Pathloss and ToA Radio Maps

本数据集名为Pathloss and ToA Radio Maps，由柏林工业大学等机构创建，包含56080条模拟的pathloss/RSS和time of arrival (ToA) 无线电地图数据，覆盖多个真实城市地图。数据集通过高精度软件WinProp生成，适用于深度学习模拟和无线定位研究。主要解决无线通信中的路径损耗预测和定位精度问题，为比较RSS和ToA定位方法提供了公平的基准。This dataset, named Pathloss and ToA Radio Maps, was developed by institutions including Technische Universität Berlin (TU Berlin). It contains 56,080 simulated radio map datasets of pathloss/RSS (Received Signal Strength) and Time of Arrival (ToA), covering multiple real-world urban maps. Generated using the high-precision software WinProp, this dataset is applicable to deep learning simulations and wireless localization research. It mainly addresses the challenges of pathloss prediction and positioning accuracy in wireless communications, and serves as a fair benchmark for comparing RSS and ToA-based localization approaches.

搜集汇总

数据集介绍

构建方式

Pathloss and ToA Radio Maps数据集是通过模拟密集城市环境中的信号传播来构建的。研究人员使用了WinProp射线追踪软件，对来自Ankara、Berlin、Glasgow等城市的701张256×256米的城市地图进行了模拟。在每个地图中，考虑了80个发射器位置，总共进行了56080次模拟。模拟分为两种类型：地面级和屋顶级。地面级模拟对应于D2D设置，而屋顶级模拟对应于基站设置。为了提高模拟的准确性，研究人员使用了两种类型的无线电图模拟方法：主导路径模型（DPM）和智能射线追踪（IRT）。所有建筑（和汽车）都被假设具有相同的通用材料属性。模拟以1米/像素的分辨率保存为.png图像，并且还提供了描述模拟设置的图像和.json文件。

特点

Pathloss and ToA Radio Maps数据集的特点包括高分辨率、精细的反射模式以及包含汽车影响的版本。数据集提供了地面级和屋顶级模拟，分别对应于D2D和基站设置。模拟使用了DPM和IRT两种方法，并且考虑了不同数量的射线与环境交互。此外，数据集还包括了带有汽车的版本，以模拟更真实的环境。数据集的分辨率达到了1米/像素，适用于高精度定位方法的研究。

使用方法

Pathloss and ToA Radio Maps数据集的使用方法包括学习预测路径损耗的方法和无线定位。数据集可以用于训练深度学习模型，以预测输入城市地图的路径损耗，从而实现快速和准确的无线电图预测。此外，数据集还可以用于比较基于RSS和基于ToA的无线定位方法。数据集提供了估计的无线电图，以及真实的无线电图，以便于研究人员进行评估和比较。

背景与挑战

背景概述

Pathloss and ToA Radio Maps数据集由柏林工业大学、以色列理工学院、慕尼黑路德维希马克西米利安大学和特罗姆瑟大学的研究人员共同创建并公开发布。该数据集包含了模拟的路径损耗/接收信号强度（RSS）和时间到达（ToA）无线电地图，覆盖了现实城市地图中大量密集城市环境。该数据集的主要应用包括：1）从输入城市地图中预测路径损耗的学习方法（即基于深度学习的模拟）；2）无线定位。由于RSS和ToA地图是在相同的城市地图上通过相同的模拟计算得出的，这允许对基于RSS和ToA的定位方法进行公平的比较。

当前挑战

该数据集面临的挑战包括：1）在无线通信中，路径损耗的预测对许多应用至关重要，但由于城市环境中建筑和车辆等障碍物的存在，路径损耗的准确预测仍然是一个难题；2）在城市环境中，基于距离（范围）估计的定位方法由于环境中的障碍物导致的不可避免的误差而性能严重下降，因此，基于无线电地图（也称为指纹）的方法比明确使用这些（不匹配的）距离估计的方法更受欢迎；3）在城市环境中，基于ToA的定位方法比基于RSS的定位方法更受欢迎，但在实际部署中，ToA测量的精度和准确性仍然是一个挑战。

常用场景

经典使用场景

Pathloss and ToA Radio Maps 数据集在无线通信领域具有广泛的应用前景。该数据集通过模拟路径损耗和到达时间（ToA）的无线电地图，为研究人员提供了丰富的实验数据。经典使用场景包括：1) 基于深度学习的路径损耗预测方法研究；2) 无线定位技术的研究。通过对比 RSS 和 ToA 基于的定位方法，研究人员可以更准确地评估不同定位算法的性能。

实际应用

Pathloss and ToA Radio Maps 数据集在实际应用场景中具有广泛的应用价值。例如，在城市规划、交通管理、公共安全等领域，高精度无线定位技术可以提供实时位置信息，为决策提供支持。此外，基于深度学习的路径损耗预测方法可以提高无线网络的性能，实现更高效的通信。因此，该数据集对于推动无线通信技术的发展具有重要意义。

衍生相关工作

Pathloss and ToA Radio Maps 数据集衍生了一系列相关的经典工作。例如，LocUNet 方法使用路径损耗无线电地图估计和接收信号强度（RSS）测量，实现了快速的城市定位。RadioUNet 方法利用卷积神经网络对路径损耗无线电地图进行快速估计，为路径损耗预测提供了新的思路。这些经典工作为无线通信领域的研究提供了重要的参考和启示。