多模态环境数据与信道联合采集平台数据集

该数据集由北京邮电大学网络与交换技术国家重点实验室和中国移动研究院共同创建，旨在为车对基础设施（V2I）通信中的路径损耗预测提供多模态环境数据与信道信息的联合采集。数据集包含2600个样本，每个样本包括RGB图像、点云数据、GPS坐标和信道路径损耗测量。数据集通过多模态环境数据与信道联合采集平台收集，涵盖了城市T型路口的多种场景，确保了数据的丰富性和多样性。该数据集主要用于提高V2I通信中路径损耗预测的准确性和鲁棒性，特别是在复杂城市环境中的应用。This dataset was co-developed by the State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, and China Mobile Research Institute. It aims to provide jointly collected multimodal environmental data and channel information for path loss prediction in vehicle-to-infrastructure (V2I) communications. The dataset consists of 2600 samples, each containing RGB images, point cloud data, GPS coordinates, and channel path loss measurements. The dataset was collected via a multimodal environmental data and channel joint acquisition platform, covering various scenarios at urban T-junctions, which ensures the richness and diversity of the data. This dataset is primarily used to improve the accuracy and robustness of path loss prediction in V2I communications, especially for applications in complex urban environments.

搜集汇总

数据集介绍

构建方式

为了准确捕捉现实环境中环境和信道的特征，研究团队设计并构建了一个多模态环境数据与信道联合采集平台。该平台能够同时收集环境数据（如RGB图像、点云数据和GPS信息）和信道数据，从而构建一个综合性的数据集。平台的核心组件包括LiDAR、两个RGB摄像头、GPS接收器、发射和接收天线、频谱分析仪和计算机。通过这些设备的协同工作，平台能够同步采集RGB图像、3D点云、位置信息和信道数据，确保数据的精确和同步。

特点

该数据集的特点在于其多模态数据的同步性和综合性。每个数据样本包含一张RGB图像、一帧点云数据、一个GPS坐标和一次信道路径损耗测量，这些数据在时间和空间上实现了精确对齐。此外，数据集在城市T型路口的典型场景中采集，涵盖了多种位置、角度和信号传播路径，确保了数据的多样性和丰富性。

使用方法

该数据集可用于训练和验证基于多模态环境感知的路径损耗预测模型。用户可以利用RGB图像、点云数据和GPS信息作为输入，通过特征提取和融合网络（如MFEFNet）进行路径损耗的预测。数据集的多样性和同步性使得模型能够在复杂和动态的环境中进行有效的路径损耗预测，特别适用于车辆到基础设施（V2I）通信场景。

背景与挑战

背景概述

随着6G技术的快速发展，智能交通系统的进步显著提升了车辆与基础设施（V2I）通信的重要性。V2I通信在提高交通效率和安全性方面发挥着关键作用。然而，由于环境复杂性和动态变化，无线数据传输的稳定性和可靠性面临巨大挑战。为应对这一问题，北京邮电大学和中国移动研究院的研究团队开发了多模态环境数据与信道联合采集平台数据集，旨在通过多模态环境感知技术提高V2I通信中的路径损耗预测精度。该数据集通过同步采集RGB图像、点云数据和GPS信息，结合信道数据，构建了一个时空同步的环境与信道数据集，为复杂环境下的路径损耗预测提供了重要支持。

当前挑战

该数据集的构建面临多重挑战。首先，多模态数据的同步采集和处理要求高精度的设备协调，确保数据在时间和空间上的对齐。其次，环境因素如光照变化、天气条件等对单一模态数据的干扰较大，导致预测性能下降。此外，如何有效融合不同模态的数据，充分利用各模态的优势，同时避免其局限性，是提高预测精度和鲁棒性的关键挑战。最后，数据集的多样性和覆盖范围需要确保其在不同城市环境和交通场景中的广泛适用性，以支持更复杂的V2I通信应用。

常用场景

经典使用场景

多模态环境数据与信道联合采集平台数据集的经典使用场景主要集中在车联网（V2I）通信中的路径损耗预测。该数据集通过整合RGB图像、点云数据和GPS信息，提供了一个多模态的环境感知与信道数据同步采集的平台。这种多模态数据的融合使得模型能够更准确地预测复杂环境下的路径损耗，尤其是在城市交通场景中，能够有效应对动态变化的环境因素，如光照条件、建筑物遮挡等。

衍生相关工作

基于该数据集，衍生了一系列经典工作，特别是在多模态数据融合与路径损耗预测领域。例如，研究者们提出了基于RGB图像、点云数据和GPS信息的多模态特征提取与融合网络（MFEFNet），并通过注意力机制提升了模型的预测精度。此外，该数据集还启发了其他研究，如在不同光照条件下的路径损耗预测、城市峡谷场景中的信道建模等。这些工作进一步推动了多模态环境感知技术在车联网通信中的应用与发展。

数据集最近研究

最新研究方向

多模态环境数据与信道联合采集平台数据集的最新研究方向主要集中在多模态环境感知与路径损耗预测的结合上。随着6G技术的发展，车辆与基础设施（V2I）通信的稳定性和可靠性成为智能交通系统中的关键问题。该数据集通过整合RGB图像、点云数据和GPS信息，构建了一个多模态环境数据与信道联合采集平台，旨在提高路径损耗预测的准确性和鲁棒性。研究中提出的多模态特征提取与融合网络（MFEFNet）通过引入注意力机制，有效整合了不同模态的数据，显著提升了预测精度，特别是在复杂和动态环境中的表现。此外，该研究还探讨了不同光照条件对预测性能的影响，结果表明多模态方法在低光照条件下的稳定性显著优于单一模态方法。这一研究不仅为V2I通信提供了更可靠的路径损耗预测模型，还为未来智能交通系统的发展提供了重要的技术支持。

相关研究论文

• Multi-Modal Environmental Sensing Based Path Loss Prediction for V2I Communications

  北京邮电大学网络与交换技术国家重点实验室，中国移动研究院 · 2024年