[論文レビュー] U6G XL-MIMO Radiomap Prediction: Multi-Config Dataset and Beam Map Approach

Xiaojie Li, Yu Han+3 more|arXiv (Cornell University)|Mar 6, 2026

Millimeter-Wave Propagation and Modeling被引用数 0

ひとこと要約

論文は、800の都市シーン、5つの周波数帯、9つのアレイ構成にわたる78,400の radiomaps を含む初の XL-MIMO radiomap データセットを紹介し、ビームマップ機能を提案してリトレーニングなしの物理学に基づくクロス構成一般化を可能にする。

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/.

研究の動機と目的

• XL-MIMO radiomap 予測におけるデータ不足と一般化ギャップに対処する。
• 複数の周波数とアレイ構成を跨る大規模な XL-MIMO radiomap データセットを開発する。
• アレイ放射とマルチパス学習をデカップリングし、クロス構成一般化を可能にする物理情報を備えたビームマップ機能を提案する。
• カバレッジ推定、疎再構成、クロス環境/構成一般化の標準化されたベンチマークフレームワークを提供する。

提案手法

• 800の都市シーン（南京）にわたる78400の radiomaps を5つの帯域（1.8–6.7 GHz）と9つのアレイ構成で作成（最大32x32 UPAs、指向性要素を含む）。
• GPU加速レイトレーシング（Sionna）を用い、3D Blenderベースの都市モデルとITU-R材料で radiomaps を生成する。
• アンテナ素子放射パターン（3GPP TR 38.901）、マルチパスチャネル係数、SSBビーム前置きを組み合わせて XL-MIMO radiomap の形成をモデル化する。
• radiomap を観測平面KxKにわたる受信電力Prとして定義し、Pr は deterministic な物理モデルを介して Pt、Hk、ビームフォーミングベクトル w から導出する。
• ビームマップを、配列固有のLoSパターンを解析的に計算し、配列放射を学習されたマルチパス伝搬からデカップリングする物理情報を備えた空間特徴として導入する。
• ベンチマークの分類法と評価タスク（ブラインド予測、疎再構成、クロス構成/一般化）を提供する。

実験結果

リサーチクエスチョン

• RQ1 XL-MIMO radiomaps を、過度なデータ収集を伴わずに多様な構成と環境でどのように生成・評価できるか。
• RQ2 物理情報を取り入れたビームマップは radiomap 予測の信頼できるクロス構成一般化を可能にするか。
• RQ3 アレイサイズ、周波数、ビームステアリングが radiomap の特性と予測性能にどのような影響を与えるか。
• RQ4 提案されたベンチマークフレームワークはカバレッジ推定、疎再構成、クロス環境/構成一般化をどのように評価するか。

主な発見

• データセットは800の都市シーン、5つの周波数帯、9つのアレイ構成にわたる78400の radiomaps を含む。
• ビームマップはクロス構成一般化の平均絶対誤差を最大で60.0%、既存モデルのブラインド予測を最大で51.5%低減させる。
• より大きなアレイはより指向性のあるパターンと高いトップエネルギー集中をもたらす（例：32x32でトップ5%の電力集中が99.1%に達する）。
• より高い搬送周波数はカバレッジ範囲を縮小するがマルチパスの粒度を高める。
• ビーム操縦のフットプリントは方位角とともにシフトし、データセットで捉えられるビーム依存的な radiomap の変動を示す。
• 完全なデータセットとコードは、提供されたURLで公開されている。