2021 全国人工智能大赛 AI+无线通信

Posted 2022-04-09 AI浩

大赛介绍

一、大赛背景

为进一步落实科技部、工信部支持深圳建设国家新一代人工智能创新发展试验区和人工智能创新应用先导区“双区驱动”工作要求，加快推动深圳在人工智能、网络通信等科技创新领域建设步伐，由深圳市人民政府、鹏城实验室（PCNL）主办，深圳市科技创新委员会、新一代人工智能产业技术创新战略联盟（AITISA）联合承办“2021年全国人工智能大赛”。

大赛以“AI赋能视界”为主题，分为“AI+无线通信”、“AI+视觉特征编码”两个赛道，在2021年12月启动，面向全球开放报名参赛。

大赛立足于国际视野，营造人工智能创新创造氛围，促进产业、学术、资本、人才等创新要素融合发展，以高规格、高质量、高难度的理念加速培养人工智能领域的高精尖人才，推动人工智能技术的落地。

二、赛事日程

初赛阶段：2021-12-19（12:00:00 中午）至 2022-02-21（12:00:00 中午）

2021-12-19，举办启动仪式，发布初赛赛题，同步可启动登录大赛官网报名；
2021-12-20（12:00:00 中午），发布初赛数据；
2021-12-19（12:00:00 中午）至 2022-02-13（12:00:00 中午），大赛开放报名，此阶段内可登录大赛官网报名或组队；
2021-12-20（12:00:00 中午）至 2022-02-15（12:00:00 中午），大赛初赛评测阶段。选手可在线提交相关模型文件，测评系统将自动评测得分并同步更新至排行榜。排行榜上将记录选手的最高成绩，相关团队必须自行保存最高成绩作品的源代码以备审核；
2022-02-15 至 2022-02-21，晋级资格审核。本赛道经竞赛委员会审核后排名前100名的团队可以成功晋级复赛。
复赛阶段：2022-02-25（12:00:00 中午）至 2022-03-28（12:00:00 中午）

2022-02-25，发布复赛赛题；
2022-02-25（12:00:00 中午），发布复赛数据；
2022-02-25（12:00:00 中午）至 2022-03-21（12:00:00 中午），大赛复赛评测阶段，可在线提交参与排名；
2022-03-25 至 2022-03-28，晋级资格审核。本赛道经竞赛委员会审核后排名前10名的团队可以晋级决赛。
境外选手请根据防疫管理要求，提前做好入境安排。
决赛阶段：2022-03-29 至 2022-04-15

复赛结束后公布具体日程安排。

三、组织结构

主办单位：深圳市人民政府、鹏城实验室（PCNL）

承办单位：深圳市科技创新委员会、新一代人工智能产业技术创新战略联盟（AITISA）

协办单位：星河集团、华为技术有限公司、平安科技（深圳）有限公司、中国电信

赛题&数据

一、初赛阶段

1、赛题描述

无线通信复杂多场景下的高维信道智能压缩反馈及重建

赛题支持单位：东南大学移动通信国家重点实验室、北京邮电大学-中国移动研究院联合创新中心

1）赛题背景

当今大规模无线通信系统面临着天线阵列扩增所带来的高维信道状态信息（CSI）的传输挑战。随着 6G 系统天线数量增长，高维信道信息维数大幅扩增，需要先在发射端进行压缩再反馈，以减少传输开销，之后在接收端进行解压和重建，恢复原始的高维信道信息。信道状态信息体现信道特性，可以被看作是高维低秩的图像，信道状态信息压缩反馈重建的问题则可以被转化为高维低秩图像的压缩与重建问题。

近年来，人工智能 (AI) 在无线通信领域显示出巨大潜力。AI 辅助的高维 CSI 压缩与重建模型已经超越许多传统算法，取得了非常好的性能。但系统在实际应用中往往面临丰富且复杂的信道场景，且目前大部分 AI 模型只能适用于单一场景的信道信息，对于多场景信道信息适应能力较差。如何提升智能压缩反馈网络对复杂多场景 CSI 的适应性是目前的痛点和难点之一。

该赛题面向真实多场景通信需求，以海量复杂多场景数据为驱动，充分挖掘 AI 的无限潜力，寻找出高效适用于多种场景 CSI 的智能压缩反馈重建模型，赋予智能通信系统灵活性和通用性，有望解决现有智能通信方法的局限，引领未来智能通信系统的前沿研究。

2）初赛任务

大赛将提供真实无线通信场景下采集的信道数据，鼓励参赛选手采取数据驱动的思路和采用深度学习的方法来设计适用于真实多场景下的信道数据的低复杂度 AI 算法，在保持反馈开销一定的情况下，尽量追求模型的重建精准度。

针对多个复杂场景下的真实大规模天线阵列通信信道，采集到的数据是 10,000 个信道数据样本，覆盖若干个复杂场景与采样点。每个样本是一个矩阵（单个样本可视为一张图片）。随机划分 8,000 个样本作为训练数据给予选手，2,000 个样本作为验证数据给予选手。选手需要设计合理的神经网络结构来进行信道数据（等同于图片）的压缩和重建。

本赛题规定压缩后的单个样本大小为 512 比特，即压缩后传输的管道容量为 512 比特。本赛题主要考察模型的重建误差，即原始高维信道信息和经过压缩重建后的信息之间的误差。

2、数据描述

初赛训练集：信道数据来源于多个复杂场景下采样得到的真实无线信道信息，数据集包含 10,000 个信道数据样本，覆盖多个复杂场景，每个场景包含若干样本。每个样本是一个 126*128 的二维 CSI 矩阵（可以把单个样本视为一张图片），其中 126 代表时延抽头数目，128 代表天线数目（32 发 4 收）。每个场景内的 CSI 样本具有一定的特征相关度。

真实数据采样配置参数如下：

数据来源	多场景实测数据
频段	3.5GHz
带宽 100MHz	带宽 100MHz
发射端天线配置	4×4双极化天线均匀面阵，（4×4×2=32）
接收端天线配置 1×2双极化天线均匀线阵，（1×2×2=4）	接收端天线配置 1×2双极化天线均匀线阵，（1×2×2=4）
时延抽头数目 126	时延抽头数目 126
样本数	N=10000

实测数据已经过部分数据预处理工作（包括去噪、DFT 转化、归一化处理（到[0,1]）、实部虚部分开处理等），数据集格式说明如下：

数据名称	格式说明
训练集：Htrain.mat	8000×126×128×2的实数样本样本数：8000实部与虚部：2
验证集：Htest.mat	2000×126×128×2的实数样本样本数：2000实部与虚部：2

1）数据样例
126×128 的 CSI 灰度图样例，分别为实部、虚部、模值可视化

2）数据及参考材料下载

材料名称	材料描述
初赛训练集	Htrain.mat 包含 8,000 个信道数据样本 Htest.mat包含 2,000 个信道数据样本。
提交样例（pytorch版本）	「torch_sub.zip」：提交样例文件，输出值为随机结果，供参赛人员参考。
示例程序（tensorflow版本）	训练推理代码及网络定义方法
示例程序（pytorch版本）	训练推理代码及网络定义方法

本次比赛数据由鹏城实验室提供，仅可用于本次比赛，不得用于任何商业用途。