Zum Inhalt springen

Wireless InSite® 3D-Software für die Funkausbreitung

Wireless InSite® ist eine Suite von HF-Ausbreitungsmodellen, die 3D-Raytracing, schnelle strahlenbasierte Methoden und empirische Modelle für die Analyse der standortspezifischen Funkwellenausbreitung und drahtloser Kommunikationssysteme bietet. Durch seine kombinierten Modellierungs-, Simulations- und Nachbearbeitungsfunktionen ermöglicht es effiziente und genaue Vorhersagen der EM-Ausbreitung und der Eigenschaften von Kommunikationskanälen in komplexen städtischen, innerstädtischen, ländlichen und gemischten Pfadumgebungen.

Wireless-Insite
High-Fidelity-Ray-Tracing

X3D-Ausbreitungsmodell

X3D ist ein 3D-Ausbreitungsmodell ohne Einschränkungen in Bezug auf die Form der Geometrie oder die Höhe des Senders/Empfängers. Dieses genaue Modell umfasst Reflexionen, Übertragungen und Beugungen sowie atmosphärische Absorption und diffuse Streuung. Unterstützt Frequenzen bis zu 100 GHz.

Mehr lesen
Antennenmodellierungs-Software

Modellierung von Antennen

Importieren Sie gemessene Antennendiagramme, simulierte Antennen aus XFdtd oder erstellen Sie Lehrbuchantennen zur Verwendung in SISO-, MIMO- und Massive MIMO-Sendern und -Empfängern. Fügen Sie frequenzspezifische Antennendiagramme hinzu, um die Genauigkeit bei der Verwendung mehrerer Bänder oder der Durchführung von Frequenzsweeps zu verbessern.

Mehr lesen
MIMO-Beamforming

MIMO-Strahlformung und räumliches Multiplexing

Simulieren Sie MIMO-Antennen für 5G, WiFi und andere Technologien. Detaillierte Mehrwegeffekte und gegenseitige Kopplung werden mit MIMO-Techniken wie Beamforming, räumliches Multiplexing und Diversität verwendet, um wichtige Kanalmetriken für einen oder mehrere MIMO-Datenströme vorherzusagen.

Mehr lesen
Analyse von Kommunikationssystemen

Analyse von Kommunikationssystemen

Berechnen Sie SINR, Durchsatz, theoretische Kapazität und Bitfehlerrate (BER), um die Leistung drahtloser Geräte zu visualisieren und zu bewerten.

Mehr lesen
Materialien

Materialien

Definieren Sie elektrische Eigenschaften bis hinunter auf die Facettenebene. Die Datenbank der installierten Materialien umfasst Metall, Erde, Beton, Ziegel, Holz, Glas usw. mit verschiedenen Frequenzen.

Mehr lesen
Technisch-elektromagnetische-Oberflächen

Entwickelte elektromagnetische Oberflächen (EES)

Modellierung einer EES- oder Einzelkonfiguration einer rekonfigurierbaren intelligenten Oberfläche (RIS) auf Metaebene und Bewertung, wie diese die Ausbreitungsumgebung zur Verbesserung der Konnektivität verändert.

Mehr lesen
Diffus-Streuung-1

Diffuse Streuung

Erfassung der Auswirkungen der Streuung auf die komplexe Impulsantwort und die empfangene Leistung (einschließlich Kreuzpolarisation) für mmWave-Anwendungen.

Mehr lesen
Merkmal-Import

Merkmal Import

Unterstützung der Formate KMZ, COLLADA, SHP und DXF für den Import von Gebäuden und Objekten. Die Geospatial Abstraction Library wird für den Geländeimport in den Formaten DTED, DEM und TIFF verwendet.

Mehr lesen
WI_Stadt_Glanz

Geometrie-Caching

Das X3D-Propagationsmodell von Wireless InSite speichert die verarbeitete Geometrie automatisch für die spätere Verwendung, so dass bei mehreren gleichzeitigen oder nachfolgenden Aufträgen mit derselben Geometrie keine Zeit für die Geometrieverarbeitung verloren geht.

Mehr lesen
Auf schnellen Strahlen basierende Methoden

Schnelle strahlenbasierte Methoden

2D-ortsspezifische Ausbreitungsmodelle für Anwendungen im städtischen und weiträumigen unwegsamen Gelände.

Mehr lesen
Empirische-Propagations-Modelle

Empirische Ausbreitungsmodelle

Eine Reihe von empirischen Modellen für die Analyse von Städten und Innenräumen.

Mehr lesen
mmWellen+Kanal+Modellierung+mit+diffuser+Streuung

Ausgänge

Die Benutzer haben schnellen Zugriff auf Ausgaben wie Empfangsleistung, Ausbreitungswege, Pfadverlust usw. Diese ASCII-basierten Dateien können im Tool geplottet oder leicht extern nachbearbeitet werden.

Mehr lesen
5G MIMO Bild

5G MIMO

Die EM-Simulationssoftware von Remcom bietet eine komplette 5G-Lösung, vom System- und MIMO-Antennendesign über die Leistungsbewertung in realistischen, simulierten Umgebungen bis hin zur Planung des Einsatzes in 5G-Netzen. Unser Ziel ist es, genaue Lösungen anzubieten, damit Kunden zuverlässig vorhersagen können, wie sich ihre Systeme in der realen Welt verhalten werden.

5G MIMO
Bild der Antennenplatzierung

Platzierung der Antenne

Remcoms Softwaretools für die Antennenmodellierung gewährleisten die korrekte Konstruktion und Platzierung von Antennen in nahezu jeder Anwendung. Unsere Simulationswerkzeuge können einzeln oder zusammen eingesetzt werden, um eine vollständige Analyse der Leistung einer Antenne zu erstellen.

