V2V-M3

V2V-M3数据集是一个为智能交通系统（ITS）中多种场景的V2V通信而构建的智能感知通信集成数据集。该数据集涵盖了城市和郊区两种典型场景，使用了5.9 GHz和28 GHz两个频段，并考虑了低和高两种车辆交通密度（VTDs）。数据集的构建旨在探索物理环境和电磁空间之间的非线性映射关系，为V2V多模态智能信道建模（MMICM）提供支持。The V2V-M3 dataset is an integrated intelligent sensing and communication dataset developed for vehicle-to-vehicle (V2V) communication across diverse scenarios in intelligent transportation systems (ITS). It encompasses two typical scenarios: urban and suburban areas, employs two frequency bands (5.9 GHz and 28 GHz), and considers two levels of vehicle traffic densities (VTDs): low and high. The dataset is constructed to investigate the nonlinear mapping relationship between physical environments and electromagnetic space, and to provide support for multimodal intelligent channel modeling (MMICM) of V2V scenarios.

搜集汇总

数据集介绍

构建方式

V2V-M3数据集通过高保真仿真平台Wireless InSite和AirSim的智能集成构建，实现了传感与通信数据的同步采集。该数据集涵盖多种V2V通信场景，包括城市十字路口和郊区分岔路，并考虑了不同频段（5.9 GHz和28 GHz）及车辆交通密度（VTDs）的影响。数据采集过程中，通过精确对齐物理环境和电磁空间，确保了数据的一致性和可靠性。

特点

V2V-M3数据集以其多模态、多场景和多频段的特性脱颖而出。它不仅包含高分辨率的LiDAR点云数据，还整合了电磁散射体和信道脉冲响应数据。数据集的设计充分考虑了动态V2V通信环境的复杂性，通过多样化的场景配置和频段选择，为智能信道建模提供了丰富的实验基础。

使用方法

V2V-M3数据集适用于训练和验证基于大语言模型（LLM）的散射体预测方法（LLM4SP）。用户可通过预处理模块对LiDAR点云进行标准化处理，随后通过嵌入模块将多模态数据对齐至LLM的特征空间。数据集支持全样本测试和泛化测试，可用于评估模型在不同频段、场景和VTDs下的性能表现。

背景与挑战

背景概述

V2V-M3数据集由北京大学电子学院程翔教授团队于2025年提出，是针对智能交通系统中车对车（V2V）多模态智能信道建模（MMICM）开发的新型感知-通信融合数据集。该数据集基于机器联觉（SoM）理论框架，通过整合LiDAR点云与射频通信数据，旨在揭示物理环境与电磁空间之间的非线性映射关系。作为6G车联网研究的重要基础设施，V2V-M3覆盖城市交叉路口、郊区岔路等多场景，包含5.9GHz和28GHz双频段及高低车流密度（VTD）配置，其创新性在于首次实现了大语言模型（LLM）在散射体预测任务中的迁移应用，为智能交通系统的环境感知与信道建模提供了全新范式。

当前挑战

在领域问题层面，V2V-M3需解决传统V2V信道建模中随机模型精度不足与确定性模型计算复杂的两难困境，其核心挑战在于跨模态特征对齐——LiDAR点云的空间分辨率与射频信号传播特性存在显著维度差异。构建过程中面临三重技术难点：首先，多源数据同步采集需协调Wireless InSite与AirSim仿真平台的时间-空间对齐；其次，动态交通场景下散射体与点云的时空匹配要求亚米级定位精度；最后，为支撑LLM训练需设计兼顾电磁传播机理与语义理解的嵌入表示方法，这对数据标注的物理一致性提出极高要求。

常用场景

经典使用场景

V2V-M3数据集在智能交通系统（ITS）中广泛应用于车对车（V2V）多模态智能信道建模（MMICM）研究。该数据集通过整合高保真的LiDAR点云和射频通信数据，为研究人员提供了一个多场景、多频段和多车流密度的综合实验平台。在经典使用场景中，V2V-M3数据集被用于探索物理环境与电磁空间之间的非线性映射关系，从而提升信道建模的准确性和泛化能力。

实际应用

在实际应用中，V2V-M3数据集被用于智能交通系统中的实时信道预测和环境感知。例如，通过LiDAR点云预测电磁散射体分布，可以优化车联网中的信号传输路径，提升通信可靠性和安全性。此外，数据集还支持自动驾驶车辆的高精度环境建模，为复杂交通场景下的决策提供数据支持。

衍生相关工作

V2V-M3数据集衍生了一系列经典研究工作，包括基于大语言模型（LLM）的散射体预测方法（LLM4SP）和多模态智能信道建模框架。这些工作充分利用了数据集的跨模态特性，通过预训练和微调技术，实现了在复杂动态环境中的高精度预测。此外，数据集还促进了感知-通信一体化技术在6G通信中的广泛应用。