LAD-CKM

这是一个通过射线追踪在UMi校园场景中创建的动态MIMO-OFDM信道数据集。3D几何数据来自OpenStreetMap，场景导入Blender进行材质参数化后，通过Sionna射线追踪平台生成真实的MIMO-OFDM信道。为模拟环境动态，每个相干块中随机重新定位动态散射体，行人建模为干燥电介质盒子（0.5米×0.5米×1.8米），车辆建模为金属盒子（2米×4米×1.6米）。OFDM带宽为20 MHz，分为64个子载波，间隔312.5 kHz，其中52个子载波用于信道测量。中心频率设置为6.715 GHz（上行链路）和6.765 GHz（下行链路）。考虑BS天线数量N_t ∈ {8, 16, 32, 64, 128}和UE天线数量N_r ∈ {1, 4}。对于每个MIMO配置（N_t, N_r），生成20个相干块，每个块随机放置2,500个UE。

This is a dynamic MIMO-OFDM channel dataset created via ray tracing in the UMi campus scenario. 3D geometric data was sourced from OpenStreetMap. After importing the scenario into Blender for material parameterization, realistic MIMO-OFDM channels were generated using the Sionna ray tracing platform. To simulate environmental dynamics, dynamic scatterers were randomly repositioned within each coherence block. Pedestrians were modeled as dry dielectric boxes with dimensions of 0.5 m × 0.5 m × 1.8 m, while vehicles were modeled as metallic boxes with dimensions of 2 m × 4 m × 1.6 m. The OFDM bandwidth was set to 20 MHz, divided into 64 subcarriers with a spacing of 312.5 kHz, of which 52 subcarriers were used for channel measurement. The central frequencies were configured as 6.715 GHz for the uplink and 6.765 GHz for the downlink. The numbers of antennas at the base station (BS) and user equipment (UE) were set as $N_t in {8, 16, 32, 64, 128}$ and $N_r in {1, 4}$, respectively. For each MIMO configuration $(N_t, N_r)$, 20 coherence blocks were generated, with 2,500 UEs randomly placed in each block.

原始信息汇总

LAD-CKM 数据集概述

数据集基本信息

• 数据集名称：LAD-CKM
• 关联论文：Location-Agnostic Channel Knowledge Map Construction for Dynamic Scenes
• 论文链接：https://arxiv.org/abs/2603.09273
• 数据获取地址：https://pan.baidu.com/s/1TaqtsnxjyytFfnBe4YYl-A?pwd=8xje

数据集内容与生成方法

• 场景类型：UMi 校园场景下的动态 MIMO-OFDM 信道数据集。
• 生成方法：通过射线追踪技术生成。
• 场景构建流程：
  1. 3D 几何模型来源于 OpenStreetMap。
  2. 使用 Blender 进行材质参数化。
  3. 在 Sionna 射线追踪平台上生成真实的 MIMO-OFDM 信道。
• 动态环境模拟：在每个相干块中随机重新放置动态散射体。
  • 行人模型：介电常数干燥的方盒（0.5 m × 0.5 m × 1.8 m）。
  • 车辆模型：金属方盒（2 m × 4 m × 1.6 m）。

技术参数

• OFDM 参数：
  • 带宽：20 MHz。
  • 子载波总数：64。
  • 子载波间隔：312.5 kHz。
  • 用于信道测量的子载波数：52。
• 中心频率：
  • 上行链路：6.715 GHz。
  • 下行链路：6.765 GHz。
• 天线配置：
  • 基站天线数 N_t ∈ {8, 16, 32, 64, 128}。
  • 用户设备天线数 N_r ∈ {1, 4}。
• 数据规模：对于每种 MIMO 配置 (N_t, N_r)，生成 20 个相干块，每个块中随机分布 2,500 个用户设备。

使用说明

• 数据集加载示例参见 loader.py 文件。

引用格式

如果此数据集对您的研究有帮助，请引用我们的论文： bash @article{ ladckm, title={Location-Agnostic Channel Knowledge Map Construction for Dynamic Scenes}, author={Kequan Zhou and Guangyi Zhang and Hanlei Li and Yunlong Cai and Shengli Liu and Guanding Yu}, journal={arXiv preprint arXiv:2603.09273}, year={2026}}

