当前位置：首页 > news >正文

5G NR CSI数据集构建与感知算法实践

news 2026/4/26 4:21:59

1. 项目概述：5G NR CSI数据集与感知应用

在5G/6G通信系统中，信道状态信息（Channel-State Information, CSI）不仅是实现可靠通信的基础，更成为环境感知的关键数据源。传统上，CSI主要用于波束成形和链路自适应等通信功能，但近年来研究者发现CSI中隐含的空间特征可用于定位、环境建模等感知任务。然而，现有公开数据集多来自Wi-Fi或4G系统，缺乏真实5G新空口（NR）环境下的标准化基准。

苏黎世联邦理工学院（ETH Zurich）与NVIDIA合作构建了基于商用现货（COTS）硬件的5G NR测试床，通过NVIDIA Aerial RAN CoLab Over-the-Air（ARC-OTA）平台采集了首个真实场景下的5G NR CSI数据集——CAEZ（CSI Acquisition at ETH Zurich）。该数据集包含三个子集：

室内实验室/办公室场景（CAEZ-5G-INDOOR）：3.5m×3.5m区域，使用扫地机器人搭载Quectel模组移动采集
室外校园场景（CAEZ-5G-OUTDOOR）：10m×10m区域，通过机械臂控制三星Galaxy S23移动采集
设备分类数据集（CAEZ-5G-DEV-CLASS）：6款不同商用手机在旋转和移动状态下的CSI数据

测试床采用分布式MIMO架构，部署4个开放无线接入网单元（O-RU），每个O-RU配备4天线，工作在3.45GHz频段（N78频段），带宽100MHz。系统通过世界领先的WorldViz精密定位跟踪系统（PPT）获取厘米级精度的地面真实位置标签，为算法验证提供可靠基准。

2. 系统架构与技术实现

2.1 硬件配置与同步机制

测试床的核心硬件包括：

射频前端：4个商用O-RU（4T4R配置），通过光纤交换机连接
计算单元：Supermicro NVIDIA MGX GH200服务器，运行完整5G协议栈
同步系统：支持GNSS的PTP主时钟，确保各节点时间同步精度<100ns
定位系统：6台WorldViz PPT红外相机，通过标记点跟踪实现0.1cm定位精度

系统采用TDD模式，配置为3DSU帧结构（3下行:1特殊时隙:2上行），子载波间隔30kHz。这种设计在保证上下行容量的同时，每10-20ms可获取一次CSI样本，满足动态环境下的感知需求。

2.2 软件栈与数据流水线

NVIDIA ARC-OTA平台提供完整的软件定义5G NR实现：

物理层：Aerial L1实现实时基带处理，包括OFDM调制、信道估计等
协议栈：OpenAirInterface（OAI）实现L2/L3功能
数据采集：NVIDIA DataLake存储FH I/Q样本和L2协议数据（FAPI）
离线处理：PyAerial库提供Python接口用于CSI提取和特征工程

数据采集流程如下图所示（文字描述）：

[UE发射信号] → [O-RU接收] → [光纤传输至GH200服务器] → [实时基带处理] → [CSI估计与存储] → [与PPT位置数据时间对齐] → [特征提取]

2.3 关键参数配置

表1总结了测试床的核心参数配置：

参数类别	配置值
通信标准	3GPP Release 15
载波频率	3.45 GHz (N78频段)
系统带宽	100 MHz
有效子载波数	3,276
O-RU数量	4（各4天线）
发射功率	1 W
目标PUSCH SNR	28 dB
TDD模式	3DSU

3. 数据集构建与标注方法

3.1 室内场景数据采集

在3.5m×3.5m的实验室环境中，采用iRobot Create 3移动平台搭载Quectel RM500Q模组：

运动控制：随机路径规划算法，速度0.3m/s
天线配置：单天线垂直极化，安装在机器人中心轴
标记点：4个PPT反光标记，实现6自由度跟踪
干扰场景：实验期间允许人员正常走动，模拟真实办公环境

数据特点：

持续时间：1小时47分钟
样本量：338,981个CSI样本
空间密度：约276样本/平方米

3.2 室外场景数据采集

在10m×10m的校园庭院区域，使用定制机器人平台：

UE安装：三星Galaxy S23固定在机械臂末端
运动模式：手动控制实现非规则轨迹
环境特征：包含建筑物、树木等典型城市障碍物
同步挑战：通过GNSS增强的PTP解决长距离同步问题

