論文の概要: UrbanMIMOMap: A Ray-Traced MIMO CSI Dataset with Precoding-Aware Maps and Benchmarks

• arxiv url: http://arxiv.org/abs/2509.06270v1
• Date: Mon, 08 Sep 2025 01:23:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.931067
• Title: UrbanMIMOMap: A Ray-Traced MIMO CSI Dataset with Precoding-Aware Maps and Benchmarks
• Title（参考訳）: UrbanMIMOMap: プリコーディング対応マップとベンチマークを備えたレイトレースMIMO CSIデータセット
• Authors: Honggang Jia, Xiucheng Wang, Nan Cheng, Ruijin Sun, Changle Li,
• Abstract要約: 第6世代(6G)システムは、ネイティブ人工知能(AI)と統合センシング通信(ISAC)によって駆動される環境対応通信を必要とする 電磁(EM)シミュレーションによる高忠実なRM基底真理の生成は、計算集約的で、機械学習(ML)ベースのRM構築を動機付けている。 大規模都市マルチインプットマルチアウトプット(MIMO)データセットであるUrbanMIMOMapを提案する。
• 参考スコア（独自算出の注目度）: 33.93643630910854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sixth generation (6G) systems require environment-aware communication, driven by native artificial intelligence (AI) and integrated sensing and communication (ISAC). Radio maps (RMs), providing spatially continuous channel information, are key enablers. However, generating high-fidelity RM ground truth via electromagnetic (EM) simulations is computationally intensive, motivating machine learning (ML)-based RM construction. The effectiveness of these data-driven methods depends on large-scale, high-quality training data. Current public datasets often focus on single-input single-output (SISO) and limited information, such as path loss, which is insufficient for advanced multi-input multi-output (MIMO) systems requiring detailed channel state information (CSI). To address this gap, this paper presents UrbanMIMOMap, a novel large-scale urban MIMO CSI dataset generated using high-precision ray tracing. UrbanMIMOMap offers comprehensive complex CSI matrices across a dense spatial grid, going beyond traditional path loss data. This rich CSI is vital for constructing high-fidelity RMs and serves as a fundamental resource for data-driven RM generation, including deep learning. We demonstrate the dataset's utility through baseline performance evaluations of representative ML methods for RM construction. This work provides a crucial dataset and reference for research in high-precision RM generation, MIMO spatial performance, and ML for 6G environment awareness. The code and data for this work are available at: https://github.com/UNIC-Lab/UrbanMIMOMap.
• Abstract（参考訳）: 第6世代(6G)システムは、ネイティブ人工知能(AI)と統合センシング通信(ISAC)によって駆動される環境に配慮した通信を必要とする。 空間的に連続的なチャネル情報を提供する無線マップ (RM) が鍵となる。 しかし、電磁(EM)シミュレーションによる高忠実なRM基底真理の生成は、計算集約的で、機械学習(ML)に基づくRM構築を動機付けている。 これらのデータ駆動手法の有効性は、大規模で高品質なトレーニングデータに依存する。 現在のパブリックデータセットは、シングルインプット・シングルアウトプット(SISO)とパスロスのような限られた情報に重点を置いていることが多いが、これは、詳細なチャネル状態情報(CSI)を必要とする高度なマルチインプット・マルチアウトプット(MIMO)システムには不十分である。 このギャップを解消するために,高速線トレーシングを用いた大規模都市MIMO CSIデータセットであるUrbanMIMOMapを提案する。 UrbanMIMOMapは、従来のパス損失データを超えて、密集した空間グリッドをまたいだ包括的な複雑なCSI行列を提供する。 このリッチCSIは高忠実度RMの構築に不可欠であり、深層学習を含むデータ駆動型RM生成の基盤となる。 本稿では,RM構築のための代表的ML手法のベースライン性能評価を通じて,データセットの有用性を実証する。 この研究は、高精度RM生成、MIMO空間性能、および6G環境認識のためのMLの研究のための重要なデータセットとリファレンスを提供する。 この作業のコードとデータは、https://github.com/UNIC-Lab/UrbanMIMOMap.comで公開されている。

関連論文リスト

• PercepTwin: Modeling High-Fidelity Digital Twins for Sim2Real LiDAR-based Perception for Intelligent Transportation Systems [3.1508266388327324]
  本稿では,HiFi DTを用いた大規模かつ高品質な合成データセットを作成するための厳密な手法を提案する。 提案されたワークフローは、現実世界の環境をデジタルに複製するためのステップ、ツール、ベストプラクティスを概説している。
  論文  参考訳（メタデータ） (2025-09-03T00:12:15Z)
• Synergistic Localization and Sensing in MIMO-OFDM Systems via Mixed-Integer Bilevel Learning [7.475378160764602]
  高性能なローカライゼーションとセンシングシステムは、ネットワーク効率と新たなインテリジェントアプリケーションに不可欠である。 チャネル状態情報(CSI)とディープラーニングを統合することが,近年,有望なソリューションとして浮上している。 この研究は、その潜在的なシナジーを活用するために、局所化タスクとセンシングタスクを共同でモデル化し、最適化することを目的としている。
  論文  参考訳（メタデータ） (2025-07-07T06:34:22Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• WRIM-Net: Wide-Ranging Information Mining Network for Visible-Infrared Person Re-Identification [8.88666439137662]
  本稿では,多次元インタラクティブ情報マイニング(MIIM)モジュールと補助情報に基づくコントラスト学習(AICL)アプローチを主とするワイドランキング情報マイニングネットワーク(WRIM-Net)を紹介する。 計算複雑性の低い設計により、別々のMIIMを浅い層に配置することができ、ネットワークは特定のモダリティの多重次元情報をよりよくマイニングすることができる。 我々は、よく知られたSYSU-MM01とRegDBデータセットだけでなく、最新の大規模クロスモダリティLLMデータセットにも広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-20T08:06:16Z)
• RadioGAT: A Joint Model-based and Data-driven Framework for Multi-band Radiomap Reconstruction via Graph Attention Networks [36.8227064106456]
  マルチバンド無線マップ再構成(MB-RMR)は、スペクトル管理やネットワーク計画といったタスクのための無線通信において重要な要素である。 シミュレーションデータに大きく依存する従来の機械学習ベースのMB-RMRメソッドは、重要なデプロイメント課題に直面している。 本研究では,単一領域におけるMB-RMRに適したグラフ注意ネットワーク(GAT)に基づく新しいフレームワークであるRadioGATを提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:23:10Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。