V2V high-fidelity mixed sensing-communication integration simulation dataset|V2V通信数据集|智能交通系统数据集

该数据集是由北京大学和山东大学的研究团队构建的高保真混合感知-通信集成仿真数据集，旨在探索物理环境与电磁空间之间的映射关系。数据集包含1500个快照，模拟了高、中、低三种车辆交通密度（VTD）下的V2V通信场景，数据来源于LiDAR点云和信道数据。数据集的构建基于Wireless InSite和AirSim两个仿真平台，通过精确的3D建模和射线追踪技术生成。该数据集主要用于6G V2V通信中的信道建模，旨在解决现有模型在准确性和复杂性之间的平衡问题，并提升智能交通系统的安全性和效率。

AI搜集汇总

数据集介绍

构建方式

V2V高保真混合感知-通信集成仿真数据集的构建基于一种新型的通信与感知信息生成与获取平台，该平台集成了Wireless InSite和AirSim两款高精度仿真软件。Wireless InSite通过射线追踪技术分析无线电波传播和无线通信系统，而AirSim则基于Unreal Engine构建，能够采集高保真的感知数据。通过将AirSim中的3D模型导入Wireless InSite，确保了物理环境与电磁空间的高度一致。数据集的构建过程包括场景生成、车辆轨迹模拟以及LiDAR点云与通信数据的同步采集，最终生成了包含不同车辆密度（VTDs）下的LiDAR点云和信道数据。

特点

该数据集的特点在于其多模态信息的集成，结合了LiDAR点云和信道数据，能够精确捕捉物理环境与电磁空间之间的映射关系。通过LiDAR点云，数据集能够识别动态和静态散射体，并模拟不同车辆密度下的信道非平稳性和一致性。此外，数据集还提供了丰富的信道统计特性，如时频相关函数（TF-CF）和多普勒功率谱密度（DPSD），为6G车对车（V2V）通信系统的设计提供了高精度的仿真基础。

使用方法

该数据集的使用方法主要包括基于LiDAR点云的散射体识别（ScaR）算法的开发与验证。通过SegNet神经网络架构，数据集能够从LiDAR点云中提取散射体的空间属性，并将其映射到电磁空间中。研究人员可以利用该数据集进行信道建模，模拟不同车辆密度下的信道特性，并通过射线追踪技术验证模型的准确性。此外，数据集还可用于开发基于多模态信息的智能V2V信道模型，进一步提升6G通信系统的性能。

背景与挑战

背景概述

V2V高保真混合感知-通信集成仿真数据集由北京大学电子学院先进光通信系统与网络国家重点实验室的研究团队于2025年提出，旨在探索物理环境与电磁空间之间的映射关系。该数据集基于机器联觉（SoM）理论，结合激光雷达（LiDAR）点云数据，构建了不同交通密度下的车辆间通信（V2V）信道模型。该数据集的核心研究问题是通过多模态信息（如LiDAR和通信设备数据）实现智能V2V信道建模，以解决传统信道模型在准确性与复杂性之间的权衡问题。该数据集为6G通信技术的开发提供了重要支持，尤其是在智能交通系统（ITS）中的应用，推动了车辆间通信的精确建模与环境感知能力的提升。

当前挑战

V2V高保真混合感知-通信集成仿真数据集面临的挑战主要体现在两个方面。首先，该数据集旨在解决车辆间通信信道建模中的非平稳性与一致性问题，尤其是在高动态交通环境下，如何精确捕捉信道的时间与频率特性仍是一个技术难点。其次，在数据集的构建过程中，研究人员需要处理LiDAR点云数据的高维性与噪声干扰，同时确保物理环境与电磁空间之间的精确对齐。此外，如何通过神经网络（如SegNet）实现散射体识别（ScaR）并探索非线性映射关系，也是数据集构建中的关键挑战。这些挑战不仅要求高精度的仿真工具（如Wireless InSite和AirSim），还需要复杂的算法设计与数据处理能力。

常用场景

经典使用场景

V2V高保真混合感知-通信集成仿真数据集主要用于第六代（6G）车对车（V2V）通信中的多模态智能信道建模。该数据集通过结合激光雷达（LiDAR）点云和通信数据，探索物理环境与电磁空间之间的映射关系，为复杂的V2V通信场景提供了高精度的信道模型。其经典使用场景包括城市交叉路口等典型交通环境，能够模拟不同车辆密度下的信道非平稳性和一致性。

解决学术问题

该数据集解决了传统V2V信道模型在准确性与复杂性之间的权衡问题。传统随机模型和确定性模型分别存在精度不足和计算复杂度高的问题，而该数据集通过引入多模态信息（如LiDAR点云）和基于神经网络的分割网络（SegNet），提出了一种新型散射体识别（ScaR）算法，能够精确识别动态和静态散射体，从而显著提升了信道建模的准确性和实时性。此外，该数据集还为研究信道非平稳性和一致性提供了重要支持。

衍生相关工作

基于该数据集的研究工作衍生了一系列经典成果。例如，研究人员提出了基于生成对抗网络（GAN）和前馈神经网络（FNN）的V2V信道模型，用于模拟接收信号的概率密度函数（PDF）和功率分布。此外，该数据集还启发了多路径分量（MPC）聚类和动态散射体识别等算法的开发，进一步推动了V2V信道建模领域的发展。这些工作不仅提升了信道模型的精度，还为未来6G通信系统的设计提供了新的思路。