Multi-config-Radiomap-Dataset

该数据集为U6G/XL-MIMO无线电地图预测提供了多配置无线电地图数据集和预训练模型。数据集包含800个城市场景的大规模无线电地图数据，涵盖多个频段（1.8/2.6/3.5/4.9/6.7 GHz）和天线阵列配置（最大32x32 UPA），以及不同波束设置（1/8/16/64波束）。该资源旨在支持多配置无线电地图预测、跨配置泛化、跨环境泛化、波束感知无线电地图建模和稀疏无线电地图重建等研究。数据集适用于无线电地图预测方法的基准评估、未见阵列配置和环境泛化研究、物理信息特征（如波束图）评估，以及相关基准项目结果的复现。数据集采用CC BY 4.0许可协议发布。

原始信息汇总

Multi-config Radiomap Dataset and Pretrained Models for U6G XL-MIMO 数据集概述

数据集基本信息

• 名称：Multi-config Radiomap Dataset and Pretrained Models for U6G XL-MIMO
• 语言：英语
• 许可证：CC BY 4.0
• 数据规模：10K < n < 100K
• 任务类别：图像到图像
• 标签：无线通信、无线电地图、XL-MIMO、U6G、波束成形、基准测试、信号处理

数据集内容与构成

• 核心数据包：Dataset_*.zip，包含无线电地图相关数据及关联资源。
• 预训练模型：Pretrained_Model_*.zip，用于基准任务。
• 元数据索引：metadata.csv，用于预览和快速检查的轻量级元数据索引。

数据集详情

• 设计目的：用于研究多配置无线电地图预测、跨配置泛化、跨环境泛化、波束感知无线电地图建模以及稀疏无线电地图重建。
• 场景数量：800个城市场景。
• 频段：1.8 GHz、2.6 GHz、3.5 GHz、4.9 GHz、6.7 GHz。
• 发射天线规模：高达32x32的统一平面阵列。
• 波束设置：1、8、16、64个波束。

预期用途

• 无线电地图预测方法的基准评估。
• 研究在未见过的阵列配置间的泛化能力。
• 研究在未见过的环境间的泛化能力。
• 评估波束图等物理信息特征。
• 复现相关基准项目的结果。

获取与使用

• 数据集与预训练模型可从本Hugging Face仓库的“Files and versions”选项卡下载发布的zip包。
• 代码、预处理、训练、评估和基准使用请参考：
  • GitHub仓库：https://github.com/Lxj321/MulticonfigRadiomapDataset
  • 项目网站：https://lxj321.github.io/MulticonfigRadiomapDataset/

相关资源链接

• 论文：https://arxiv.org/abs/2603.06401
• 项目网站：https://lxj321.github.io/MulticonfigRadiomapDataset/
• 代码仓库：https://github.com/Lxj321/MulticonfigRadiomapDataset

引用

若使用本数据集或预训练模型，请引用相关项目和论文。 bibtex @misc{li2026u6gxlmimoradiomapprediction, title={U6G XL-MIMO Radiomap Prediction: Multi-Config Dataset and Beam Map Approach}, author={Xiaojie Li and Yu Han and Zhizheng Lu and Shi Jin and Chao-Kai Wen}, year={2026}, eprint={2603.06401}, archivePrefix={arXiv}, primaryClass={eess.SP}, url={https://arxiv.org/abs/2603.06401}, }

许可证说明

• 数据集：CC BY 4.0。
• 代码：参见GitHub仓库许可证。
• 预训练模型：除非另有说明，随本数据集仓库一同发布。

联系人

Xiaojie Li

• [e-mail]
• [e-mail]

搜集汇总

数据集介绍

构建方式

在无线通信领域，特别是面向第六代移动通信系统（U6G）与超大规模多输入多输出（XL-MIMO）技术的研究中，精确的无线电地图预测对于波束成形与网络优化至关重要。该数据集通过系统性的仿真与建模流程构建而成，覆盖了800个多样化的城市场景，并在多个频段（1.8、2.6、3.5、4.9、6.7 GHz）与发射天线配置（最高达32x32均匀平面阵列）下生成了无线电地图数据。数据生成过程考虑了不同的波束设置（1、8、16、64波束），以支持跨配置与跨环境的泛化研究，确保了数据在物理层面的多样性与代表性。

