論文の概要: U6G XL-MIMO Radiomap Prediction: Multi-Config Dataset and Beam Map Approach

• arxiv url: http://arxiv.org/abs/2603.06401v1
• Date: Fri, 06 Mar 2026 15:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:46.110109
• Title: U6G XL-MIMO Radiomap Prediction: Multi-Config Dataset and Beam Map Approach
• Title（参考訳）: U6G XL-MIMOラジオマップ予測:マルチ構成データセットとビームマップアプローチ
• Authors: Xiaojie Li, Yu Han, Zhizheng Lu, Shi Jin, Chao-Kai Wen,
• Abstract要約: XL-MIMOを搭載した上位6GHz帯(U6G)は、第6世代の無線システムにとって重要なイネーブルである。 既存のデータセットは、主に等方性アンテナを持つ小さな配列しかサポートしていない。 本稿では,XL-MIMOラジオマップを3つの側面から予測する。
• 参考スコア（独自算出の注目度）: 62.11972168232143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The upper 6 GHz (U6G) band with XL-MIMO is a key enabler for sixth-generation wireless systems, yet intelligent radiomap prediction for such systems remains challenging. Existing datasets support only small-scale arrays (up to 8x8) with predominantly isotropic antennas, far from the 1024-element directional arrays envisioned for 6G. Moreover, current methods encode array configurations as scalar parameters, forcing neural networks to extrapolate array-specific radiation patterns, which fails when predicting radiomaps for configurations absent from training data. To jointly address data scarcity and generalization limitations, this paper advances XL-MIMO radiomap prediction from three aspects. To overcome data limitations, we construct the first XL-MIMO radiomap dataset containing 78400 radiomaps across 800 urban scenes, five frequency bands (1.8-6.7 GHz), and nine array configurations up to 32x32 uniform planar arrays with directional elements. To enable systematic evaluation, we establish a comprehensive benchmark framework covering practical scenarios from coverage estimation without field measurements to generalization across unseen configurations and environments. To enable generalization to arbitrary beam configurations without retraining, we propose the beam map, a physics-informed spatial feature that analytically computes array-specific coverage patterns. By decoupling deterministic array radiation from data learned multipath propagation, beam maps shift generalization from neural network extrapolation to physics-based computation. Integrating beam maps into existing architectures reduces mean absolute error by up to 60.0% when generalizing to unseen configurations and up to 50.5% when transferring to unseen environments. The complete dataset and code are publicly available at https://lxj321.github.io/MulticonfigRadiomapDataset/.
• Abstract（参考訳）: XL-MIMOを搭載した上位6GHz帯(U6G)は、第6世代の無線システムにとって重要な実現法である。 既存のデータセットは、主に等方性アンテナを持つ小さな配列(最大8x8)しかサポートしていない。 さらに、現在の方法では、配列構成をスカラーパラメータとしてエンコードし、ニューラルネットワークが配列固有の放射パターンを外挿することを強制する。 本稿では,データ不足と一般化の限界に対処するため,XL-MIMOラジオマップ予測を3つの側面から進める。 データ制限を克服するために、800の都市シーンに78400の無線マップ、5つの周波数帯域 (1.8-6.7 GHz) と、方向要素を持つ32x32の均一な平面配列を含む最初のXL-MIMOラジオマップデータセットを構築した。 体系的な評価を可能にするため,フィールド計測を伴わないカバレッジ推定から,目に見えない構成や環境の一般化まで,現実的なシナリオを網羅する総合的なベンチマークフレームワークを構築した。 任意のビーム構成を再トレーニングせずに一般化できるようにするために,アレイ固有のカバレッジパターンを解析的に計算する物理インフォームド空間特徴量であるビームマップを提案する。 学習したマルチパス伝搬データから決定論的アレイ放射を分離することにより、ビームマップは一般化をニューラルネットワークの外挿から物理ベースの計算へとシフトさせる。 ビームマップを既存のアーキテクチャに組み込むことで平均絶対誤差を最大60.0%まで減らし、非可視環境に移動する場合には最大50.5%まで減らすことができる。 完全なデータセットとコードはhttps://lxj321.github.io/MulticonfigRadiomapDataset/で公開されている。

関連論文リスト

• The Vienna 4G/5G Drive-Test Dataset [1.4345688417084757]
  モバイルネットワーク分析、計画、最適化のための機械学習は、大規模で包括的な現実世界のデータセットが欠如しているため、しばしば制限される。 本稿では,オーストリアのウィーンで収集された地理基準長周期進化(LTE)と5Gニューラジオ(NR)の都市規模オープンデータセットであるウィーン4G/5Gドライブテストデータセットを紹介する。
  論文  参考訳（メタデータ） (2026-03-03T06:06:24Z)
• RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data [62.63849426834315]
  将来の6Gおよび低高度ネットワークにおける効率的な無線資源管理には,無線地図が不可欠である。 ディープ・ラーニング(DL)技術は、無線地図推定における従来のレイトレーシングに代わる効果的な代替手段として登場した。 提案するRadioGen3Dフレームワークは,本質的な3次元信号伝搬特性とアンテナ偏光効果を捉える。
  論文  参考訳（メタデータ） (2026-02-21T07:50:05Z)
• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• AIRMap -- AI-Generated Radio Maps for Wireless Digital Twins [7.32219702732606]
  超高速無線マップ推定のためのディープラーニングフレームワークを提案する。 AirMapはNVIDIA L40Sで、推論毎に5dB RMSE以下でパスゲインを予測する。 フィールド測定の20%しか使用していない軽量な移動学習校正は、中央値の誤差を約10%に削減する。
  論文  参考訳（メタデータ） (2025-10-28T15:15:48Z)
• RadioDiff-3D: A 3D$\times$3D Radio Map Dataset and Generative Diffusion Based Benchmark for 6G Environment-Aware Communication [76.6171399066216]
  UrbanRadio3Dは、現実的な都市環境におけるレイトレーシングによって構築された大規模で高解像度の3D RMデータセットである。 RadioDiff-3Dは3D畳み込みアーキテクチャを利用した拡散モデルに基づく生成フレームワークである。 この研究は、将来の3D環境対応コミュニケーション研究のための基礎的なデータセットとベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-07-16T11:54:08Z)
• RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling [60.267226205350596]
  電波マップ推定は、電磁スペクトル量の密度の高い表現を生成することを目的としている。 空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。 また,RadioFormerは,最小計算コストを維持しつつ,無線マップ推定における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-27T08:44:41Z)
• SenseExpo: Efficient Autonomous Exploration with Prediction Information from Lightweight Neural Networks [3.6404856388891793]
  SenseExpoは、軽量な予測ネットワークに基づく効率的な自律探査フレームワークである。 我々の最小モデルでは、U-netやLaMaよりもKTHデータセットの性能が向上している。
  論文  参考訳（メタデータ） (2025-03-20T10:07:51Z)
• Generative AI on SpectrumNet: An Open Benchmark of Multiband 3D Radio Maps [27.47557161446951]
  本稿では、SpectrumNetデータセット生成のためのパラメータと設定を紹介し、SpectrumNetデータセットに基づいて、無線マップ構築のための3つのベースライン手法を評価する。 実験では、空間、周波数、シナリオドメインを強く一般化したトレーニングモデルのためのSpectrumNetデータセットの必要性が示されている。
  論文  参考訳（メタデータ） (2024-08-09T07:54:11Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)

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。