Platzierung der Antenne
Bild des mobilen Geräts

Mobiles Gerät

Bei der Entwicklung der komplexen mobilen Geräte von heute ist Präzision der Schlüssel, und Ingenieure können sich keine Diskrepanzen zwischen der Geräteeffizienz und den Simulationsergebnissen leisten. Remcom-Benutzer sehen weniger als 0,5 dB Unterschied in der Geräteeffizienz im Vergleich zu elektromagnetischen Simulationsergebnissen.

Mobiles Gerät
Bild der drahtlosen Ausbreitung

Drahtlose Ausbreitung

Die Lösungen von Remcom für drahtlose Ausbreitungsanwendungen reichen von der militärischen Verteidigung bis hin zur kommerziellen Kommunikation. Zusätzlich zu unseren Software-Tools für die drahtlose Vorhersage ist unsere Abteilung für Ausbreitungssoftware auf die Vergabe von Aufträgen an Behörden, die Entwicklung kundenspezifischer Software und die Durchführung von Forschung und Analyse spezialisiert.

Drahtlose Ausbreitung

Wireless InSite Dokumentation und Lernressourcen

Wireless InSite Spezifikationen

 

 

Drahtlose InSite-Funktionen

Setzen Sie sich mit uns in Verbindung, wenn Sie weitere Informationen zu den Möglichkeiten wünschen oder Ihre speziellen Anforderungen besprechen möchten.

Drahtlos InSite Standard
Eine Reihe von Ausbreitungsmodellen, die auf hochrealistischen zwei- und dreidimensionalen Strahlenverfolgungen basieren. Unterstützt drahtlose Anwendungen in Städten, in Gebäuden und auf dem Land mit größerer Reichweite.
Drahtlos InSite Professional

Bündelt High-Fidelity-Modelle aus der Standardversion mit schnellen strahlenbasierten und empirischen Modellen. Enthält auch zusätzliche spezialisierte Funktionen, wie z. B.:

  • Diffuse Streuung, Erfassung von Signalbeiträgen von rauen Oberflächen

  • Engineered Electromagnetic Surfaces (EES), die die Modellierung passiver EM-Metasurfaces zur Verbesserung der drahtlosen Signalabdeckung ermöglichen

  • Optimierung der Laufzeit von APG (Adjacent Path Generation)

  • APIs für ausgewählte Modelle, die es den Nutzern ermöglichen, eigene Anwendungen zu entwickeln

Drahtloses InSite MIMO

Bündelt die Funktionen der Professional-Version mit MIMO-Fähigkeiten, einschließlich MIMO-Array-Builder, optimierter MIMO-Simulation, Durchsatz- und Kommunikationsanalyse und Kanalergebnis-Analysator. Berechnen Sie den MIMO-Kanal, einschließlich der Beeinträchtigung durch die gegenseitige Kopplung der Antennen. Anwendung von Beamforming-, Spatial Multiplexing- und Diversity-Techniken zur Verbesserung der Leistung und zur Vorhersage des Durchsatzes von mehreren MIMO-Streams.

 
Modellierungsfähigkeiten
  • Eine Reihe von Ausbreitungsmodellen, die eine Reihe von Detailtreue und Laufzeiten umfassen, darunter:

  • Modelle für Außen-, Innen-, Innen-zu-Außen- und Außen-zu-Innen-Anwendungen

  • Unterschiedliche Umgebungen, von dicht besiedeltem bis hin zu unwegsamem, offenem Terrain

  • Simulation von Antennen, Polarisation und Phase durch vollständige Analyse der Mehrwegeausbreitung in komplexen Umgebungen

  • Simuliert MIMO-Techniken, unterstützt traditionelle MIMO-Antennen bis hin zu großen (massiven) MIMO-Arrays

  • Kommunikationsanalysator zur Berechnung von Interferenzen, SINR, Durchsatz, Kapazität und Bitfehlerrate

Geometrieerzeugung und -manipulation
  • Verarbeitung der Stadtgeometrie, einschließlich Gebäudezuordnung, Vereinfachung und Fehlerprüfung

  • Zwischenspeicherung von Geometrien zur Zeitersparnis bei der Durchführung mehrerer Studien mit der gleichen Geometrie

  • Grafische Stadt-, Innenraum-, Terrain- und Laubeditoren

  • Anpassung des Laubes an das Gelände und Festlegung von Untergrenzen für hochgezogene Baumkronen

  • Operationen zum Verschieben, Skalieren und Drehen

  • Zuweisung von Materialeigenschaften

  • Zuschneiden von Gelände- und Stadtmerkmalen

Standard-Merkmale
  • Zu den Kanalausgaben gehören die empfangene Leistung, das elektrische Feld, die Verzögerungsspanne, die Ankunfts- und Abgangswinkel, das Leistungsverzögerungsprofil und verschiedene Größen der Strahlungsgefahr.

