U6G XL-MIMO Radiomap Prediction: Multi-config Dataset & Beam Map Approach

该项目为U6G / XL-MIMO系统中的多配置无线电地图预测提供了一个统一的基准和可重复性包。它旨在支持多配置无线电地图预测、跨配置泛化、跨环境泛化、波束感知无线电地图建模和稀疏无线电地图重建等可重复研究。发布的一个关键特征是联合组织了高度图、配置感知波束图、射线追踪无线电地图标签、射线追踪场景和相关资源以及UNet / GAN基线管道。

This project provides a unified benchmark and reproducibility package for multi-configuration radio map prediction in U6G/XL-MIMO systems. It aims to support reproducible research covering multi-configuration radio map prediction, cross-configuration generalization, cross-environment generalization, beam-aware radio map modeling, and sparse radio map reconstruction. A key feature of the released package is that it integrates height maps, configuration-aware beam maps, ray-tracing radio map labels, ray-tracing scenarios, related resources, and UNet/GAN baseline pipelines.

原始信息汇总

U6G XL-MIMO 无线电地图预测：多配置数据集与波束地图方法

数据集概述

这是一个用于U6G / XL-MIMO系统中多配置无线电地图预测的公共基准和可复现性项目包。该数据集旨在支持以下领域的可复现研究：

• 多配置无线电地图预测
• 跨配置泛化
• 跨环境泛化
• 波束感知无线电地图建模
• 稀疏无线电地图重建

核心资源

1. 数据集内容

• 高度图
• 无线电地图
• 波束地图
• 配置文件
• 射线追踪场景和仿真相关资产

2. 基准代码

• 数据集生成流程
• 数据集预处理与加载
• UNet 训练与评估
• GAN 训练与评估
• 验证与可视化工具

3. 预训练模型

基准任务的预训练检查点已在 Hugging Face 仓库中发布。

4. 文档

项目网站提供了详细文档，包括数据集结构、基准设置、快速入门说明和预训练模型组织。

关键数据规格

• 场景数量： 800
• 频率： 1.8 / 2.6 / 3.5 / 4.9 / 6.7 GHz
• 发射天线： 最多 1024 TR
• 波束数量： 1 / 8 / 16 / 64
• 波束模式： 3GPP TR 38.901

基准任务

基准使用统一的任务命名方案，包括：

• random_dense_feature
• random_dense_encoding
• beam_dense_feature
• beam_dense_encoding
• scene_dense_feature
• scene_dense_encoding
• random_sparse_feature_samples819
• random_sparse_encoding_samples819

任务在以下方面存在差异：

• 划分策略：random / beam / scene
• 监督密度：dense / sparse
• 输入模式：feature / encoding

获取方式

• 数据集与预训练模型（Hugging Face）： https://huggingface.co/datasets/lxj321/Multi-config-Radiomap-Dataset
• 代码仓库（GitHub）： https://github.com/Lxj321/MulticonfigRadiomapDataset
• 项目网站： https://lxj321.github.io/MulticonfigRadiomapDataset/
• 论文（arXiv）： https://arxiv.org/abs/2603.06401

核心依赖

用于评估和基准训练

主要依赖标准 Python ML 包，如 PyTorch、NumPy、Pandas、Matplotlib、scikit-image。

用于射线追踪无线电地图生成

无线电地图生成流程依赖 TensorFlow 和 Sionna 0.19.2。

用于从 OSM 构建场景

场景转换步骤依赖 Blender 4.0 和 bpy（Blender Python 环境）。

引用

如果研究中使用此项目，请引用： bibtex @misc{li2026u6gxlmimoradiomapprediction, title={U6G XL-MIMO Radiomap Prediction: Multi-Config Dataset and Beam Map Approach}, author={Xiaojie Li and Yu Han and Zhizheng Lu and Shi Jin and Chao-Kai Wen}, year={2026}, eprint={2603.06401}, archivePrefix={arXiv}, primaryClass={eess.SP}, url={https://arxiv.org/abs/2603.06401} }

联系

Xiaojie Li (李宵杰）：[e-mail] / [e-mail]

