CKMImageNet

CKMImageNet是一个旨在推进AI驱动的环境感知无线通信和感知研究的综合数据集，由东南大学国家移动通信研究实验室提供。该数据集整合了位置特定的通道知识数据、高保真环境地图及其视觉表示。CKMImageNet支持多种AI驱动的方法进行通道知识图（CKM）构建，包含监督和非监督、判别和生成AI方法。数据集利用先进的射线追踪技术构建，确保了高保真度和环境准确性。它为AI模型学习环境感知传播模式提供了基础工具，可应用于6G系统的网络规划、资源分配等领域。

CKMImageNet is a comprehensive dataset developed to advance AI-driven environment-aware wireless communication and perception research, provided by the National Mobile Communications Research Laboratory of Southeast University. This dataset integrates location-specific channel knowledge data, high-fidelity environment maps and their visual representations. CKMImageNet supports a variety of AI-driven methods for Channel Knowledge Map (CKM) construction, including supervised, unsupervised, discriminative and generative AI approaches. The dataset is constructed using advanced ray-tracing technology, ensuring high fidelity and environmental accuracy. It serves as a foundational tool for AI models to learn environment-aware propagation patterns, and can be applied to fields such as network planning and resource allocation in 6G systems.

搜集汇总

数据集介绍

构建方式

CKMImageNet数据集的构建采用了高保真度的电磁波射线追踪技术，结合了商业软件Wireless Insite和开源框架Sionna的仿真能力。通过Blender和OpenStreetMap获取真实世界的三维环境模型，模拟了包括反射、衍射和散射在内的复杂电磁波传播行为。数据集中的每个数据实例由三维空间坐标和多维信道知识（如信道增益、到达角、离开角和传播时延）组成，并通过归一化处理转化为32×32、64×64和128×128像素的灰度图像，以支持不同分辨率的AI模型训练需求。

特点

CKMImageNet数据集的核心特点在于其多维信道知识的全面性和空间一致性。数据集不仅包含传统的信道增益信息，还提供了到达角、离开角和传播时延等多维参数，支持全栈式的无线信道分析。通过将数值数据与高保真环境地图（如建筑布局和材料属性）紧密结合，数据集能够准确反映真实传播环境中的空间相关性。此外，数据集的灰度图像表示简化了计算复杂度，同时保留了信道特性与环境特征之间的空间关联，为计算机视觉算法提供了直观的分析基础。

使用方法

CKMImageNet数据集的使用方法涵盖了从基础研究到实际应用的多个层面。在AI模型训练中，数据集的灰度图像可直接输入卷积神经网络（CNN）或生成对抗网络（GAN）进行信道知识地图（CKM）的降噪、修复和超分辨率重建。对于环境感知通信任务，用户可通过空间坐标与多维信道参数的配对数据，开发基于位置的信道预测算法。数据集还支持跨学科研究，如将环境地图与信道特性结合，用于6G网络中的基站选址、波束成形和无人机轨迹规划等场景。通过平台共享机制，研究者可贡献新的仿真或实测数据，进一步扩展数据集的多样性和覆盖范围。

背景与挑战

背景概述

CKMImageNet是由东南大学移动通信国家重点实验室的吴子健、吴迪、付申、邱跃龙和曾勇教授团队于2024年提出的创新性数据集，旨在推动基于人工智能的环境感知6G通信与感知研究。该数据集受到计算机视觉领域ImageNet成功的启发，通过整合高精度射线追踪技术生成的位置特定信道知识数据、环境地图及其视觉表征，构建了首个面向无线通信的信道知识地图（CKM）基准数据集。其核心研究问题聚焦于解决传统实时信道状态信息获取方法在超密集网络和大规模MIMO系统中的瓶颈，为基站选址、波束对齐等关键任务提供环境先验知识。该数据集通过提供多维信道参数（包括信道增益、到达角等）和标准化灰度图像，显著提升了AI模型学习环境相关传播模式的能力，对智能无线通信领域具有里程碑意义。

当前挑战

CKMImageNet面临的主要挑战体现在两个维度：领域问题方面，需解决超密集网络中实时信道信息获取的高开销问题，以及复杂电磁环境下多径效应建模的精度问题；数据构建方面，高保真射线追踪计算带来的算力消耗、真实环境几何建模的复杂性、以及多维信道参数的空间一致性保持构成技术难点。特别地，将电磁传播的物理规律转化为可被视觉AI模型理解的灰度图像时，需平衡数值精度与计算效率，同时确保不同分辨率图像间的尺度不变性。此外，数据集还需克服实际测量数据稀疏性与商业射线追踪软件封闭性带来的扩展限制，这促使团队开发开源替代方案Sionna并建立数据共享平台。

常用场景

经典使用场景

CKMImageNet数据集在环境感知无线通信和感知领域具有广泛的应用价值。该数据集通过整合位置特定的信道知识数据、高保真环境地图及其视觉表示，为AI驱动的CKM构建提供了丰富的数据支持。其经典使用场景包括基于AI的CKM构建，如去噪、修复和超分辨率等任务，这些任务在6G通信系统的网络规划和资源分配中发挥着关键作用。通过利用CKMImageNet的多维信道知识和视觉表示，研究人员能够更高效地构建高精度的信道知识地图，从而提升通信和感知性能。

实际应用

CKMImageNet数据集在实际应用中表现出广泛的潜力。在通信领域，它可用于基站选址、波束对齐、功率分配和干扰避免等任务，显著提升网络规划和资源分配的效率。在感知领域，数据集支持基于信道知识地图的定位和感知增强，例如通过抑制杂波和提高目标信号检测精度来改善感知性能。此外，CKMImageNet的视觉表示形式使其能够与计算机视觉算法无缝集成，为复杂环境中的信道特性分析和优化提供了直观的工具。

衍生相关工作

CKMImageNet数据集已经衍生出多项经典研究工作。例如，基于该数据集的生成式扩散模型（如CKMDiff）被用于CKM构建中的逆问题求解，通过学习先验知识提升构建精度。此外，ResNet和条件扩散模型等深度学习架构被应用于CKM的超分辨率和修复任务，显著提升了信道地图的细节恢复能力。这些工作不仅验证了CKMImageNet的数据价值，还推动了环境感知通信和感知技术的进一步发展，为6G系统的智能化奠定了坚实基础。