AFAR Challenge Dataset

AFAR Challenge数据集是由美国国家科学基金会（NSF）支持的一项竞赛活动“寻找漫游者”（AFAR）中收集的。该数据集包含来自五个最终参赛大学团队的无人机辅助射频源定位数据。数据集包括在数字孪生（DT）环境和真实户外测试床中收集的共计30个数据集，每个数据集包含时间同步的接收信号强度（RSS）、接收信号质量（RSQ）、GPS坐标、无人机速度和无人机姿态（滚转、俯仰和偏航）等测量数据。数据集支持无人机辅助射频源定位、空对地（A2G）无线传播建模、轨迹优化、信号预测、自主导航和DT验证等领域的研究。

The AFAR Challenge Dataset was collected from the "Search for Rovers" (AFAR) competition supported by the U.S. National Science Foundation (NSF). This dataset contains unmanned aerial vehicle (UAV)-assisted radio frequency (RF) source localization data from five finalist university teams. A total of 30 datasets were collected across both digital twin (DT) environments and real-world outdoor testbeds. Each dataset includes time-synchronized measurement data such as received signal strength (RSS), received signal quality (RSQ), GPS coordinates, UAV speed, and UAV attitudes (roll, pitch, and yaw). This dataset supports research in multiple fields including UAV-assisted RF source localization, air-to-ground (A2G) wireless propagation modeling, trajectory optimization, signal prediction, autonomous navigation, and DT validation.

搜集汇总

数据集介绍

构建方式

AFAR Challenge数据集是通过AERPAW平台在数字孪生（DT）环境和实际户外无线测试场中同步收集的。该数据集源自AFAR挑战赛，五个大学团队设计了不同的无人机飞行轨迹和定位算法，用于探测隐藏在地面的无人地面车辆（UGV）发出的无线信号。每个团队在三个不同位置放置UGV，共生成30组数据（15组来自DT环境，15组来自实际测试场）。数据采集过程中，无人机搭载的软件定义无线电设备（USRP B205mini）以30Hz的采样率记录了接收信号强度（RSS）、信号质量（RSQ）、GPS坐标、速度及姿态角（横滚、俯仰、偏航）等时间同步参数，并通过线性插值解决不同采样率的时空对齐问题。

特点

该数据集的核心价值在于其双环境（仿真与真实）对比特性及多维时空特征。包含约30万条时间同步样本，覆盖无人机在20-110米高度、0-10m/s速度范围内的动态飞行数据，同时捕捉了真实环境中由多径效应、无人机机身遮挡等引起的信号波动。数据按团队、环境和UGV位置分层存储，包含原始日志文件（CSV/TXT）和MATLAB格式的姿态数据，支持直接分析A2G信道传播特性。其独特之处在于首次公开了无人机辅助RF定位的实测数据，并提供了数字孪生与真实场景的量化差异基准，为研究仿真到实景的鸿沟问题提供了实证基础。

使用方法

研究者可通过解析数据集中的时间戳对齐多模态信息，开展三类典型应用：1) A2G信道建模，利用RSS与空间坐标的关联性构建考虑无人机高度、姿态的路径损耗模型；2) 定位算法验证，通过比较各团队在DT/真实环境中的定位误差（如Top3团队平均误差47.8-68.3米），优化粒子滤波或深度学习方案；3) 数字孪生可信度评估，对比同一场景下仿真与实测信号的统计特性差异。数据集配套MATLAB脚本支持数据清洗与特征提取，建议结合文献[11]提出的增强双射线模型，通过ResNet等网络实现天线方向图影响的补偿建模。

背景与挑战

背景概述

AFAR Challenge Dataset是由美国国家科学基金会（NSF）支持的AERPAW测试平台组织的一项创新性竞赛所创建的数据集，旨在推动无人机辅助射频（RF）源定位技术的研究。该数据集由北卡罗来纳州立大学等多家机构的联合团队于2024年发布，包含了真实世界和数字孪生（DT）环境下的同步测量数据，如接收信号强度（RSS）、信号质量（RSQ）、GPS坐标及无人机姿态信息。其核心研究问题聚焦于解决复杂环境中无人机轨迹优化与射频源定位的难题，填补了传统仿真研究与实际部署之间的鸿沟。该数据集通过提供多团队、多场景的对比数据，显著促进了空对地（A2G）信道建模、自主导航算法验证等领域的进展。

当前挑战

AFAR数据集面临的挑战主要体现在两方面：领域问题挑战方面，无人机辅助射频定位需克服真实环境中多径效应、信号遮挡及动态信道变化等问题，而现有仿真模型难以准确复现这些复杂性；数据构建挑战方面，需同步处理无人机高速移动导致的时空数据对齐问题（如30Hz的RSS采样与5Hz的GPS数据插值），并确保数字孪生与真实测试场数据的结构一致性。此外，射频源位于无人机禁飞区的场景设计进一步增加了定位算法对间接信号分析的依赖性，要求算法具备更强的环境适应能力。

常用场景

经典使用场景

AFAR Challenge Dataset在无人机辅助射频源定位研究中具有经典应用场景。该数据集通过真实世界与数字孪生环境的同步数据采集，为研究无人机在不同飞行轨迹下的信号接收特性提供了丰富素材。数据集包含接收信号强度、信号质量、GPS坐标及飞行姿态等多维时间序列数据，特别适合用于分析空对地无线传播模型的动态特性。在经典应用中，研究者常利用该数据集验证基于粒子滤波或深度学习的定位算法性能，同时对比模拟环境与真实场景下的定位误差差异。

解决学术问题

该数据集有效解决了无人机辅助定位领域的若干关键学术问题。首先突破了传统仿真环境无法模拟真实信道动态的局限，通过同步记录的飞行姿态数据揭示了无人机机体阴影效应对信号接收的影响机制。其次，数据集包含不同团队设计的多样化飞行轨迹，为研究轨迹优化与定位精度的关联性提供了实证基础。最重要的是，其实验设计中设置的障碍区域有效推动了非直视条件下定位算法的创新研究，填补了复杂环境适应性定位模型验证的数据空白。

衍生相关工作

该数据集催生了多项创新性研究，包括IEEE VTC会议收录的贝叶斯优化定位框架和基于ResNet的深度学习定位模型。北卡罗来纳州立大学团队开发的数字孪生验证平台将数据集扩展应用于5G空中基站部署测试。佐治亚大学基于轨迹热力图分析提出的自适应采样算法，以及纽约大学团队发表在IFIP Networking会议上的混合定位方案，均以该数据集作为核心验证基准。这些衍生工作共同推动了无人机感知网络从理论到实践的转化。