Great-MSD

Great-MSD是一个大规模的低空无人机多模态综合数据集，由上海大学和西交利物浦大学的研究团队创建。该数据集包含100,000个样本，每个样本包含无人机飞行轨迹、信道状态信息（CSI）、RGB图像、深度图和空间坐标数据。数据集通过Great-X平台生成，该平台基于Unreal Engine进行高保真的信道模拟。Great-MSD旨在为6G通信和感知融合研究提供标准化的数据基准，支持信道建模、目标检测和定位等下游任务。

Great-MSD is a large-scale multimodal comprehensive dataset for low-altitude unmanned aerial vehicles (UAVs), created by the research teams from Shanghai University and Xi'an Jiaotong-Liverpool University. This dataset contains 100,000 samples, each of which includes UAV flight trajectories, Channel State Information (CSI), RGB images, depth maps, and spatial coordinate data. The dataset is generated via the Great-X platform, which conducts high-fidelity channel simulation based on Unreal Engine. Great-MSD aims to provide a standardized data benchmark for 6G communication and perception fusion research, supporting downstream tasks such as channel modeling, object detection, and localization.

原始信息汇总

Great-MCD 数据集概述

数据集基本信息

• 名称: Great-MCD
• 类型: 多模态通信数据集

数据集内容

• 数据形式: 包含视频演示内容
• 演示视频: 点击观看视频（Bilibili）

其他信息

• 相关资源: 包含视频演示的截图或封面图像（未提供具体描述）

搜集汇总

数据集介绍

构建方式

Great-MSD数据集的构建依托于Great-X仿真平台，该平台创新性地在Unreal Engine中重构了基于射线追踪的电磁过程。通过导入无人机3D模型并模拟其飞行轨迹，同步生成CSI、RGB图像、深度图及位置元数据等多模态数据。平台采用单引擎架构实现光学与无线信道的同步仿真，利用C++代码重构SionnaRT的电磁计算核心，在170×16×30米的三维空间中随机生成100条飞行路径，每条路径以1米/秒匀速飞行并采集1000个采样点，最终形成包含9万训练样本和1万测试样本的标准数据集。

特点

该数据集的核心特点体现在多模态同步性与场景真实性两个维度。在模态覆盖方面，首次将无线信道状态信息（CSI）与视觉传感器（RGB相机、深度相机）数据在时空上严格对齐，每个数据帧包含精确的3D空间坐标标注。场景构建上采用上海陆家嘴实景地图作为仿真环境，通过Unreal Engine的高精度渲染引擎实现复杂材质表面的电磁散射建模，其射线追踪算法能同时生成毫米波雷达回波和LiDAR点云。特别设计的低空无人机动态轨迹有效捕捉了信道随距离演变的特性，为通信感知一体化研究提供了丰富的跨模态关联特征。

使用方法

数据集支持端到端的6G通信感知算法开发与评估，主要应用于三大研究方向。在信道建模领域，可通过CSI数据与空间坐标的映射关系研究三维波束成形特性；多模态感知任务中，联合利用RGB图像和雷达数据训练无人机检测模型；跨模态学习方面则支持以视觉数据增强无线定位精度的创新方法研究。使用时应遵循标准数据划分方案，90条轨迹用于模型训练，剩余10条用于测试泛化性能。平台提供的API可实时获取四类传感器数据流，建议采用PyTorch框架加载HDF5格式的预处理数据，其中CSI数据已转换为复数张量形式，图像数据保留原始分辨率并附带相机内参矩阵。

背景与挑战

背景概述

Great-MSD数据集由上海大学和西交利物浦大学的研究团队于2025年推出，旨在推动6G时代集成感知与通信（ISAC）技术的研究。该数据集基于创新的Great-X仿真平台构建，该平台通过重构Unreal Engine中的射线追踪电磁过程，实现了多模态数据（包括CSI、RGB图像、雷达和LiDAR）的高效同步仿真。作为首个专注于低空无人机场景的大规模开源多模态数据集，Great-MSD为通信感知一体化研究提供了包含精确空间坐标的标准化基准，填补了该领域缺乏统一评估体系的空白，对6G智能无线系统、无人机协同感知等前沿方向具有重要奠基意义。

当前挑战

Great-MSD数据集面临的挑战主要体现在两个维度：在领域问题层面，多模态ISAC需解决异构数据时空对齐、跨模态特征融合等核心难题，现有方法对复杂低空场景中动态信道与非结构化感知数据的联合建模仍不充分；在构建过程层面，实现电磁仿真与光学渲染的物理一致性需突破商业引擎闭源限制，团队通过重构Unreal Engine的射线追踪算法解决了传统多引擎架构的同步延迟问题，但精确模拟材料介电特性与散射效应仍面临计算复杂度与保真度的平衡挑战。此外，确保毫米波信道参数与视觉深度信息在运动轨迹中的严格同步，对仿真平台的时空精度提出了极高要求。

常用场景

经典使用场景

Great-MSD数据集在6G通信与多模态感知融合研究中展现出卓越的应用价值。该数据集通过整合CSI、RGB图像、深度图和精确空间坐标等多模态数据，为低空无人机场景下的通信感知一体化研究提供了标准化基准。其经典使用场景体现在支持基于深度学习的信道建模、目标定位算法开发，以及跨模态联合感知任务的性能评估。数据集构建的100条随机飞行轨迹和同步采集的多维数据，为研究动态空域环境下的信号传播特性与感知算法鲁棒性提供了丰富样本。

实际应用

在智慧城市低空安防领域，Great-MSD支持无人机入侵检测系统的端到端开发。其仿真的陆家嘴城市场景与多基站交互数据，可训练基于CSI的实时定位模型，实际部署中能实现±5米精度的无人机追踪。数据集包含的毫米波雷达与LiDAR点云数据，进一步推动了车-机-站协同感知系统的研发，为6G网络下的空地一体化监控提供了关键技术验证平台。

衍生相关工作

该数据集催生了多项ISAC领域创新研究，包括基于ResNet-50的CSI定位算法优化、多模态数据增强方法等经典工作。其统一仿真框架启发了DeepVerse 6G等后续平台的架构设计，推动学界从多引擎异构仿真向单引擎集成方案演进。相关研究通过ADP特征分析验证了Unreal Engine在NLOS路径建模的优越性，为6G信道仿真确立了新的技术标准。