It is a common sense that datasets with high-quality data samples play an important role in artificial intelligence (AI), machine learning (ML) and related studies. However, although AI/ML has been introduced in wireless researches long time ago, few datasets are commonly used in the research community. Without a common dataset, AI-based methods proposed for wireless systems are hard to compare with both the traditional baselines and even each other. The existing wireless AI researches usually rely on datasets generated based on statistical models or ray-tracing simulations with limited environments. The statistical data hinder the trained AI models from further fine-tuning for a specific scenario, and ray-tracing data with limited environments lower down the generalization capability of the trained AI models. In this paper, we present the Wireless AI Research Dataset (WAIR-D)1, which consists of two scenarios. Scenario 1 contains 10,000 environments with sparsely dropped user equipments (UEs), and Scenario 2 contains 100 environments with densely dropped UEs. The environments are randomly picked up from more than 40 cities in the real world map. The large volume of the data guarantees that the trained AI models enjoy good generalization capability, while fine-tuning can be easily carried out on a specific chosen environment. Moreover, both the wireless channels and the corresponding environmental information are provided in WAIR-D, so that extra-information-aided communication mechanism can be designed and evaluated. WAIR-D provides the researchers benchmarks to compare their different designs or reproduce results of others. In this paper, we show the detailed construction of this dataset and examples of using it.

衡量移动数据的客户体验对于全球移动运营商来说至关重要。收到的参考信号（RSRP）是当前移动网络管理，评估和监视的重要指标之一。通过最小化驱动器测试（MDT）（一种3GPP标准技术）收集的无线电数据通常用于无线网络分析。在不同地理区域收集MDT数据效率低下，受地形条件和用户的存在限制，因此对于动态无线电环境来说不是足够的技术。在本文中，我们研究了RSRP预测，利用MDT数据和数字双胞胎（DT）的生成模型，并提出了数据驱动的两层神经网络（NN）模型。在第一层中，与用户设备（UE）相关的环境信息，基站（BS）和网络关键性能指标（KPI）是通过变量自动编码器（VAE）提取的。第二层被设计为可能性模型。在这里，采用了环境功能和实际MDT数据功能，制定了集成的培训过程。在验证中，我们提出的使用现实世界数据的模型表明，与经验模型相比，与完全连接的预测网络相比，与经验模型相比，精度提高了约20％或更多。

Deep learning-based physical-layer secret key generation (PKG) has been used to overcome the imperfect uplink/downlink channel reciprocity in frequency division duplexing (FDD) orthogonal frequency division multiplexing (OFDM) systems. However, existing efforts have focused on key generation for users in a specific environment where the training samples and test samples obey the same distribution, which is unrealistic for real world applications. This paper formulates the PKG problem in multiple environments as a learning-based problem by learning the knowledge such as data and models from known environments to generate keys quickly and efficiently in multiple new environments. Specifically, we propose deep transfer learning (DTL) and meta-learning-based channel feature mapping algorithms for key generation. The two algorithms use different training methods to pre-train the model in the known environments, and then quickly adapt and deploy the model to new environments. Simulation results show that compared with the methods without adaptation, the DTL and meta-learning algorithms both can improve the performance of generated keys. In addition, the complexity analysis shows that the meta-learning algorithm can achieve better performance than the DTL algorithm with less time, lower CPU and GPU resources.

全球导航卫星系统通常在城市环境中表现较差，在城市环境中，设备和卫星之间的视线条件的可能性很低，因此需要替代的定位方法才能良好准确。我们提出了Locunet：用于本地化任务的卷积，端到端训练的神经网络，能够从少数基站（BSS）的接收信号强度（RSS）中估算用户的位置。在提出的方法中，要本地化的用户只需将测量的RSS报告给可能位于云中的中央处理单元。使用BSS和RSS测量值的Pathloss无线电图的估计，Locunet可以以最先进的精度定位用户，并在无线电图估计中享有高度鲁棒性。所提出的方法不需要对新环境进行预采样，并且适用于实时应用。此外，提供了两个新颖的数据集，可以在现实的城市环境中对RSS和TOA方法进行数值评估，并为研究社区公开提供。通过使用这些数据集，我们还提供了密集的城市场景中最先进的RSS和基于TOA的方法的公平比较，并以数值显示Locunet优于所有比较方法。