  • Die Ergebnisse der Kommunikationsanalyse umfassen SINR, Bitfehlerrate, Durchsatz, Kapazität und andere Kommunikationsmetriken

  • Berechnungen verwenden 3D-Antennendiagramme mit vollständiger Polarisations- und Phaseninformation

  • Erzeugt Ausgaben im Zeit- und Frequenzbereich

  • Identifizierung von Versorgungsausfällen mit Hilfe des Analysetools für Kommunikationssysteme

  • Unterstützt den Import von städtischen Gebäudedaten, Grundrissen, Terrain, Boden und Vegetation aus Standardformaten

  • Überlagerungen auf Karten, Luftbildern und 3D-Darstellungen von Gebäuden und Gelände

Materialien und Umweltauswirkungen
  • Fähigkeit zur Modellierung der dielektrischen Eigenschaften von Baumaterialien, einschließlich mehrschichtiger Materialien

  • Das Modell "Engineered Electromagnetic Surfaces" (EES) ermöglicht die Einbeziehung passiver Metasurfaces, die zur Verbesserung der drahtlosen Signalabdeckung für 6G verwendet werden

  • Atmosphärische Absorption im X3D-Strahlenmodell erstreckt sich auf mmWelle und darüber

  • Bodeneigenschaften, einschließlich integrierter Modelle auf der Grundlage des Sand-, Schluff- und Tonanteils

  • Benutzerdefinierte, tabellarische Reflexions- und Transmissionskoeffizienten

  • Modelle für den Durchdringungsverlust von Laub

Input/Output-Visualisierung
  • Farbanzeigen der meisten Ausgaben

  • Werkzeuge zum Plotten von Linien

  • Polardiagramme und 3D-Darstellungen von Antennendiagrammen

  • Diagramme der Reflexions- und Transmissionskoeffizienten nach Material

  • Farbige Darstellung von transienten elektrischen Feldern

  • "Filmsequenz" der transienten Felder im Vergleich zur Zeit

  • Exportieren einer "Filmsequenz" in eine MPEG-Datei

  • Exportieren von Ansichten und Diagrammen in JPEG- und TIFF-Dateien

Hochleistungsrechnen und algorithmische Optimierung
  • GPU-Beschleunigung und Multi-Threading für X3D Ray Model

  • Zahlreiche Optimierungen der Strahlenverfolgung in der gesamten Modellierungssuite

  • Thread-sichere Wireless InSite Real Time für Multithreading-API-Anwendungen

  • Methoden zur Ausführung mehrerer Modelle auf mehreren Prozessoren

Ausbreitungskanal-Ausgänge
  • Empfangene Leistung

  • Ausbreitungswege

  • Pfadverlust

  • Verzögerungsspanne

  • Größe und Phase des elektrischen Feldes

  • Elektrisches Feld in Abhängigkeit von Zeit und Frequenz

  • Stärkste Basis für Mobile

  • Ankunftszeit und Ankunftsrichtung

  • Leistungsverzögerungsprofil

  • Doppler-Verschiebung

  • Animierte Filme zum elektrischen Feld

  • Empfangene Leistung, Pfadverlust

  • Ausbreitungswege visualisieren

  • Komplexe Impulsantwort

  • Richtung der Ankunft

  • Richtung der Abfahrt

Modellierung von Antennen
  • Sender-/Empfängersets, die durch einzelne Punkte, Trajektorien (Routen), Bögen, ebene Flächen (vertikal oder horizontal), zylindrische Flächen oder sphärische Flächen definiert sind

  • Quellen für ebene Wellen zur Modellierung von luft- und satellitengestützten Sendern

  • Vertikal, horizontal und zirkular polarisierte analytische Antennen oder komplexe Polarisationen durch Import von Antennendateien

  • Unterstützung für MIMO-Antennen, einschließlich großer (massiver) Arrays

  • Möglichkeit des Imports von Mehrfrequenz-Antennendaten und der Verwendung in Frequenzsweep-Simulationen

  • Import von Antennendiagrammen: Importieren Sie Antennendiagrammdaten aus Odyssey, MSI Planet oder Remcoms XFdtd oder konvertieren Sie Daten aus anderen Solvern oder Messungen in Remcoms Standard-3D-Antennendiagrammformat.

MIMO-Berechnungen
  • Optimierte Berechnung der Kanaleigenschaften für große MIMO-Arrays

  • Array Builder zur Erstellung von MIMO-Arrays mit beliebigen Mustern, Drehungen und Abständen; optionaler Import von Antennen-Arrays aus Full-Wave Solver oder anderen Quellen

  • MIMO-Strahlformung, räumliches Multiplexing und Diversitätsverfahren zur Berechnung der Signaleigenschaften von MIMO-Datenströmen

  • Verwendung von Multi-Port-S-Parametern zur Erfassung von Beeinträchtigungen durch gegenseitige Kopplung zwischen Antennenelementen

  • Kommunikationsanalyse zur Berechnung von SINR, Durchsatz und BER für mehrere MIMO-Streams sowie für den gesamten MIMO-Kanal

  • Channel Data Analyzer zum Anzeigen, Darstellen und Exportieren von MIMO-Ausgaben

  • CSV-Export aller MIMO-Ergebnisse für die weitere Analyse durch den Benutzer

MIMO-Ausgänge
  • Empfangene Leistung und Pfadverlust

  • H-Matrix

  • Komplexe Impulsantwort

  • Richtung der Ankunft

  • Richtung der Abfahrt

  • RMS-Verzögerungsspanne

  • Winkelspreizung von Ankunft und Abfahrt

  • MIMO-Kommunikationssystemausgänge (siehe unten)

Ausgänge des Kommunikationssystems
  • Interferenzen und Lärm

  • Gesamtleistung, stärkster Sender nach empfangener Leistung, stärkster Sender

  • Signal-zu-Rausch-Verhältnis (SNR), Signal-zu-Interferenz-Verhältnis (SIR), Signal-zu-Interferenz-plus-Rausch-Verhältnis (SINR)

  • Anzeige der empfangenen Signalstärke (RSSI)

