U6G XL-MIMO Radiomap Prediction: Multi-Config Dataset and Beam Map Approach

  东南大学·信息科学与工程学院; 国立中山大学·通信工程学院 · 2026年