SHussain37/uav_pathloss_dataset

无人机辅助毫米波路径损耗数据集，包含五种不同城市环境（慕尼黑01、慕尼黑02、赫尔辛基、曼哈顿、伦敦）下的无人机辅助毫米波路径损耗模拟数据。每个环境有四个发射位置和三个高度（25m、35m、45m）的模拟数据。UAV-Assisted mmWave Path Loss Dataset containing simulated mmWave path loss data in five diverse urban environments (Munich-01, Munich-02, Helsinki, Manhattan, London) with UAV assistance. Each environment includes simulations at four transmitter locations and three altitudes (25m, 35m, 45m).

搜集汇总

数据集介绍

构建方式

该数据集基于无人机辅助的毫米波路径损耗仿真构建，覆盖了慕尼黑、赫尔辛基、曼哈顿和伦敦等五类典型城市环境。在每个场景中，研究者在4个无人机发射机位置与25米、35米、45米三种飞行高度下开展射线追踪模拟，生成60个独立的CSV文件。文件命名规则清晰整合了城市名称、发射机索引及高度编码，每份记录包含接收机与发射机的三维坐标、方位角、三维距离、视距遮蔽标识、建筑穿透状态以及平均路径损耗值，系统性地刻画了城市肌理对毫米波传播的影响。

特点

该数据集最显著的特点在于其多维度的环境覆盖与精细的传播参数标注。五个城市环境涵盖了从欧洲紧凑型街区到北美高密度摩天楼群的不同建筑形态，为模型泛化提供了丰富的地貌样本。每个样本同时包含视距与非视距标记、建筑遮挡状态以及三维空间几何关系，使研究者能够分离城市结构对路径损耗的独立贡献。此外，发射机高度在25至45米间的梯度变化，精准对应了无人机典型作业空域，赋予了数据集在低空通信场景中的实用价值。

使用方法

使用者可通过HuggingFace的datasets库便捷加载该数据集，仅需调用load_dataset函数即可获取完整的60个CSV文件集合。加载后，数据以表格形式呈现，每行代表一个接收位置的全参数记录。研究者可直接利用RX_X、RX_Y等空间坐标字段进行地理映射，或依据LOS_mask与Is_building字段筛选特定传播条件下的子集。Path_loss列作为目标变量，配合Distance_3d、Phi等特征，可无缝接入回归模型或深度学习框架，用于城市环境中无人机毫米波链路的预测与优化研究。

背景与挑战

背景概述

随着第五代移动通信（5G）及未来无线网络的快速发展，毫米波（mmWave）频段因其丰富的频谱资源而成为实现超高速率通信的关键。然而，毫米波信号具有传播距离短、易受障碍物阻挡等固有缺陷，这使得在城市复杂环境中的覆盖与可靠性面临严峻挑战。无人机（UAV）辅助通信作为一种灵活的空基中继方案，能够显著提升毫米波链路的覆盖范围与服务质量。在此背景下，SHussain37等人于近期构建了名为UAV-Assisted mmWave Path Loss Dataset的数据集，该数据集基于射线追踪模拟，系统性地采集了慕尼黑、赫尔辛基、曼哈顿与伦敦等五个典型城市环境中，无人机在不同高度（25米、35米、45米）和发射机位置下的路径损耗数据。该数据集为无人机辅助毫米波通信的信道建模、网络规划与优化算法研究提供了宝贵的基准资源，对推动空天地一体化通信系统的理论发展具有重要影响力。

当前挑战

该数据集所解决的领域核心挑战在于：城市复杂环境中，毫米波信号的非视距（NLOS）传播与建筑物穿透损耗导致路径损耗预测精度不足，进而影响无人机通信链路的可靠部署。具体而言，不同城市形态（如曼哈顿的密集高楼与赫尔辛基的开放街区）引发截然不同的多径效应与遮挡模式，传统经验模型难以泛化。构建过程中面临的挑战包括：其一，射线追踪模拟计算量巨大，需在五个城市环境中对四个发射位置与三个高度进行组合仿真，数据采集耗时且对计算资源要求极高；其二，数据标注需精确区分视距（LOS）与非视距状态，并记录建筑物穿透标识，这依赖于高精度的三维城市模型与电磁仿真参数校准，任何误差均会污染路径损耗的统计特性。

常用场景

经典使用场景

在毫米波通信与无人机辅助网络的研究领域中，该数据集为路径损耗建模提供了关键支撑。通过涵盖慕尼黑、赫尔辛基、曼哈顿和伦敦等五种典型城市环境的射线追踪仿真数据，研究者可系统分析不同城市形态、无人机高度与发射位置对毫米波信号传播的影响。数据集中的LOS/NLOS标识、建筑穿透指示及三维空间坐标等字段，使其成为训练和验证路径损耗预测模型的理想基准，尤其适用于基于机器学习的信道估计方法。

实际应用

在实际部署中，该数据集可直接服务于无人机基站与城市应急通信网络的规划。例如，运营商可利用其路径损耗数据优化无人机在曼哈顿等密集城区的悬停高度与发射位置，以最小化信号衰减并最大化覆盖范围。此外，它还能助力智能物流无人机在城市峡谷中的可靠通信链路设计，以及为灾害救援场景下的临时网络部署提供信道先验知识，显著提升系统鲁棒性。

衍生相关工作

该数据集衍生了一系列关于无人机毫米波信道预测的经典工作，包括基于深度学习的路径损耗预测模型、注意力机制增强的时空信道特征提取方法，以及融合城市地理信息的混合驱动信道建模框架。这些工作进一步拓展了数据集的应用边界，例如将其与生成对抗网络结合以合成缺失场景的路径损耗数据，或作为迁移学习的源域数据来提升不同城市间的模型泛化能力，推动了智能信道建模领域的持续演进。