iV2V 和 iV2I+

iV2V 和 iV2I+ 数据集由德国弗劳恩霍夫海因里希赫兹研究所创建，旨在为工业移动网络的未来实验提供基础。iV2V 数据集涵盖了自动引导车辆（AGVs）之间的侧链路通信场景，而 iV2I+ 数据集则记录了连接到私有蜂窝网络的自主清洁机器人的通信数据。这两个数据集均通过详细的测量方法捕获，包含丰富的通信参数和环境数据，适用于机器学习任务如指纹识别、视线检测和质量服务预测。数据集的应用领域包括工业自动化、机器人协作和无线通信优化，旨在提高工业无线网络的可靠性和效率。The iV2V and iV2I+ datasets were developed by the Fraunhofer Heinrich Hertz Institute of Germany, with the aim of providing a foundational resource for future experiments on industrial mobile networks. The iV2V dataset focuses on sidelink communication scenarios between Automated Guided Vehicles (AGVs), whereas the iV2I+ dataset records communication data collected from autonomous cleaning robots connected to private cellular networks. Both datasets are acquired through rigorous measurement methodologies, encompassing a comprehensive set of communication parameters and environmental data, and are applicable to machine learning tasks including wireless fingerprinting, line-of-sight detection, and quality of service (QoS) prediction. The target application domains of these datasets span industrial automation, robotic collaboration, and wireless communication optimization, with the overarching goal of enhancing the reliability and efficiency of industrial wireless networks.

搜集汇总

数据集介绍

构建方式

在工业无线通信领域，精确的数据采集是推动预测性服务质量研究的关键。iV2V数据集通过部署三台自动导引车，其中一台沿测试轨道移动，其余两台保持静止，利用符合3GPP Release 14标准的PC5 Mode 4侧行链路协议进行车对车通信。测量平台基于软件定义无线电硬件，在3.7 GHz频段以10 MHz带宽运行，采用固定调制编码方案和半持续调度，有效吞吐量达160 kbit/s。定位信息通过标记/轨道同步定位与即时定位与地图构建技术获取，时间同步依赖网络时间协议，误差在微秒量级。数据采集历时两天，累计约10小时，生成近50 GB通信数据，涵盖不同障碍物布局下的视距与非视距传播场景。

特点

iV2V数据集的核心特点在于其针对工业环境的精细化设计。数据以表格形式呈现，每行代表一个样本，包含信噪比、参考信号接收功率、接收信号强度指示等侧行链路信道参数，以及自动导引车的精确位置坐标。所有测量数据均经过预处理，通过时间戳匹配将通信参数与定位信息对齐，时间差控制在5毫秒以内。数据集还标注了测量场景类型及源目标车辆标识，便于机器学习模型进行场景识别与链路分析。其丰富的物理层参数与空间信息相结合，为预测性服务质量、指纹识别、信道制图等研究提供了高质量的数据基础。

使用方法

iV2V数据集适用于多种机器学习驱动的工业通信研究。用户可将信噪比或参考信号接收功率等物理层参数作为输入特征，以时延、吞吐量或误包率作为预测目标，构建预测性服务质量模型。定位数据可作为额外特征增强预测精度，支持无线地图估计与信道制图等空间任务。数据集还可用于开发主动式无线资源管理算法，如链路选择。由于包含了视距与非视距条件，研究者可探索异常检测、中断预测等增强网络韧性的方法。数据集公开可用，并附带文档与代码，便于快速集成与复现实验。

背景与挑战

背景概述

随着第五代及未来无线通信系统的演进，工业环境对高可靠、低时延服务质量的需求日趋迫切，预测性服务质量成为赋能自主工业网络的关键技术。在此背景下，由弗劳恩霍夫海因里希·赫兹研究所、爱立信研究、德累斯顿工业大学、罗伯特·博世等多家顶尖机构于2022年联合创建的iV2V与iV2I+数据集应运而生。该数据集聚焦于工业场景中自动导引车的车对车直连通信及车对基础设施与传感器融合通信两大核心问题，旨在填补工业无线测量数据集的稀缺空白。通过提供包含物理层参数、精确位置信息及丰富传感器数据的多模态标注数据，该数据集为机器学习驱动的服务质量预测、无线指纹识别、信道图构建及资源管理优化奠定了坚实的实验基础，对推动人工智能赋能的工业互联具有里程碑意义。

当前挑战

当前该数据集所面临的挑战主要体现于多层面。在领域问题层面，工业无线通信环境具有高动态性与复杂性，如非视距传播、多径衰落及移动节点间的频繁拓扑变化，这使得基于传统模型的服务质量预测精度受限，亟需机器学习方法突破泛化瓶颈。在数据集构建层面，挑战尤为显著：首先，多源异构数据（如通信参数、定位信息、激光雷达点云）的精确时间同步极为困难，时间戳误差的累积会严重影响数据融合质量；其次，不同测量设备（软件定义无线电平台、商用调制解调器、机器人操作系统）的采样频率各异，需设计鲁棒的重采样与对齐策略；最后，工业测试床的物理环境（如金属墙壁、泡沫障碍物）对无线传播特性的影响难以完全复现，限制了数据集在不同场景下的迁移适用性。

常用场景

经典使用场景

在工业物联网与智能制造的浪潮中，自动导引车（AGV）的无线通信可靠性成为保障生产柔性与安全的关键。iV2V与iV2I+数据集聚焦于工业环境中AGV之间的直连通信（V2V）以及AGV与基础设施的蜂窝连接（V2I），为研究工业无线网络的链路质量提供了宝贵的实测数据。经典使用场景包括：利用AGV在测试轨道上的移动轨迹与障碍物布局，分析视距（LOS）与非视距（NLOS）条件下的信噪比（SNR）、参考信号接收功率（RSRP）等物理层参数变化，从而建立信道模型；同时，通过时序对齐的位置与通信数据，可精确评估AGV在不同位置时的服务质量（QoS）波动，为工业场景下的链路自适应与资源调度研究奠定基础。

解决学术问题

该数据集直接回应了工业无线通信领域长期面临的预测性服务质量（pQoS）难题，即如何在复杂多变的室内环境中提前估计未来时刻的吞吐量、时延或误包率。通过提供丰富的传感器融合数据（如激光雷达点云、里程计、障碍物地图）与蜂窝网络层测量（如RSSI、RSRP、SNR），研究者得以探索多模态特征对QoS预测的增益，突破传统仅依赖无线参数的瓶颈。此外，数据集还支持对元学习方法的验证，例如跨场景迁移学习与少样本学习，以解决工业场景中数据稀缺的共性挑战。这些研究不仅深化了对工业信道特性的理解，更推动了高可靠低时延通信（URLLC）在智能制造中的理论落地。

衍生相关工作

自发布以来，该数据集催生了一系列前沿研究。在信道图构建领域，研究者利用iV2I+中的LIDAR与无线测量数据，结合深度学习生成高分辨率无线电环境地图（REM），实现了对盲区覆盖的预测；在链路选择方面，基于iV2V的侧链通信数据，学者开发了强化学习算法，使AGV在蜂窝与直连模式间自主切换，优化整体吞吐量。此外，数据集还被用于验证联邦学习框架在工业隐私保护场景下的可行性，多个AGV在不共享原始数据的前提下协作训练QoS预测模型。这些衍生工作不仅验证了数据集的泛化能力，更推动了工业无线网络从被动响应向主动智能演进的范式转变。