  • Empfangsleistung des Referenzsignals (RSRP, nur LTE)

  • Empfangsqualität des Referenzsignals (RSRQ, nur LTE)

  • Durchsatz für LTE, WiMAX, 802.11n, 802.11ac, 802.11ax, 5G NR und für benutzerdefinierte Protokolle

  • Kapazität (Shannon-Hartley)

  • Bitfehlerrate (BER)

Geometrische Datentypen
  • Städte

  • Terrain

  • Laub

  • Grundrisse

  • Objekte

Import von Geometriedaten
  • DAE einführen (COLLADA)

  • KMZ importieren (COLLADA)

  • SHP importieren

  • STL importieren

  • DXF importieren

  • STL importieren

  • Importieren von DEM, DTED, JDEM, SDTS, ASCII-Gitter, TIFF/BigTIFF/GeoTIFF für Geländehöhen-Daten

  • TIFF und GeoTIFF importieren

  • Import der GLCC-Datenbank (Global Land Cover Characteristics Database) für die Bodenbedeckung der Vegetation

  • Digitale Bodenkarte (DSM) der Welt importieren

  • Raster-Vektor-Konvertierung

Diffuse Streuung
  • Degli-Esposti-Modelle

  • Lambertus

  • Richtlinie

  • Richtlinie mit Rückstreuung

Verbesserte Optionen
  • Monte Carlo zur Erfassung der Unsicherheit von Leistungs- oder Materialparametern

  • Modellierung eines dispersiven Kanals über Frequenzsweeps

  • Maximal zulässige Exposition (MPE) - IEEE Standard C95.1-2005

  • Benutzerdefinierte Bibliotheken mit Antennen, Materialien und Wellenformen

  • Unterstützung für Linux-Cluster

 

Versionen

Vergleich der Wireless InSite-Versionen

Standard
Professionell
MIMO
X3D-Strahlenmodell (GPU)
Vollständiges 3D-Ausbreitungsmodell
Urban Canyon Ray Model (2D)
Vertikales Ebenenstrahlmodell (2D)
Freiraum
Geodätischer Dreifachpfad
Hata/COST Hata
Vertikale ebene Stadtausbreitung
Walfisch-Ikegami
C++-API zur Berechnungsmaschine
Entwickelte elektromagnetische Oberflächen (EES)
Generierung benachbarter Pfade (Optimierung)
Diffuse Streuung
MIMO-Antennen-Designer
Optimierung der MIMO-Simulation
MIMO-Strahlformung/räumliches Multiplexing
MIMO-Kanal-Ausgänge
MIMO-Durchsatz/Kommunikationsanalyse

 

Wireless InSite Systemanforderungen

Systemanforderungen

Minimum
Empfohlen
Fortgeschrittene
Prozessor
Intel i3
Intel i7 oder besser
Zwei Intel Xeon
Logische Prozessoren [1]
2
4
8+
RAM
8 GB
16 GB
64 GB
GPU-RAM
2 GB
6 GB
12 GB
Festplattenspeicher
500 GB
1 TB
2 TB

[1] Die Leistung verbessert sich in der Regel mit einer größeren Anzahl von Kernen (oder logischen Prozessoren); viele Systeme mit einer großen Anzahl logischer Prozessoren haben jedoch Grenzen für die dauerhafte Spitzenauslastung.

[2] Die GPU muss eine CUDA-fähige Karte sein und mit NVIDIA OptiX 4.1.0 kompatibel sein. Ausgehend von den Versionshinweisen für OptiX 4.1.0 und dem Zeitpunkt der Veröffentlichung sollten CUDA-fähige Karten mit einer Rechenleistung von 3.0 oder höher unterstützt werden. Wenden Sie sich für spezifische Empfehlungen an den NVIDIA-Support.

XStream GPU-Beschleunigung:
  • NVIDIA-Rechenleistung: 3.0 oder höher [2]

GUI - Unterstützte Plattformen:
  • Microsoft Windows 7, Windows 8, Windows 10 und Windows 11, 64-Bit

Computation Engine - Unterstützte Plattformen:
  • Microsoft Windows 7, Windows 8, Windows 10 und Windows 11, 64-Bit

  • Red Hat Enterprise Linux 6, 64-Bit (und kompatible Systeme)

 

Wireless InSite Referenzen

Im Folgenden finden Sie eine Liste wissenschaftlicher und technischer Artikel, in denen die Software von Remcom in der Forschung der Autoren verwendet wurde. Wir haben Auszüge aus den Zusammenfassungen der Veröffentlichungen und Offsite-Links zu den ursprünglich veröffentlichten Inhalten hinzugefügt.

Mehrfrequenz-Kanalmodellierung für drahtlose Millimeterwellen- und THz-Kommunikation mittels generativer adversarialer Netzwerke

