Techtile testbed CSI data

该数据集源自Techtile测试平台，通过收集物理测试床上的实际信道状态信息（CSI）数据创建，包含来自33个分布式接入点（AP）的500个空间位置的用户设备（UE）的上行链路CSI测量。数据集经过处理后，模拟了两个和四个用户的通信场景，总共产生了124,750个独特的双用户信道实例。该数据集用于研究基于图神经网络（GNN）的预编码技术，旨在通过将模拟数据的知识迁移到实际部署环境中，提高无线通信系统的性能。

This dataset is derived from the Techtile testbed, and is constructed by collecting real-world uplink channel state information (CSI) measurements from user equipment (UE) at 500 spatial locations across 33 distributed access points (APs). After post-processing, it simulates communication scenarios with two and four users, generating a total of 124,750 unique two-user channel instances. This dataset is utilized to research graph neural network (GNN)-based precoding technologies, aiming to improve the performance of wireless communication systems by transferring knowledge from simulated data to real-world deployment environments.

搜集汇总

数据集介绍

构建方式

Techtile testbed CSI数据集的构建采用了多阶段策略，首先通过几何传播模型和小尺度瑞利衰落合成大规模CSI数据，随后在配备分布式接入点的物理测试平台上采集真实信道测量数据。数据采集过程中，用户设备在500个不同空间位置发送上行导频信号，通过软件定义无线电设备获取多AP协同接收的复合CSI。为构建多用户场景，采用组合数学方法生成双用户和四用户信道样本，并通过信道强度筛选确保数据质量。

特点

该数据集的核心价值在于其独特的虚实结合特性，既包含基于标准传播模型的合成数据，又整合了真实测试环境中的信道测量结果。数据集通过精确的空间采样策略，捕获了室内非视距场景下的复杂传播特性，包括硬件损伤和测量噪声等合成数据难以模拟的要素。特别设计的双用户和四用户组合方案，有效呈现了多用户干扰这一关键无线通信挑战，为研究分布式MIMO系统的可扩展性提供了丰富样本。

使用方法

数据集支持端到端的迁移学习研究流程，建议采用论文提出的分层冻结微调策略：先在合成数据上预训练GNN模型学习基础信道-预编码映射关系，随后冻结前4层网络参数，仅对深层网络进行基于真实CSI的微调。针对不同研究目标，可灵活选用双用户或四用户子集，分别验证模型在简单和复杂干扰场景下的适应性。为评估泛化性能，推荐在相同信噪比区间内对比模型在合成与真实数据上的表现差异。

背景与挑战

背景概述

Techtile testbed CSI数据集由KU Leuven和IS-Wireless的研究团队于2025年提出，旨在解决分布式无蜂窝大规模MIMO系统中预编码设计的核心挑战。该数据集基于真实世界的信道状态信息（CSI）测量，弥补了传统合成数据在模拟实际传播环境方面的不足。数据集通过Techtile测试平台采集，包含33个分布式接入点和500个用户位置的CSI数据，为研究无线通信系统中的图神经网络（GNN）预编码技术提供了重要实证基础。该数据集的发布显著推动了从仿真环境到真实场景的迁移学习研究，并为6G通信系统的算法验证设立了新标准。

当前挑战

该数据集面临双重挑战：在领域问题层面，需解决真实无线环境中多用户干扰、硬件损伤和非理想信道特性对GNN泛化能力的冲击；在构建层面，克服了大规模分布式CSI数据同步采集的时序校准难题、复杂空间场景下的测量噪声抑制，以及从单用户到多用户场景的组合爆炸问题。特别地，测试平台需在4GHz载频下实现亚微秒级同步精度，而数据预处理中需平衡44个AP的124750种四用户组合的计算复杂度与信道质量保留。

常用场景

经典使用场景

在无线通信领域，Techtile testbed CSI数据集被广泛用于验证图神经网络（GNN）在无蜂窝大规模多输入多输出（CF-mMIMO）系统中的预编码性能。该数据集通过真实环境中的信道状态信息（CSI）测量，为研究人员提供了一个可靠的基准，用于评估模型在复杂传播条件下的泛化能力。经典使用场景包括预编码算法的优化、干扰管理以及多用户通信的性能提升。

衍生相关工作

Techtile testbed CSI数据集衍生了一系列经典研究，包括基于GNN的预编码算法优化、迁移学习在无线通信中的应用以及多用户干扰管理。例如，研究人员利用该数据集验证了层冻结策略在模型微调中的有效性，并提出了针对非线性功率放大器失真的鲁棒性解决方案。这些工作进一步推动了无线通信算法的创新与实际应用。

数据集最近研究

最新研究方向

在无线通信领域，Techtile testbed CSI数据集的最新研究方向聚焦于利用图神经网络（GNN）解决无蜂窝大规模MIMO系统中的预编码设计问题。随着6G技术的快速发展，如何在实际传播环境中实现高效、可扩展的预编码成为研究热点。该数据集通过结合合成数据预训练和真实信道状态信息（CSI）微调的策略，显著提升了GNN模型在真实场景中的泛化能力。最新研究表明，采用分层冻结技术的迁移学习方法可使系统总速率提升约8.2比特/信道使用，这一突破性进展为未来智能无线网络部署提供了重要技术支撑，同时也推动了人工智能与通信系统深度融合的前沿探索。

相关研究论文

• GNN-based Precoder Design and Fine-tuning for Cell-free Massive MIMO with Real-world CSI

  KU Leuven, ESAT-WaveCore, Ghent Technology Campus, Ghent, Belgium; Research and Innovation Department, IS-Wireless, Piaseczno, Poland · 2025年