Resumo Técnico: Conjunto de Dados LAMBDA para ISAC de Baixa Altitude

Declaração do Problema

A rápida proliferação de Veículos Aéreos Não Tripulados (UAVs) criou uma demanda por sistemas de Integração de Sensoriamento e Comunicação (ISAC) capazes de operar em ambientes de baixa altitude. Diferente dos sistemas terrestres, as redes de UAVs de baixa altitude enfrentam desafios únicos, incluindo alvos aéreos pequenos, canais ar-terra que variam rapidamente, mobilidade tridimensional e alta sensibilidade à geometria circundante e às condições meteorológicas.

Apesar da necessidade crítica de pesquisa em ISAC, o progresso é fundamentalmente limitado pela escassez de conjuntos de dados multimodais abrangentes e de alta qualidade. Os conjuntos de dados existentes (ex: KITTI, DeepMIMO, ViWi) geralmente não atendem aos requisitos específicos de cenários de UAV de baixa altitude porque:

• Focam em agentes centrados no solo em vez de alvos aéreos.
• Carecem de rótulos de canal de radiofrequência (RF) ou falham em sincronizá-los com dados visuais, geométricos e inerciais.
• Não capturam conjuntamente a propagação sem fio, aparência visual, movimento de UAV e variações dependentes do clima sob trajetórias sincronizadas e sistemas de coordenadas comuns.

Metodologia

Para abordar essas lacunas, os autores introduzem o LAMBDA (Low-Altitude Multimodal Base DAtaset), um conjunto de dados fundamental gerado através de um pipeline de gêmeo digital de alta fidelidade. O processo de geração integra diversas ferramentas especializadas para garantir fidelidade física e visual:

1. Construção de Cena: Cenas de gêmeo digital de alta fidelidade são construídas usando o Unreal Engine 5 (UE5), apresentando geometria detalhada, texturas de nível decímetro e atribuições de materiais em camadas. Três categorias principais de regiões são modeladas: Urbana (estilo San Francisco), Suburbana (montanha/solo aberto) e Campus (Universidade Jiao Tong de Xangai).
2. Simulação de Sensores e Movimento: O Cosys-AirSim é utilizado para executar trajetórias de UAV e registrar imagens RGB sincronizadas, mapas de profundidade, nuvens de pontos LiDAR, estados de Unidade de Medida Inercial (IMU) e poses de verdade fundamental (ground-truth).
3. Modelagem de RF e Radar:
   • Ativos do UE5 são convertidos em malhas (meshes) via Blender e recebem propriedades de materiais eletromagnéticos personalizados.
   • O Sionna RT realiza o rastreamento de raios (ray tracing) consciente de materiais para gerar Informação de Estado de Canal (CSI), incluindo ganhos de caminho, atrasos, deslocamentos Doppler e ângulos.
   • O CADFEKO modela a Seção de Radar Transversal (RCS) do UAV.
   • Um módulo de síntese de radar combina a geometria de multipath do Sionna RT com o RCS derivado do CADFEKO para gerar dados de Radar de Onda Contínua Modulada em Frequência (FMCW).
4. Sincronização e Alinhamento: Todas as modalidades são alinhadas offline usando um sistema de coordenadas de mundo de mão direita unificado do Sionna. Um índice de quadro global (intervalo de 1/60 s) serve como a chave primária, garantindo que os registros visuais, geométricos, inerciais, sem fio e de radar correspondam exatamente ao mesmo estado do UAV e à mesma geometria de cena.
5. Simulação de Clima: Efeitos climáticos (chuva, neve, névoa, noite) são simulados usando pipelines específicos por modalidade:
   • RF: A atenuação atmosférica é aplicada às amplitudes de multipath complexas usando modelos ITU-R (P.838-3, P.840-9) e o modelo de neve Gunn–East.
   • Visual/Profundidade: Sistemas de partículas Niagara do UE5 e modelos de névoa volumétrica.
   • LiDAR: O algoritmo LISA e a modelagem de névoa baseada em física são usados para simular retornos induzidos por precipitação e ruído de alcance.