Moderne zellulare Systeme verlassen sich zunehmend auf die gleichzeitige Kommunikation in mehreren diskontinuierlichen Bändern, um die Makro-Diversität und die Bandbreite zu erhöhen. Die Kommunikation über mehrere Frequenzen ist vor allem im Millimeterwellen- (mmWave) und Terahertzbereich (THz) von entscheidender Bedeutung, da diese Bänder aus Gründen der Robustheit häufig mit niedrigeren Frequenzen gekoppelt sind. Die Bewertung dieser Systeme erfordert statistische Modelle, die die gemeinsame Verteilung der Kanalpfade über mehrere Frequenzen erfassen können. In diesem Beitrag wird eine allgemeine, auf neuronalen Netzen basierende Methodik für das Training von statistischen Kanalmodellen mit mehreren Frequenzen und zwei Richtungen vorgestellt. In dem vorgeschlagenen Ansatz wird jedes Cluster als Multicluster beschrieben, und ein generatives adverses Netzwerk (GAN) wird trainiert, um zufällige Multicluster-Profile zu erzeugen, wobei die erzeugten Clusterdaten die Winkel und die Verzögerung der Cluster zusammen mit den Vektoren der zufällig empfangenen Leistungen, der Winkel- und der Verzögerungsspreizung bei verschiedenen Frequenzen umfassen. Das Verfahren kann ohne weiteres für die Simulation von Mehrfrequenzverbindungen oder Netzwerkschichten eingesetzt werden. Die Methodik wird anhand der Modellierung von städtischen Mikrozellenverbindungen bei 28 und 140 GHz demonstriert, die anhand umfangreicher Raytracing-Daten trainiert wurden. Die Methodik geht von minimalen statistischen Annahmen aus, und Experimente zeigen, dass das Modell interessante statistische Beziehungen zwischen Frequenzen erfassen kann.

Hu, Y., Yin, M., Xia, W., Rangan, S., & Mezzavilla, M. (2022a, Dezember 22). Multi-Frequenz-Kanalmodellierung für drahtlose Millimeterwellen- und Thz-Kommunikation über generative Adversarial Networks. arXiv.org. https://arxiv.org/abs/2212.11858

Referenz anzeigen

Auf neuronalen Netzen basierende Lokalisierungsmethode für die Lokalisierung von Wi-Fi-Fingerabdrücken in Innenräumen

Trotz der hohen Nachfrage nach Internet-Lokalisierungsdiensten leidet die Wi-Fi-Lokalisierung in Innenräumen häufig unter zeit- und arbeitsintensiven Datenerfassungsprozessen. In dieser Studie wird ein neuartiges Modell zur Lokalisierung in Innenräumen vorgeschlagen, das die Fingerprinting-Technologie auf der Grundlage eines neuronalen Faltungsnetzwerks nutzt, um dieses Problem zu lösen. Ziel ist es, die Wi-Fi-Lokalisierung in Innenräumen zu verbessern, indem der Datenerfassungsprozess rationalisiert wird. Das vorgeschlagene Modell für die Lokalisierung in Innenräumen nutzt eine 3D-Strahlenverfolgungstechnik, um die Intensität des drahtlos empfangenen Signals (RSSI) im gesamten Feld zu simulieren. Durch die Einbeziehung dieser fortschrittlichen Technik zielt das Modell darauf ab, die Genauigkeit und Effizienz der Wi-Fi-Lokalisierung in Innenräumen zu verbessern. Darüber hinaus wird ein RSSI-Heatmap-Fingerprint-Datensatz, der aus der Raytracing-Simulation generiert wurde, mit dem vorgeschlagenen Indoor-Lokalisierungsmodell trainiert. Um die Leistung des Modells in realen Szenarien zu optimieren und zu bewerten, wurden Experimente mit simulierten Datensätzen durchgeführt, die aus den öffentlich zugänglichen Datenbanken von UJIIndoorLoc und Wireless InSite stammen. Die Ergebnisse zeigen, dass der neue Ansatz das Problem der Ressourcenbeschränkung löst und dabei eine Verifizierungsgenauigkeit von bis zu 99,09 % erreicht.

Zhu H, Cheng L, Li X, Yuan H. Neural-Network-Based Localization Method for Wi-Fi Fingerprint Indoor Localization. Sensors. 2023; 23(15):6992. https://doi.org/10.3390/s23156992

Referenz anzeigen

Vergleichende Charakterisierung von VLC- und MMW-Kommunikation in Innenräumen mittels Ray-Tracing-Simulationen

Die Nachfrage nach drahtlosen Ultra-Hochgeschwindigkeitsverbindungen in Innenräumen nimmt ständig zu, was die Entwicklung von drahtlosen Kommunikationssystemen der nächsten Generation vor einzigartige Herausforderungen stellt. Dies hat dazu geführt, dass neben dem herkömmlichen Sub-6-GHz-Band auch höhere Frequenzbänder wie Millimeterwellen (MMW) und sichtbares Licht erforscht werden. Dieses Papier bietet einen umfassenden Vergleich der Ausbreitungskanäle dieser Frequenzbänder unter den gleichen Innenraumbedingungen und Szenarien. Wir verwenden Raytracing-Techniken für die standortspezifische Kanalmodellierung, die die Berücksichtigung von dreidimensionalen Modellen der Innenraumumgebung und der darin befindlichen Objekte ermöglicht. Dadurch können wir verschiedene Frequenzen, d. h. 2,4 GHz, 6 GHz, 28 GHz, 60 GHz, 100 GHz und das sichtbare Lichtband, sowie verschiedene Sendertypen, d. h. Rundstrahl-/Richtantennen für Hochfrequenzsysteme und Innenraumleuchten für die sichtbare Lichtkommunikation (VLC), berücksichtigen. Für die verschiedenen betrachteten Frequenzen erhalten wir Kanalimpulsantworten (CIRs) und stellen die Kanalwegverluste für verschiedene Nutzertrajektorien in Innenräumen dar. Darüber hinaus schlagen wir geschlossene Formeln für die kumulativen Verteilungsfunktionen (CDFs) der empfangenen Leistungspegel für alle betrachteten Frequenzbänder vor. Unsere Ergebnisse zeigen, dass VLC-Kanäle einen geringeren Pfadverlust aufweisen als die MMW-Bänder, aber höher sind als die des 2,4-GHz-Bands. Darüber hinaus wird festgestellt, dass VLC-Systeme empfindlicher auf Abschattungs- und Blockierungseffekte reagieren. Unsere Ergebnisse zeigen außerdem, dass die Eigenschaften des Ausbreitungskanals stark vom Antennentyp beeinflusst werden. So führt die Verwendung von Rundstrahl- und Rechteck-Patch-Antennen zu einem geringeren Pfadverlust im Vergleich zu Hornantennen, und dieser Unterschied wird mit abnehmender Übertragungsdistanz immer deutlicher.

