无线InSite® 学术合作伙伴
Remcom 源自宾夕法尼亚州立大学，与学术界有着长期的合作关系。这些合作不仅促进了共同研发，还改进了我们的产品，增长了我们的专业知识。以下几个例子展示了 WirelessInSite® 如何应用于以推进毫米波无线技术为重点的学术项目中。
DeepMIMO：毫米波和大规模 MIMO 应用的通用深度学习数据集
机器学习工具正在毫米波（mmWave）和大规模多输入多输出（MIMO）系统中出现有趣的应用。这主要归功于机器学习工具在学习未知模型和解决困难优化问题方面的强大能力。然而，要推进毫米波/大规模多输入多输出（MIMO）领域的机器学习研究，需要一个通用的数据集。该数据集可用于评估已开发的算法、重现结果、设定基准以及比较不同的解决方案。在这项工作中，我们引入了 DeepMIMO 数据集，它是毫米波/大质量 MIMO 信道的通用数据集。DeepMIMO 数据集生成框架有两个重要特点。首先，DeepMIMO 信道是基于从无线 InSite 获取的精确光线跟踪数据构建的。因此，DeepMIMO 信道捕捉到了环境几何/材料和发射器/接收器位置的依赖性，这对于一些机器学习应用来说至关重要。其次，DeepMIMO 数据集是通用/参数化的，允许研究人员调整一组系统和信道参数，为目标机器学习应用定制生成的 DeepMIMO 数据集。
RAYMOBTIME
Raymobtime 是一种收集现实数据集的方法，用于模拟无线通信。它使用光线追踪和三维场景，通过移动性和时间演化来获得时间、频率和空间上的一致性。它结合了激光雷达（通过 Blensor）、摄像头（通过 Blender）和位置的模拟，以便使用机器学习和其他技术进行研究。Raymobtime 使用 Wireless Insite 进行光线跟踪，并使用开源的城市交通模拟器（SUMO）进行交通模拟（车辆、行人、无人机等）。此外，它还集成了 Cadmapper 和 Open Street Map，以简化现实户外场景的导入。更多详情，请访问Raymobtime 网站刊物。
国际电信联盟 5G 人工智能/机器学习挑战赛
research.ece.ncsu.edu/ai5gchallenge
ML5G-PHY 信道估计挑战攻克了 5G 物理层中最困难的问题之一：获取信道信息以建立毫米波 MIMO 链路（初始接入），同时考虑混合 MIMO 架构。挑战赛中的方法将有助于深入了解使用数据驱动和/或基于模型的方法可以实现哪些目标。
德雷塞尔无线系统实验室
research.coe.drexel.edu/ece/dwsl/research/mmwave-research
在 Wireless InSite 仿真结果良好的基础上，德雷克塞尔无线系统实验室正在扩大研究范围，以涵盖毫米波频率的天线设计，并开展测量活动，以确定各种实际环境中的信道特性。