使用方法

为有效利用该数据集，用户可从Hugging Face仓库下载发布的压缩包，其中包含数据集文件与预训练模型。使用前需参考项目网站与GitHub代码库，获取数据预处理、训练与评估的具体流程。该数据集主要用于无线电地图预测方法的基准测试，支持跨配置与跨环境的泛化研究，并可结合预训练模型复现相关基准项目的结果。在实际应用中，用户应遵循CC BY 4.0许可协议，并引用相关论文以确保学术规范性。

背景与挑战

背景概述

在第六代移动通信与超大规模多输入多输出技术迅猛发展的背景下，无线信道建模与波束赋形成为提升频谱效率与系统性能的核心。Multi-config-Radiomap-Dataset由Xiaojie Li等研究人员于2026年构建，旨在为U6G/XL-MIMO无线环境下的辐射图预测提供大规模、多配置的基准数据。该数据集涵盖800个城市场景、多种频段与天线阵列配置，致力于解决跨配置与跨环境的泛化性问题，为物理信息融合的智能无线网络研究奠定了重要基础。

当前挑战

该数据集致力于应对无线辐射图预测中的多重挑战，其核心在于解决高维信道状态信息的压缩表征与跨场景泛化难题。构建过程中，研究人员需克服大规模城市环境电磁仿真与实测数据采集的复杂性，协调多频段、多天线配置下数据的一致性与完整性，并设计有效的波束映射特征以支撑稀疏辐射图重建等前沿任务。

常用场景

经典使用场景

在无线通信领域，特别是面向第六代移动通信系统（6G）与超大规模多输入多输出（XL-MIMO）技术的研究中，Multi-config-Radiomap-Dataset为辐射图预测任务提供了经典的应用场景。该数据集通过涵盖800个城市场景、多种频段及天线阵列配置，为研究者构建了一个标准化的基准测试平台。经典使用场景聚焦于利用深度学习模型，依据稀疏的测量数据或环境先验信息，高效且准确地预测完整辐射图分布，从而支撑波束赋形与信道建模等核心通信环节的优化。

解决学术问题

该数据集主要致力于解决无线通信研究中若干关键学术问题。它通过提供多配置、多场景的辐射图数据，有效支持了对跨配置泛化与跨环境泛化能力的系统性研究，即模型在未见过的天线阵列配置或全新地理环境下的预测性能。同时，数据集促进了辐射图稀疏重建、波束感知建模等物理信息融合方法的发展，为理解并建模复杂电磁传播环境提供了坚实的数据基础，推动了通信理论与机器学习交叉领域的学术进展。

实际应用

在实际应用层面，Multi-config-Radiomap-Dataset对于未来6G网络，尤其是U6G与XL-MIMO系统的部署与优化具有显著价值。其衍生的预测模型能够应用于智能波束管理，通过预判信号空间分布来动态调整波束指向，从而提升网络覆盖与频谱效率。此外，该技术可辅助基站部署规划、网络容量仿真以及室内外无缝连接设计，为构建高可靠、低时延的下一代移动通信基础设施提供了关键的数据驱动解决方案。

数据集最近研究

最新研究方向

在无线通信领域，特别是面向第六代移动通信系统（6G）与超大规模多输入多输出（XL-MIMO）技术的研究中，信道建模与波束管理是关键挑战。Multi-config-Radiomap-Dataset以其涵盖800个城市场景、多频段与多阵列配置的辐射图数据，为相关前沿探索提供了重要基准。当前研究聚焦于利用该数据集推动跨配置与跨环境的泛化学习，旨在通过深度学习模型预测未见场景下的辐射图分布，从而优化波束成形策略并提升网络能效。同时，结合物理信息特征如波束图进行稀疏辐射图重建，也成为提升模型可解释性与鲁棒性的热点方向。这些工作不仅加速了6G智能波束赋形算法的开发，也为未来超密集网络部署提供了可靠的数据驱动仿真基础。