F. Aghaei, H. B. Eldeeb, L. Bariah, S. Muhaidat und M. Uysal, "Comparative Characterization of Indoor VLC and MMW Communications via Ray Tracing Simulations," in IEEE Access, doi: 10.1109/ACCESS.2023.3307186.

Referenz anzeigen

Überwachtes Lernverfahren zur Identifizierung von Mehrwegen erster Ordnung in einem V2V-Szenario

Bei geometrischen Lokalisierungsverfahren werden die Eigenschaften des sich ausbreitenden Signals erster Ordnung (FOMP) verwendet, um den Standort auf der Grundlage geometrischer Beziehungen zu berechnen. Die Verwendung der Eigenschaften von Mehrwegeausbreitung höherer Ordnung (HOMP) führt zu einem erheblichen Lokalisierungsfehler. Daher ist die Unterscheidung zwischen FOMPs und HOMPs eine wichtige Aufgabe. In früheren Arbeiten wurden zur Erfüllung dieser Aufgabe herkömmliche Methoden verwendet, die auf einem deterministischen Schwellenwert basieren. Leider sind diese Methoden kompliziert und unzureichend genau. Die Autoren dieser Arbeit schlagen eine effiziente Methode vor, die auf überwachtem Lernen basiert, um genauer zwischen den sich ausbreitenden FOMP und HOMP der Millimeterwellen-Fahrzeug-zu-Fahrzeug-Kommunikation in einem städtischen Szenario zu unterscheiden. Die Strahlenverfolgungstechnik basierend auf Shoot and Bounce Ray (SBR) wird verwendet, um die Merkmale des Datensatzes zu generieren, einschließlich der empfangenen Leistung, der Ausbreitungszeit, des Azimut-Ankunftswinkels (AAOA) und des Elevations-Ankunftswinkels (EAOA). Zunächst wird eine statistische Analyse auf der Grundlage der Wahrscheinlichkeitsverteilungsfunktion (PDF) durchgeführt, um den Einfluss der ausgewählten Merkmale auf den Klassifizierungsprozess zu untersuchen. Anschließend werden sechs überwachte Klassifikatoren, nämlich Entscheidungsbaum, Naive Bayes, Support Vector Machine, K-Nearest Neighbors, Random Forest und künstliches neuronales Netz, trainiert und getestet und ihre Leistung hinsichtlich der HOMP-Fehlklassifizierung verglichen. Die Auswirkung der betrachteten Merkmale auf die Leistung der Klassifikatoren wird weiter untersucht. Unsere Ergebnisse zeigen, dass alle vorgeschlagenen Klassifikatoren eine akzeptable Klassifizierungsleistung erbringen. Der vorgeschlagene ANN zeigte die beste Leistung, während der NB die schlechteste war. Der HOMP-Fehlklassifizierungsfehler schwankte zwischen 2,3 % und 16,7 %. Der EAOA hatte den größten Einfluss auf die Klassifikationsleistung, während der AAOA den geringsten Einfluss hatte.

Bakhuraisa YA, Abd Aziz AB, Geok TK, Abu Bakar NB, Jamian SB, Mustakim FB. Supervised Learning Technique for First Order Multipaths Identification of V2V Scenario. World Electric Vehicle Journal. 2023; 14(4):109. https://doi.org/10.3390/wevj14040109

Referenz anzeigen

Dreistufige Erkennung basierend auf dem Mittelwert der Phasendifferenzen in physikalischen drahtlosen Parameterkonversions-Sensornetzwerken und deren Auswirkung auf die Lokalisierung mit RSSI

In den letzten Jahren gab es aufgrund der Verbreitung des Internets der Dinge (IoT) einen erhöhten Bedarf an der Aggregation von Sensordaten mehrerer Sensoren. Die Paketkommunikation, eine herkömmliche Technologie mit Mehrfachzugriff, wird jedoch durch Paketkollisionen aufgrund des gleichzeitigen Zugriffs von Sensoren und der Wartezeit zur Vermeidung von Paketkollisionen behindert, wodurch sich die Aggregationszeit erhöht. Das physikalische drahtlose Parameterkonvertierungs-Sensornetzwerk (PhyC-SN), das Sensorinformationen entsprechend der Trägerwellenfrequenz überträgt, erleichtert die Sammlung von Sensorinformationen in großen Mengen, wodurch die Kommunikationszeit verkürzt und eine hohe Aggregationserfolgsrate erreicht wird. Wenn jedoch mehr als ein Sensor die gleiche Frequenz gleichzeitig überträgt, verschlechtert sich die Schätzgenauigkeit der Anzahl der erreichten Sensoren aufgrund des Mehrwegeffekts erheblich. Daher konzentriert sich diese Studie auf die Phasenschwankung des empfangenen Signals, die durch den Frequenzversatz der Sensorendgeräte verursacht wird. Folglich wird eine neue Funktion zur Erkennung von Kollisionen vorgeschlagen, d. h. von Fällen, in denen zwei oder mehr Sensoren gleichzeitig senden. Darüber hinaus wird eine Methode zur Identifizierung der Existenz von 0, 1, 2 oder mehr Sensoren entwickelt. Darüber hinaus demonstrieren die Autoren die Wirksamkeit von PhyC-SNs bei der Schätzung des Standorts von Funkübertragungsquellen, indem sie drei Muster von 0, 1 und 2 oder mehr sendenden Sensoren verwenden.