由于捕获高角度和时间分辨率测量的能力，毫米波（MMWAVE）带引起了高精度定位应用的显着关注。本文探讨了基于MMWAVE的定位，用于目标本地化问题，其中固定目标广播MMWAVE信号和移动机器人代理尝试侦听信号以定位和导航到目标。提出了三个韵律过程：首先，移动代理使用张量分解方法来检测无线路径及其角度。其次，然后使用机器学习培训的分类器来预测链路状态，这意味着如果最强的路径是视线（LOS）或非LOS（NLO）。对于NLOS案例，链路状态预测器还确定最强路径是否通过一个或多个反射到达。第三，基于链路状态，代理人遵循估计的角度或探索环境。该方法在补充有线跟踪的室内环境的大型数据集上进行了演示，以模拟无线传播。路径估计和链路状态分类也集成到最先进的神经同时定位和映射（SLAM）模块中，以增强相机和基于LIDAR的导航。结果表明，链路状态分类器可以成功地推广到培训集外的完全新环境。另外，具有无线路径估计和链路状态分类器的神经基模块为目标提供快速导航，接近了解目标位置的基线。

智能反射表面（IRS）最近对无线通信受到了极大的关注，因为它降低了常规大阵列的硬件复杂性，物理尺寸，重量和成本。但是，IRS的部署需要处理基站（BS）和用户之间的多个渠道链接。此外，BS和IRS梁形器需要关节设计，其中必须迅速重新配置IRS元素。数据驱动的技术（例如深度学习（DL））对于应对这些挑战至关重要。DL的较低计算时间和无模型性质使其与数据瑕疵和环境变化有关。在物理层上，DL已被证明可用于IRS信号检测，通道估计以及使用诸如监督，无监督和强化学习等体系结构进行主动/被动光束成型。本文提供了这些技术，用于设计基于DL的IRS辅助无线系统。

通过大量多输入和多重输出实现的许多性能增长取决于发射机（基站）下链路通道状态信息（CSI）的准确性，这通常是通过在接收器（用户终端）估算并馈入的。到发射器。 CSI反馈的开销占据了大量的上行链路带宽资源，尤其是当传输天线数量较大时。基于深度学习（DL）的CSI反馈是指基于DL的自动编码器的CSI压缩和重建，并且可以大大减少反馈开销。在本文中，提供了有关该主题的最新研究的全面概述，首先是在CSI反馈中广泛使用的基本DL概念，然后对一些现有的基于DL的反馈作品进行分类和描述。重点是新型的神经网络体系结构和沟通专家知识的利用来提高CSI反馈准确性。还介绍了有关CSI反馈和CSI反馈与其他通信模块的联合设计的作品，并讨论了一些实际问题，包括培训数据集收集，在线培训，复杂性，概括和标准化效果。在本文的最后，确定了与未来无线通信系统中基于DL的CSI反馈相关的一些挑战和潜在的研究方向。

具有波束成型的天线阵列在较高的载波频率下克服了高空间路径损耗。但是，必须正确对齐光束，以确保用户设备（UE）辐射（并接收）最高功率。尽管有一些方法可以通过某种形式的层次搜索来详尽地搜索最佳光束，但它们可能很容易返回具有小型梁增益的本地最佳解决方案。其他方法通过利用上下文信息（例如UE的位置或来自相邻基站（BS）的信息的位置）来解决此问题，但是计算和传达此附加信息的负担可能很高。迄今为止，基于机器学习的方法受到随附的培训，性能监控和部署复杂性的影响，从而阻碍了其规模的应用。本文提出了一种解决初始光束发现问题的新方法。它是可扩展的，易于调整和实施。我们的算法基于一个推荐系统，该系统基于培训数据集将组（即UES）和偏好（即来自代码簿中的光束）关联。每当需要提供新的UE时，我们的算法都会返回此用户群集中的最佳光束。我们的仿真结果证明了我们方法的效率和鲁棒性，不仅在单个BS设置中，而且在需要几个BS之间协调的设置中。我们的方法在给定任务中始终优于标准基线算法。

先进的可穿戴设备越来越多地利用高分辨率多摄像头系统。作为用于处理所得到的图像数据的最先进的神经网络是计算要求的，对于利用第五代（5G）无线连接和移动边缘计算，已经越来越感兴趣，以将该处理卸载到云。为了评估这种可能性，本文提出了一个详细的仿真和评估，用于5G无线卸载，用于对象检测，在一个名为Vis4ion的强大新型智能可穿戴物中，用于盲目损害（BVI）。目前的Vis4ion系统是一种具有高分辨率摄像机，视觉处理和触觉和音频反馈的仪表簿。本文认为将相机数据上载到移动边缘云以执行实时对象检测并将检测结果传输回可穿戴。为了确定视频要求，纸张评估视频比特率和分辨率对物体检测精度和范围的影响。利用与BVI导航相关的标记对象的新街道场景数据集进行分析。视觉评估与详细的全堆栈无线网络仿真结合，以确定吞吐量的分布和延迟，具有来自城市环境中的新高分辨率3D模型的实际导航路径和射线跟踪。为了比较，无线仿真考虑了标准的4G长期演进（LTE）载波和高速度5G毫米波（MMWAVE）载波。因此，该工作提供了对具有高带宽和低延迟要求的应用中的MMWAVE连接的边缘计算的彻底和现实评估。