Principais Contribuições

O artigo apresenta o LAMBDA como um recurso de referência caracterizado por quatro características fundamentais:

1. Alta Fidelidade: Geometria de cena detalhada, atribuição refinada de materiais ópticos/eletromagnéticos e modelagem eletromagnética de reflexões de radar de UAV.
2. Diversidade de Modalidades: Fluxos de dados sincronizados incluindo RGB, profundidade, LiDAR, IMU, poses de UAV, CSI e recursos de síntese de radar.
3. Riqueza de Cenários: Cobertura de cenas urbanas, suburbanas e de campus; configurações de múltiplos UAVs/múltiplas estações base (BS); e diversas condições de clima/tempo (ensolarado, chuvoso, nevando, nublado, noite).
4. Flexibilidade de Configuração: O conjunto de dados fornece registros de CSI ao nível de caminho e recursos de síntese de radar, permitindo que os usuários customizem tamanhos de arranjos de antenas, larguras de banda, espaçamentos de subportadora e parâmetros de chirp. Ele suporta tanto a síntese de canal de onda plana quanto de frente de onda esférica para estudos de campo distante (far-field) e campo próximo (near-field).

O conjunto de dados compreende 2,04 TB de dados e 517.939 quadros multimodais alinhados.

Resultados e Validação

A confiabilidade e usabilidade do LAMBDA foram validadas através de um procedimento técnico de múltiplos estágios:

• Controle de Qualidade: Verificações de integridade de arquivo, disponibilidade de modalidade, alinhamento de carimbo de tempo (timestamp) e completude de trajetória.
• Consistência Visual: Análise comparativa de saídas RGB, profundidade e LiDAR através de diferentes condições climáticas confirmou que a degradação (ex: pontos ausentes no LiDAR devido à chuva) é fisicamente plausível e consistente entre as modalidades.
• Visualização Multimodal Sincronizada: Verificação de que perfis de atraso de potência, mapas de amplitude-ângulo de radar e dados visuais/geométricos descrevem o mesmo evento de baixa altitude para um determinado índice de quadro.

Dois casos de uso específicos de UAV ISAC foram empregados para demonstrar a usabilidade dos dados:

1. Predição de Feixe Auxiliada por RGB: Um modelo ResNet-50 treinado na cena "Open Ground" do LAMBDA foi usado para prever índices de feixe de 60 GHz a partir de imagens RGB. Ao ser ajustado (fine-tuned) no conjunto de dados DeepSense 6G, o modelo pré-treinado pelo LAMBDA superou uma linha de base baseada apenas em ImageNet, demonstrando que as representações visuais-sem fio sintéticas são fisamente consistentes e eficazes para aprendizado por transferência.
2. Localização de UAV Baseada em RGB–LiDAR: Um pipeline usando imagens RGB para geração de consulta 2D e LiDAR para elevação 3D foi testado. O modelo alcançou uma taxa de Success@1m de 76,21% com o treinamento completo (atingindo 98,6% do limite teórico superior), confirmando que o LAMBDA fornece supervisão multimodal consistente para tarefas de localização.

Significância e Alegações

Os autores posicionam o LAMBDA como um recurso fundamental para preencher a lacça entre os conjuntos de dados terrestres existentes e as necessidades específicas da pesquisa em ISAC de baixa altitude. O artigo afirma que o LAMBDA permite:

• Validação e Benchmarking de Algoritmos: Fornecendo uma verdade fundamental (ground truth) confiável e sincronizada para testar algoritmos de ISAC multimodais.
• Pré-treinamento de Modelos: Servindo como fonte para pré-treinar modelos sem fio multimodais antes do ajuste fino em dados do mundo real.
• Pesquisa Configurável: Permitindo que pesquisadores sintetizem configurações específicas de radar e canal (ex: campo próximo vs. campo distante) sem a necessidade de novas medições físicas.

O artigo afirma modestamente que os casos de uso apresentados destinam-se a demonstrar a usabilidade dos dados e a consistência física, em vez de estabelecer algoritmos de estado da arte para tarefas específicas. O conjunto de dados está disponível publicamente via Science Data Bank e o site do projeto, acompanhado de código de código aberto para inspeção de dados, geração de CSI e síntese de radar.