搜集汇总

数据集介绍

构建方式

在第六代移动通信与超大规模多输入多输出系统研究领域，数据驱动的信道建模与预测已成为关键支撑技术。Multi-config-Radiomap-Dataset的构建依托于系统化的射线追踪仿真流程，首先从开放街道地图中提取真实城市场景的三维几何信息，并利用Blender工具进行场景建模与网格化处理。随后，基于Sionna射线追踪引擎，在多个频段与发射天线配置下生成了密集的无线电地图数据，同时依据3GPP标准生成了不同波束数量的波束图，最终形成了包含高度图、波束图及射线追踪标签的多配置联合数据集。

特点

该数据集的核心特点在于其多配置性与系统性，覆盖了800个多样化的城市场景，并在1.8至6.7GHz的五个典型频段上提供了丰富的信道响应。数据集不仅集成了高度图、波束图与射线追踪生成的无线电地图，还引入了多种发射天线配置与波束数量，支持随机、波束及场景等多种划分策略。这种设计使得数据集能够有效支撑跨配置与跨环境的泛化研究，并为波束感知的无线电地图建模与稀疏重建任务提供了统一的基准。

使用方法

为便于研究者使用，数据集在Hugging Face平台提供了完整的下载包与预训练模型。用户可直接下载数据进行可视化分析，或利用发布的评估脚本对预训练模型进行性能测试。对于希望重新训练基准模型的研究者，代码库中提供了UNet与GAN等基线网络的训练流程，并详细说明了不同基准任务的设置。若需复现数据生成过程，项目亦公开了从场景处理到波束图构建的全套生成脚本，但需注意其依赖特定的射线追踪与三维建模环境。

背景与挑战

背景概述

随着第六代移动通信（U6G）与超大规模多输入多输出（XL-MIMO）技术的演进，无线信道环境的精确建模成为提升网络性能的关键。Multi-config-Radiomap-Dataset由李宵杰等研究人员于2026年创建，旨在为多配置无线地图预测提供一个统一的基准数据集。该数据集聚焦于解决在复杂传播场景下，如何依据不同发射器配置、波束形态与环境特征，高效预测空间信号强度分布的挑战。其集成了高度图、波束图及射线追踪生成的无线地图标签，支持跨配置与跨环境的泛化研究，对推动智能无线资源管理与波束成形算法的发展具有显著影响力。

当前挑战

在无线通信领域，精确预测多配置下的空间信号覆盖面临诸多挑战。数据集所针对的核心问题在于，如何在多样的发射频率、天线阵列与波束模式下，实现高维信道特征的泛化建模，并克服稀疏测量条件下的地图重建困难。构建过程中，研究团队需整合大规模射线追踪仿真、真实场景几何重建以及多频段波束图生成，这涉及复杂的跨工具链协作，如Blender场景构建与Sionna射线追踪引擎的集成，确保数据的一致性与物理准确性成为一项艰巨任务。

常用场景

经典使用场景

在第六代移动通信系统与超大规模多输入多输出技术的研究中，无线信道环境的精确建模是提升网络性能的关键。Multi-config-Radiomap-Dataset通过整合多种发射机配置下的高度图、波束图与射线追踪辐射图，为多配置辐射图预测任务提供了标准化基准。该数据集典型应用于训练深度学习模型，以预测不同天线阵列、波束数量及频段下的空间信号分布，支持跨配置与跨环境的泛化能力评估，为U6G/XL-MIMO系统的信道表征研究奠定了数据基础。

实际应用

在实际通信系统部署中，该数据集支撑了智能网络规划与优化应用。通过利用预测的辐射图，运营商能够预先评估不同基站配置下的覆盖质量与干扰水平，从而优化天线布局与波束赋形策略。在动态环境如城市峡谷或室内场景中，模型可辅助实现实时波束调整，提升频谱效率与用户体验。此外，数据集生成的仿真场景与资产可用于通信系统原型测试，降低实地测量的成本与复杂度，加速U6G网络从实验室向规模化商用的过渡。

衍生相关工作

围绕该数据集，已衍生出一系列经典研究工作，主要集中在基于深度学习的辐射图预测框架上。例如，采用UNet与生成对抗网络的基础模型被广泛用于密集与稀疏辐射图重建任务，探索了特征与编码两种输入模式下的性能差异。同时，结合波束图信息的混合建模方法成为研究热点，旨在提升模型对天线配置的感知能力。这些工作不仅丰富了多配置信道预测的算法库，还启发了跨领域应用，如智能反射面配置与联合通信感知一体化系统的设计，持续拓展无线数据驱动的创新边界。