搜集汇总

数据集介绍

构建方式

在无线通信领域，高保真信道数据对于推动动态场景下的信道建模研究至关重要。LAD-CKM数据集的构建依托于射线追踪技术，以城市微蜂窝校园场景为背景，其三维几何模型源自OpenStreetMap开源平台。通过将场景导入Blender进行材质参数化处理，并利用Sionna射线追踪平台生成真实的多输入多输出正交频分复用信道数据。为模拟环境动态性，每个相干块内随机重新布置动态散射体，其中行人建模为介电常数较低的矩形体，车辆则建模为金属矩形体。正交频分复用系统带宽设定为20兆赫兹，划分为64个子载波，实际使用52个子载波进行信道测量，上下行中心频率分别配置为6.715吉赫兹与6.765吉赫兹。针对基站天线数量从8至128不等、用户设备天线数量为1或4的多种配置组合，每个组合生成20个相干块，每个块内随机分布2500个用户设备位置。

特点

该数据集在动态无线信道建模方面展现出显著特色，其核心在于通过精细的几何与物理建模，实现了对动态散射环境的逼真模拟。数据集涵盖了多种天线配置场景，包括基站侧8至128根天线及用户侧1或4根天线的组合，为大规模多天线系统研究提供了丰富的数据支撑。信道数据基于射线追踪方法生成，具备物理可解释性，同时通过随机化动态散射体位置，有效捕捉了环境时变特性。正交频分复用参数设计贴合实际通信系统，子载波间隔与带宽配置符合典型无线标准，使得数据集兼具学术价值与工程参考意义。

使用方法

研究人员可通过提供的加载脚本便捷地访问与处理数据集，进而开展信道知识图谱构建、动态场景信道预测等相关研究。数据集以结构化格式存储，包含不同天线配置下的信道矩阵，用户可依据具体实验需求选择相应数据子集。在典型应用流程中，首先加载特定配置的信道数据，随后进行预处理与特征提取，最终用于训练或验证信道估计、波束成形等算法模型。数据集的设计支持对动态散射环境下信道空间相关性与时变特性的深入分析，为无线通信系统的智能化演进提供了坚实的数据基础。

背景与挑战

背景概述

在无线通信领域，信道知识图谱（CKM）作为一种新兴的建模范式，旨在通过空间位置与环境特征的映射来预测信道状态信息，从而优化网络性能。LAD-CKM数据集由研究人员于2026年提出，相关论文发表于arXiv预印本平台，核心研究聚焦于动态场景下位置无关的信道知识图谱构建问题。该数据集基于UMi校园场景，通过射线追踪技术生成多输入多输出正交频分复用（MIMO-OFDM）信道数据，并引入动态散射体模拟环境变化，为6G及智能通信系统中信道建模与资源分配研究提供了关键数据支撑，推动了信道预测算法从静态向动态场景的演进。

当前挑战

LAD-CKM数据集致力于解决动态无线环境中信道知识图谱构建的挑战，其核心问题在于如何从有限测量数据中泛化出位置无关的信道特征，以应对行人、车辆等动态散射体带来的时变干扰。在构建过程中，挑战主要体现在多维度复杂性：一是需在Blender与Sionna平台中精确参数化三维地理材质，并整合OpenStreetMap的开放数据以保障场景真实性；二是需高效生成大规模MIMO配置下的信道样本，涵盖不同天线数量与用户设备分布，同时保持动态散射体的随机重置，这对计算资源与算法效率提出了较高要求。

常用场景

经典使用场景

在无线通信领域，动态场景下的信道建模一直是提升系统性能的关键挑战。LAD-CKM数据集通过射线追踪技术，在UMi校园场景中模拟了包含随机移动行人和车辆的动态环境，生成了多输入多输出正交频分复用（MIMO-OFDM）信道数据。该数据集最经典的使用场景是构建位置无关的信道知识图谱（CKM），用于训练机器学习模型，以预测动态散射体影响下的信道状态信息，从而优化波束成形和资源分配策略。

衍生相关工作

基于LAD-CKM数据集，已衍生出多项经典研究工作，主要集中在信道知识图谱的构建与利用方面。例如，研究者利用其开发了深度学习方法，用于从部分测量数据中重构全场景信道信息；同时，该数据集也促进了位置无关的CKM优化算法的提出，这些工作发表在顶级通信会议和期刊上，推动了动态环境无线资源管理技术的进步。

数据集最近研究

最新研究方向

在无线通信领域，动态场景下的信道建模与预测正成为研究热点，LAD-CKM数据集的推出为此提供了关键支撑。该数据集通过射线追踪技术模拟城市微蜂窝场景中的动态多输入多输出正交频分复用信道，特别关注行人、车辆等动态散射体的随机分布，以构建位置无关的信道知识图谱。前沿研究聚焦于利用该数据集训练人工智能模型，实现动态环境中信道特性的实时推断与优化，从而提升6G通信系统的频谱效率和可靠性。这一方向与智能反射面、数字孪生网络等新兴技术紧密结合，推动了通信系统向自适应、智能化方向发展，对未来无线网络的部署与性能评估具有深远意义。