第三代合作伙伴项目已开始研究2021年的第18版。人工智能（AI）空气界面是第18版的关键特征之一，其中选择了用于渠道状态信息的AI（CSI）反馈增强作为代表性。用例。本文提供了5G助长和6G中CSI反馈增强的AI的全面概述。首先介绍和讨论了5G效率的CSI反馈增强AI的范围，包括高架降低，准确性提高和渠道预测。然后，介绍并比较了三个代表性CSI反馈的代表性框架，包括单方面隐式反馈，基于双面自动编码器的隐式反馈和双面显式反馈。最后，已经确定和讨论了CSI反馈增强的AI标准化考虑因素，尤其是重点是评估，复杂性，协作，概括，信息共享，具有渠道预测的联合设计和互惠性。本文为基于AI的CSI反馈增强的标准化研究提供了指南。

毫米波（mmwave）通信系统依靠狭窄的光束来实现足够的接收信号功率。调整这些光束通常与大型训练开销有关，这对于高度移动的应用特别重要。直观地，由于最佳光束选择可以从对通信终端的位置的了解中受益，因此人们对利用位置数据的利益越来越多，以减少MMWave光束预测中的开销。但是，先前的工作仅使用通常不能准确代表现实世界测量的合成数据研究了这个问题。在本文中，我们使用现实世界中的大规模数据集研究了与位置辅助的光束预测，以洞悉准确地可以在实践中节省多少开销。此外，我们分析了哪种机器学习算法的性能最佳，哪些因素降低了实际数据中的推理性能以及哪些机器学习指标在捕获实际的通信系统性能方面更有意义。

This study demonstrates the feasibility of point cloud-based proactive link quality prediction for millimeter-wave (mmWave) communications. Image-based methods to quantitatively and deterministically predict future received signal strength using machine learning from time series of depth images to mitigate the human body line-of-sight (LOS) path blockage in mmWave communications have been proposed. However, image-based methods have been limited in applicable environments because camera images may contain private information. Thus, this study demonstrates the feasibility of using point clouds obtained from light detection and ranging (LiDAR) for the mmWave link quality prediction. Point clouds represent three-dimensional (3D) spaces as a set of points and are sparser and less likely to contain sensitive information than camera images. Additionally, point clouds provide 3D position and motion information, which is necessary for understanding the radio propagation environment involving pedestrians. This study designs the mmWave link quality prediction method and conducts two experimental evaluations using different types of point clouds obtained from LiDAR and depth cameras, as well as different numerical indicators of link quality, received signal strength and throughput. Based on these experiments, our proposed method can predict future large attenuation of mmWave link quality due to LOS blockage by human bodies, therefore our point cloud-based method can be an alternative to image-based methods.

低成本毫米波（MMWAVE）通信和雷达设备的商业可用性开始提高消费市场中这种技术的渗透，为第五代（5G）的大规模和致密的部署铺平了道路（5G） - 而且以及6G网络。同时，普遍存在MMWAVE访问将使设备定位和无设备的感测，以前所未有的精度，特别是对于Sub-6 GHz商业级设备。本文使用MMWAVE通信和雷达设备在基于设备的定位和无设备感应中进行了现有技术的调查，重点是室内部署。我们首先概述关于MMWAVE信号传播和系统设计的关键概念。然后，我们提供了MMWaves启用的本地化和感应方法和算法的详细说明。我们考虑了在我们的分析中的几个方面，包括每个工作的主要目标，技术和性能，每个研究是否达到了一定程度的实现，并且该硬件平台用于此目的。我们通过讨论消费者级设备的更好算法，密集部署的数据融合方法以及机器学习方法的受过教育应用是有前途，相关和及时的研究方向的结论。

Channel charting (CC) is an unsupervised learning method allowing to locate users relative to each other without reference. From a broader perspective, it can be viewed as a way to discover a low-dimensional latent space charting the channel manifold. In this paper, this latent modeling vision is leveraged together with a recently proposed location-based beamforming (LBB) method to show that channel charting can be used for mapping channels in space or frequency. Combining CC and LBB yields a neural network resembling an autoencoder. The proposed method is empirically assessed on a channel mapping task whose objective is to predict downlink channels from uplink channels.