Ito T, Oda M, Takyu O, Ohta M, Fujii T, Adachi K. Three Level Recognition Based on the Average of the Phase Differences in Physical Wireless Parameter Conversion Sensor Networks and Its Effect to Localization with RSSI. Sensors. 2023; 23(6):3308. https://doi.org/10.3390/s23063308

 

Referenz anzeigen

Mobile Millimeterwellen-Sensorik und Umweltkartierung: Modelle, Algorithmen und Validierung

In diesem Artikel befassen sich die Autoren mit den Aussichten für die funkgestützte Erfassung und Kartierung der Umgebung mit besonderem Schwerpunkt auf der Seite der Benutzergeräte (UE). Wir beschreiben zunächst einen effizienten Ansatz der ℓ1 -regulierten kleinsten Quadrate (LS), um spärliche Entfernungs-Winkel-Diagramme an einzelnen Mess- oder Erfassungsorten zu erhalten. Für die anschließende Umgebungskartierung stellen wir dann ein neuartiges Zustandsmodell für die Kartierung diffuser und spiegelnder Streuung vor, das eine effiziente Verfolgung einzelner Streuer über die Zeit unter Verwendung eines erweiterten Kalman-Filters mit interaktiven Mehrfachmodellen (IMM) und Glättungsfunktionen ermöglicht. Auch die damit verbundenen Probleme der Messauswahl und der Datenzuordnung werden angesprochen. Wir stellen umfangreiche numerische Indoor-Mapping-Ergebnisse im 28-GHz-Band zur Verfügung, bei denen OFDM-basierte 5G-NR-Uplink-Wellenformen mit 400 MHz Kanalbandbreite zum Einsatz kommen, die sowohl genaue Raytracing-basierte als auch tatsächliche RF-Messergebnisse umfassen. Die Ergebnisse veranschaulichen die Überlegenheit der auf dynamischem Tracking basierenden Lösungen im Vergleich zu statischen Referenzmethoden, während sie insgesamt die hervorragenden Aussichten der funkbasierten mobilen Umgebungserfassung und -kartierung in zukünftigen mm-Wellen-Netzwerken demonstrieren.

C. Baquero Barneto et al., "Millimeter-Wave Mobile Sensing and Environment Mapping: Models, Algorithms and Validation," in IEEE Transactions on Vehicular Technology, vol. 71, no. 4, pp. 3900-3916, April 2022, doi: 10.1109/TVT.2022.3146003.

 

Referenz anzeigen

Deep Reinforcement Learning-basierte koordinierte Strahlformung für mmWave Massive MIMO Vehicular Networks

In diesem Beitrag schlagen die Autoren ein neuartiges, auf Deep Reinforcement Learning (DRL) basierendes koordiniertes Beamforming-Verfahren vor, bei dem mehrere Basisstationen eine Mobilstation (MS) gemeinsam bedienen. Die konstruierte Lösung verwendet dann ein vorgeschlagenes DRL-Modell und sagt die suboptimalen Beamforming-Vektoren an den Basisstationen (BS) aus den möglichen Beamforming-Codebuch-Kandidaten voraus. Diese Lösung ermöglicht ein komplettes System, das hochmobile mmWave-Anwendungen mit zuverlässiger Abdeckung, minimalem Trainingsaufwand und geringer Latenz ermöglicht. Numerische Ergebnisse zeigen, dass der von uns vorgeschlagene Algorithmus die erreichbare Summenratenkapazität für das hochmobile mmWave-Massive-MIMO-Szenario deutlich erhöht und gleichzeitig einen geringen Trainings- und Latenz-Overhead gewährleistet.

Tarafder P, Choi W. Deep Reinforcement Learning-Based Coordinated Beamforming für mmWave Massive MIMO Vehicular Networks. Sensors. 2023; 23(5):2772. https://doi.org/10.3390/s23052772

 

Referenz anzeigen

Leistung der auf Fingerabdrücken basierenden Indoor-Positionierung mit gemessenen und simulierten RSSI-Referenzkarten

In diesem Artikel wird eine Methode zur Erstellung von RSSI-Referenzverteilungen anhand von Computersimulationen vorgestellt. Die Simulationen wurden mit dem Ray-Tracing-Ausbreitungsmodell und dem rechnerisch weniger anspruchsvollen Multiwall-Modell durchgeführt. Die simulierten RSSI-Verteilungen wurden mit einem Ortungsalgorithmus getestet. Ihre Leistung wurde mit der von gemessenen RSSI-Karten verglichen. Die Ergebnisse zeigen, dass es möglich ist, die aufwändige Erstellung von Referenzkarten durch Simulationen mit dem Raytracing-Modell oder dem Multiwall-Modell zu ersetzen, die beide ausreichend genaue Messungen (aus Sicht des Nutzers) von 1-2,5 m liefern.

Kawecki R, Hausman S, Korbel P. Performance of Fingerprinting-Based Indoor Positioning with Measured and Simulated RSSI Reference Maps. Remote Sensing. 2022; 14(9):1992. https://doi.org/10.3390/rs14091992

 

Referenz anzeigen

Ermöglichung großer intelligenter Oberflächen mit Compressive Sensing und Deep Learning.

