[论文解读] 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 0

一句话总结

论文首次引入具备78,400个辐射图的 XL-MIMO radiomap 数据集，覆盖800个城市场景、五个频段和九种阵列配置，并提出一个波束图特征，以在不重新训练的情况下实现物理信息驱动的跨配置泛化。

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/.

研究动机与目标

• 解决 XL-MIMO radiomap 预测中的数据稀缺和泛化差距。
• 开发跨越多种频率和阵列配置的大规模 XL-MIMO radiomap 数据集。
• 提出一个物理信息驱动的波束图特征，以将阵列辐射与多径学习解耦并实现跨配置泛化。
• 提供用于覆盖估计、稀疏重构以及跨环境/配置泛化的标准化基准框架。

提出的方法

• 在800个城市场景（南京）上构建78400个辐射图，覆盖五个频段（1.8–6.7 GHz）和九种阵列配置，阵列可达32x32 UPAs，且具定向元件。
• 使用GPU加速的射线追踪（Sionna），结合3D Blender城市模型和 ITU-R 材料，生成辐射图。
• 通过整合天线单元辐射模式（3GPP TR 38.901）、多径通道系数和 SS B 波束预编码来建模 XL-MIMO radiomap 的形成。
• 将辐射图定义为在 KxK 观测平面上的接收功率 P_r，P_r 由 P_t、H_k 和波束向量 w 通过确定性物理模型导出。
• 引入波束图作为一种物理信息感知的空间特征，能够解析计算阵列特定的 LoS 模式，将阵列辐射与学习得到的多径传播解耦。
• 提供基准分类、评估任务（盲预测、稀疏重构、跨配置/泛化）。

实验结果

研究问题

• RQ1 如何在不进行大规模数据收集的情况下，在多种配置和环境中生成和评估 XL-MIMO radiomaps？
• RQ2 是否存在一种物理信息驱动的波束图，能够实现 radiomap 预测的可靠跨配置泛化？
• RQ3 阵列尺寸、频率和波束指向对辐射图特征和预测性能有何影响？
• RQ4 所提出的基准框架如何评估覆盖估计、稀疏重构以及跨环境/配置的泛化？

主要发现

• 数据集包含 78400 个辐射图，覆盖 800 个城市场景、五个频段和九种阵列配置。
• 波束图能显著降低跨配置泛化的平均绝对误差最高达 60.0%，在现有模型的盲预测中最高可降至 51.5%。
• 更大的阵列产生更具指向性的模式，且顶端能量集中度更高（如 32x32 的前5%功率集中度达 99.1%）。
• 更高的载波频率会缩短覆盖范围，但提高多径颗粒度。
• 波束转向的覆盖区域随方位角变化，说明数据集中捕捉到了受波束影响的辐射图变化。
• 完整数据集与代码可在提供的URL公开获取。