U6G XL-MIMO 辐射图预测：多配置数据集与波束图方法
信号处理
2026-03-09 v1 机器学习
摘要
上六 GHz (U6G) 频段搭载大型 MIMO (XL-MIMO) 是 sixth-generation 无线通信系统的关键使能技术,但针对此类系统的智能辐射图预测仍面临挑战。现有数据集仅支持规模较小的阵列(最多 8x8)且主要使用各向同性天线,远远不足以满足 6G envisioned 1024 元件定向阵列的需求。此外,当前方法将阵列配置编码为标量参数,迫使神经网络对数组特定的辐射图进行外推,在预测训练数据中不存在的配置的辐射图时会失败。为同时解决数据稀缺和泛化受限的问题,本文从三个方面推进 XL-MIMO 辐射图预测:为克服数据限制,我们构建了首个包含 78400 张辐射图的 XL-MIMO 数据集,覆盖 800 个城市场景、五个频段(1.8-6.7 GHz)以及最多 32x32 均匀平面阵列(带定向元素)的九种阵列配置。为建立系统化的评估基准,我们构建了涵盖从无需现场测量的覆盖估计到跨越未见配置和环境的泛化的完整基准框架。为实现对任意波束配置的泛化而无需重新训练,我们提出了波束图(beam map)一种受物理学启发的空间特征,其对数组特定的覆盖图案进行解析计算。通过将确定性阵列辐射与数据学习的多径传播解耦,波束图将泛化从神经网络的外推转变为基于物理的计算。将波束图集成到现有架构中,在针对未见配置进行泛化时可将平均绝对误差降低最高可达 60.0%,在迁移至未见环境时可降低最高可达 50.5%。完整的数据集和代码已公开于 https://lxj321.github.io/MulticonfigRadiomapDataset/。
关键词
引用
@article{arxiv.2603.06401,
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},
journal= {arXiv preprint arXiv:2603.06401},
year = {2026}
}
备注
This work has been submitted to the IEEE for possible publication