随着第五代（5G）无线系统在全球范围内收集动力的部署，6G的可能技术正在积极的研究讨论下。特别是，机器学习（ML）在6G中的作用有望增强和帮助新兴应用，例如虚拟和增强现实，车辆自治和计算机视觉。这将导致大量的无线数据流量包括图像，视频和语音。 ML算法通过位于云服务器上的学习模型来处理这些分类/识别/估计。这需要将数据从边缘设备无线传输到云服务器。与识别步骤分开处理的渠道估计对于准确的学习绩效至关重要。为了结合通道和ML数据的学习，我们引入了隐式渠道学习以执行ML任务而不估计无线通道。在这里，ML模型通过通道腐败的数据集训练，代替名义数据。没有通道估计，该提出的方法在各种情况（例如毫米波和IEEE 802.11p车辆通道）方面的图像和语音分类任务上显示了大约60％的改善。

对信道状态信息（CSI）的知识是移动无线通信系统中的许多功能的基础。随着机器学习（ML）和数字地图的前进，即数字双胞胎，我们有一个很大的机会来学习传播环境和设计新的方法来派生和报告CSI。在这项工作中，我们建议根据先前知识将未经训练的神经网络（UNNS）和有条件的生成对冲网络（CGANs）用于MIMO信道娱乐。 UNNS为某些位置学习先前的CSI，该位置用于构建CGAN的输入。基于先前的CSI，其位置和所需信道的位置，CGAN被训练以输出所需位置的通道。这种组合的方法可用于低开销CSI报告作为培训后，我们只需要报告所需的位置。我们的研究结果表明，我们的方法成功地建模无线信道和鲁棒在视线条件下的位置量化误差。

Terahertz（THZ）无线网络有望催化第五代（B5G）时代。但是，由于THZ链接的定向性质和视线需求以及THZ网络的超密集部署，因此需要面对中等访问控制（MAC）层的许多挑战。更详细地，通过合并能够在复杂且经常变化的环境中提供“实时”解决方案的人工智能（AI）来重新思考用户协会和资源分配策略的需求变得明显。此外，为了满足几种B5G应用的超可靠性和低延迟需求，需要采用新颖的移动性管理方法。在此激励的情况下，本文提出了一种整体MAC层方法，该方法可以实现智能用户协会和资源分配以及灵活和适应性移动性管理，同时通过阻止最小化最大化系统的可靠性。更详细地，记录了一个快速和集中的联合用户协会，无线电资源分配和避免避免阻塞的元数据映射机器学习框架，从而最大化THZ网络的性能，同时将关联延迟最小化大约三个幅度范围。 。为了支持访问点（AP）覆盖区域，移动性管理和避免阻塞，讨论了深入的强化学习（DRL）进行梁选择方法。最后，为了支持邻居AP的覆盖范围之间的用户移动性，报告了一种基于AI辅助快速通道预测的主动手部机制。

机器学习（ML）最近在车辆网络中采用了用于自动驾驶，道路安全预测和车辆对象检测等应用，这是由于其无模型的特性，从而允许自适应快速响应。但是，这些ML应用程序中的大多数采用集中学习（CL），这为参数服务器和车辆边缘设备之间的数据传输带来了重要的开销。联合学习（FL）框架最近被引入为有效的工具，目的是通过传输模型更新而不是整个数据集来减少传输开销，同时通过传输来实现隐私。在本文中，我们调查了FL在车辆网络应用中的用法来开发智能运输系统。我们提供了有关FL对基于ML的车辆应用的可行性的全面分析，并通过利用基于图像的数据集作为案例研究来研究对象检测。然后，我们从学习的角度（即数据标签和模型培训）以及从通信的角度（即数据速率，可靠性，传输开销，隐私和资源管理）确定了主要挑战。最后，我们重点介绍了车辆网络中FL的未来研究指示。

在车辆场景中的毫米波链路的光束选择是一个具有挑战性的问题，因为所有候选光束对之间的详尽搜索都不能在短接触时间内被确认完成。我们通过利用像LIDAR，相机图像和GPS等传感器收集的多模级数据来解决这一问题。我们提出了可以在本地以及移动边缘计算中心（MEC）本地执行的个人方式和分布式融合的深度学习（F-DL）架构，并研究相关权衡。我们还制定和解决优化问题，以考虑实际的光束搜索，MEC处理和传感器到MEC数据传送延迟开销，用于确定上述F-DL架构的输出尺寸。在公开的合成和本土现实世界数据集上进行的广泛评估结果分别在古典RF光束上释放出95％和96％的束选择速度提高。在预测前10个最佳光束对中，F-DL还优于最先进的技术20-22％。

无人驾驶航空公司（I-U-U-U-U-U-U-U-U-UV）的互联网承诺通过无人机之间的有效合作，快速，强大，经济高效地完成传感和传输任务。为实现有前途的好处，应解决至关重要的I-UAV网络问题。本文认为，I-UAV网络可以分为三类，服务质量（QoS）驱动网络，体验质量（QoE）驱动的网络，以及情况感知网络。每类网络都会带来了对我国无人机任务的安全有效地实现的严重影响的新兴挑战。本文精心详细分析了这些挑战，并阐述了相应的智能方法来解决I-UAV网络问题。此外，考虑到通过与高海拔平台（HAPS）合作扩展I-UAV网络可扩展性的升高效果，本文概述了集成的HAP和I-UAV网络，并提出了相应的网络挑战和智能方法。