ray-tracing dataset

该数据集是通过Remcom's Wireless InSite商业射线追踪软件进行大量射线追踪模拟生成的 crowdsourced RSS 数据。数据集包含了室内环境中接收到信号强度（RSS）的信息，用于估计与接入点（APs）的距离。该数据集的特点是未标记位置信息，适用于无需位置标签的统计方法，可用于提高室内定位准确性，并且已公开以促进可复现性和未来研究。

This dataset is a crowdsourced Received Signal Strength (RSS) dataset generated via extensive ray-tracing simulations using Remcom's Wireless InSite commercial ray-tracing software. It encompasses received signal strength information collected within indoor environments, designed for estimating distances to wireless access points (APs). A key characteristic of this dataset is that it does not include labeled location annotations, rendering it applicable to statistical approaches that do not require location labels. It can be leveraged to enhance the accuracy of indoor positioning systems, and has been made publicly available to foster reproducibility and advance subsequent research.

搜集汇总

数据集介绍

构建方式

该数据集通过商用射线追踪软件Wireless InSite生成，模拟了真实建筑平面图中的复杂室内信号传播环境。研究团队基于弗吉尼亚理工大学校园的两处实际建筑平面图（Agnew Hall地下室和Pack Building一楼），构建了三维电磁传播模型，设置了8个接入点(AP)和数千个接收点位置。数据采集考虑了不同工作频率(2.4GHz和5GHz)、接收高度(1m和1.5m)等变量，并加入了标准差为3dB的对数正态分布测量噪声，以模拟真实环境中的信号波动。

特点

该数据集具有三个显著特征：首先，它通过精确的射线追踪技术捕捉了室内多径传播和阴影效应，提供了接近真实环境的信号强度(RSS)分布；其次，数据集包含不同操作条件下的多维度数据，如双频段信号和不同接收高度的测量结果，为研究信号传播特性提供了丰富素材；最后，数据集特别设计了无位置标签的众包数据形式，为开发免校准定位算法创造了理想条件。

使用方法

该数据集主要用于开发基于统计学习的室内定位算法。研究者首先对众包RSS数据进行聚类分析（如基于Voronoi图或K-means算法），随后应用累积分布函数(CDF)转换方法将信号强度映射为距离估计，最后通过改进的三边测量算法确定目标位置。数据集还支持跨频率和跨高度的泛化性能测试，以及结合部分位置信息的混合定位方法研究。为便于复现研究结果，数据集已在GitHub平台公开。

背景与挑战

背景概述

ray-tracing dataset是由Virginia Tech的研究团队于2025年提出的，主要研究人员包括Haozhou Hu、Harpreet S. Dhillon和R. Michael Buehrer。该数据集旨在解决基于指纹识别的室内定位方法中需要大量人工现场调查和频繁重新校准的问题。通过利用未标记的众包数据和射线追踪模拟，该数据集为室内定位提供了一种无需校准的新方法。其核心研究问题是通过统计信息将接收信号强度（RSS）映射到与接入点（AP）的距离，从而克服传统路径损耗模型的局限性。该数据集对无线传感器网络和室内定位领域的研究具有重要影响，特别是在减少人工校准和提高定位精度方面。

当前挑战

ray-tracing dataset面临的挑战主要包括：1) 领域问题挑战：室内信号传播受多径效应和阴影衰落的影响，导致RSS与距离的映射关系复杂化；2) 构建过程挑战：众包数据通常缺乏位置标签，难以直接用于现有的指纹定位框架。此外，射线追踪模拟需要高精度的3D环境模型，计算成本较高。这些挑战需要通过统计学习和高效的算法设计来解决，以确保定位精度和计算效率的平衡。

常用场景

经典使用场景

在室内定位领域，ray-tracing dataset被广泛用于模拟复杂的信号传播环境，特别是在基于指纹的定位方法中。该数据集通过射线追踪技术生成，能够精确模拟多径效应和阴影衰落，为研究人员提供了一个高度可控的实验平台。其经典使用场景包括评估新型定位算法的性能、验证无监督学习方法的有效性，以及优化信号传播模型。

实际应用

在实际应用场景中，ray-tracing dataset为商业室内定位系统提供了重要支持。例如，在大型购物中心和机场中，该数据集可用于训练定位模型而无需进行昂贵的现场勘测。其生成的信号传播数据还能帮助优化WiFi接入点的部署，提高定位精度。此外，该数据集支持跨设备、跨平台的定位解决方案开发，为智能建筑中的个性化服务提供技术基础。

衍生相关工作

围绕ray-tracing dataset衍生出了一系列经典研究工作。其中包括基于累积分布函数的距离估计算法、改进的三边定位框架，以及融合多种聚类方法的混合定位系统。这些工作不仅验证了数据集的实用价值，还推动了无监督学习在室内定位领域的应用。值得注意的是，该数据集还促进了生成对抗网络在无线电地图合成中的研究，为减少数据收集工作量提供了新思路。