数据特点：

持续时间：1小时38分钟
样本量：303,189个CSI样本
多径效应显著：RMS时延扩展比室内环境大3-5倍

3.3 设备分类数据集构建

针对6款商用手机（含两款同型号iPhone 14 Pro）设计特殊采集协议：

旋转阶段：UE置于转台，30秒慢速旋转（5RPM）
移动阶段：实验员手持设备随机行走60秒
跨日验证：次日重复30秒行走测试，评估环境变化影响

关键设计考量：

同一设备在不同位姿下的CSI变异
硬件差异导致的射频指纹特征
环境变化（如家具位置变动）对分类的影响

4. CSI感知算法实现与验证

4.1 神经网络定位技术

4.1.1 特征工程

采用降维后的OFDM域CSI幅度作为输入特征：

对每个PRB的CSI取绝对值
子载波维度12倍降采样（3276→273）
同一时隙内3个DMRS符号平均
多天线数据拼接后归一化

4.1.2 网络架构

使用全连接MLP输出概率图：

输入层：273×16=4,368维特征（4O-RU×4天线×273子载波）
隐藏层：3层，每层2,048个神经元，ReLU激活
输出层：网格化概率分布，通过期望计算最终位置

4.1.3 训练细节

损失函数：二元交叉熵（概率图形式）
优化器：Adam初始学习率1e-4，每20epoch衰减0.1倍
数据划分：80%训练，20%测试（含保留轨迹）

实测性能：

室内：0.6cm平均误差（测试集），0.7cm（保留轨迹）
室外：5.7cm平均误差（测试集），10cm（保留轨迹）

注意事项：室外性能受多径影响显著，建议在算法中加入时延扩展特征增强鲁棒性

4.2 信道图表构建技术

4.2.1 自监督学习方法

采用三元组损失（Triplet Loss）保持局部几何结构：

锚点样本：随机选择CSI样本
正样本：时间邻近样本（<0.5s）
负样本：时间远离样本（>5s）

4.2.2 真实坐标映射

引入双边定位损失（Bilateration Loss）：

def bilateration_loss(power_diff, chart_coords, ru_positions): # power_diff: O-RU间的接收功率差 # chart_coords: 图表坐标 # ru_positions: O-RU真实位置 pred_dist_diff = torch.norm(chart_coords - ru_positions[0]) - torch.norm(chart_coords - ru_positions[1]) return F.margin_ranking_loss(pred_dist_diff, power_diff, target=1)

4.2.3 性能指标

连续性：98.0%（邻近样本在图表中保持邻近）
可信度：97.4%（图表中邻近样本实际位置也邻近）
绝对定位误差：73cm（室外场景）

4.3 设备分类技术

4.3.1 射频指纹特征提取

基于CSI混淆方法提取位置无关特征：

构建跨天线/时隙的CSI矩阵H∈ℂ^(3276×16)
计算紧凑SVD，取主导左奇异向量
重构为3276×3×2张量（子载波×时隙×实虚部）

4.3.2 分类模型

改进ResNet-18架构：

输入层：适配CSI特征维度
卷积核：沿子载波维度设计长核（捕捉硬件频响特性）
输出层：6类softmax分类

4.3.3 跨日验证结果

测试条件	包含同型号	准确率
同日测试	否	99%
同日测试	是	98%
次日测试	否	95%
次日测试	是	92%

关键发现：

同型号设备间混淆率较高（iPhone 14 Pro间达8%）
环境变化对性能影响可控（次日仅下降3-6%）
射频指纹特征展现良好的时间稳定性

5. 工程实践与问题排查

5.1 典型问题与解决方案

问题1：CSI样本时间对齐偏差

现象：位置标签与CSI时间戳存在10-20ms偏移
排查：

检查PTP同步状态（offset < 100ns）
发现PPT系统数据处理延迟未补偿
解决：在DataLake流水线中加入硬件时间戳补偿

问题2：室外多径导致定位跳变

现象：特定区域出现厘米级→米级的瞬时误差
分析：通过CSI功率时延谱发现强反射路径
优化：在特征工程中加入时延扩展作为辅助特征

问题3：设备分类的跨日性能下降

根因：一个O-RU电源更换导致射频特性变化
缓解措施：

在训练数据中引入设备多样性
增加特征归一化层消除增益差异

5.2 实操建议

数据采集：
- 对于定位任务，建议轨迹覆盖全场景且密度均匀
- 设备分类任务应包含丰富位姿变化（旋转+移动）
- 室外测量避开强干扰时段（如午间人流高峰）
算法调优：
- 神经网络定位建议先在小区域预训练再微调
- 信道图表构建适当增加三元组样本间隔（提升全局一致性）
- 设备分类使用Label Smoothing缓解同型号混淆
部署考量：
- 室内场景可降低带宽至40MHz以节省计算资源
- 实际部署时需定期更新射频指纹数据库（硬件老化影响）