KI und die schwierigen Probleme der Welt · Theoretische Informatik · arXiv · 2026-10-21
CorteXforge: Szenariobasierte Generierung von RF-Datensätzen auf realen Testbeds
Originaltitel: CorteXforge: Scenario-Based RF Dataset Generation on Real Testbeds
Deep Learning für die RF-Signalanalyse ist auf große annotierte Datensätze angewiesen, doch synthetische Datensätze opfern physikalische Realitätsnähe zugunsten von Kontrollierbarkeit, während unkontrollierte Over-the-Air-Messungen Realitätsnähe bei begrenzter Reproduzierbarkeit bieten. CorteXforge ist ein szenariobasiertes Framework, das High-Level-RF-Szenarien automatisch über die Plattform SLICES-RI/CorteXlab in synchronisierte Experimente auf programmierbaren SDR-Testbeds übersetzt und dabei vollständig annotierte SIGMF-Datensätze erzeugt, die Hardware-Impairments und Ausbreitungseffekte erfassen. Die Validierung durch automatische Modulationsklassifikation mit ModForge, einem mit dem Framework erzeugten OTA-Datensatz, deckte eine Synthetic-to-Real-Leistungslücke auf und zeigte, dass synthetisches Pretraining für die Anpassung an OTA-Daten weiterhin vorteilhaft ist.