Der Einsatz großer intelligenter Oberflächen (LIS) ist eine vielversprechende Lösung zur Verbesserung der Abdeckung und der Geschwindigkeit zukünftiger drahtloser Systeme. In diesem Papier werden effiziente Lösungen für die LIS-Herausforderungen vorgeschlagen, indem Werkzeuge der kompressiven Abtastung und des Deep Learning genutzt werden. Zunächst wird eine neuartige LIS-Architektur vorgeschlagen, die auf spärlichen Kanalsensoren basiert. In dieser Architektur sind alle LIS-Elemente passiv, mit Ausnahme einiger weniger aktiver Elemente (die mit dem Basisband verbunden sind). Anschließend werden zwei Lösungen entwickelt, die die LIS-Reflexionsmatrizen mit vernachlässigbarem Trainingsaufwand entwerfen. Im ersten Ansatz nutzen die Autoren Tools für die komprimierte Abtastung, um die Kanäle an allen LIS-Elementen aus den Kanälen zu konstruieren, die nur an den aktiven Elementen zu sehen sind. Im zweiten Ansatz entwickeln sie eine auf Deep Learning basierende Lösung, bei der das LIS lernt, wie es mit dem einfallenden Signal interagieren kann, wenn es die Kanäle an den aktiven Elementen kennt, die den Zustand der Umgebung und die Sender-/Empfängerstandorte darstellen. Sie zeigen, dass die erreichbaren Raten der vorgeschlagenen Lösungen sich der oberen Grenze nähern, die perfekte Kanalkenntnis voraussetzt, mit vernachlässigbarem Trainingsaufwand und mit nur wenigen aktiven Elementen, was sie für zukünftige LIS-Systeme vielversprechend macht.

A. Taha, M. Alrabeiah und A. Alkhateeb, "Enabling Large Intelligent Surfaces With Compressive Sensing and Deep Learning," in IEEE Access, vol. 9, pp. 44304-44321, 2021, doi: 10.1109/ACCESS.2021.3064073.

 

Referenz anzeigen

Verbesserte TOA-Schätzung mit OFDM über Breitbandübertragung auf der Grundlage eines simulierten Modells

In diesem Beitrag werden die Vorteile der Verwendung eines Breitbandspektrums mit mehreren Trägern zur Verbesserung der Ziellokalisierung in einer simulierten Innenraumumgebung unter Verwendung der TOA-Technik (Time of Arrival) vorgestellt. Die Studie untersucht die Auswirkung der Verwendung verschiedener Frequenzbandbreiten und einer unterschiedlichen Anzahl von Trägern auf die Lokalisierungsgenauigkeit. Darüber hinaus wird der Einfluss der Senderpositionen in LOS- und Nicht-LOS-Ausbreitungsszenarien berücksichtigt. Es wurde festgestellt, dass die Genauigkeit der vorgeschlagenen Methode von der Anzahl der Unterträger, der zugewiesenen Bandbreite (BW) und der Anzahl der Zugangspunkte (AP) abhängt. Bei der Verwendung einer großen BW mit einer großen Anzahl von Unterträgern konnte der Algorithmus die Lokalisierungsfehler im Vergleich zur herkömmlichen TOA-Technik wirksam reduzieren. Bei Verwendung einer kleinen BW und einer geringen Anzahl von Unterträgern verschlechtert sich die Leistung und ähnelt der konventionellen TOA-Technik.

Obeidatat, H.A., Ahmad, I., Rawashdeh, M.R. et al. Enhanced TOA Estimation Using OFDM over Wide-Band Transmission Based on a Simulated Model. Wireless Pers Commun (2021). https://doi.org/10.1007/s11277-021-09297-z

Referenz anzeigen

Koordinierte Strahlformung mit Deep Learning für hochmobile Millimeterwellensysteme

Die Unterstützung einer hohen Mobilität in Millimeterwellen-Systemen (mmWave) ermöglicht eine breite Palette wichtiger Anwendungen wie Fahrzeugkommunikation und drahtlose virtuelle/erweiterte Realität. Um dies in der Praxis zu realisieren, müssen jedoch mehrere Herausforderungen bewältigt werden. In diesem Beitrag wird eine neuartige integrierte Lösung für maschinelles Lernen und koordiniertes Beamforming entwickelt, um diese Herausforderungen zu überwinden und hochmobile mmWave-Anwendungen zu ermöglichen. Simulationsergebnisse zeigen, dass die vorgeschlagene Deep-Learning-Strategie für koordiniertes Beamforming sich der erreichbaren Rate der genie-gestützten Lösung nähert, die die optimalen Beamforming-Vektoren ohne Trainingsaufwand kennt.

Referenz anzeigen

Charakterisierung von mmWave-Kanaleigenschaften bei 28 und 60 GHz in der Fabrikautomation

Es wird erwartet, dass zukünftige Mobilfunksysteme das heutige industrielle Ökosystem revolutionieren werden, indem sie die strengen Anforderungen an extrem hohe Zuverlässigkeit und extrem niedrige Latenzzeiten erfüllen. Die Kerntechnologie für die nächste Generation der Fabrikautomation ist die Millimeterwellen-Kommunikation (mmWave), die mit extrem hohen Frequenzen (d. h. 10 bis 100 GHz) arbeitet. Die Charakterisierung des Funkausbreitungsverhaltens in realistischen Fabrikumgebungen ist jedoch aufgrund der kürzeren mmWave-Wellenlängen eine Herausforderung, da die Kanaleigenschaften von der tatsächlichen Topologie und Größe der umgebenden Objekte abhängen. Aus diesen Gründen werden in diesem Beitrag die wichtigen mmWave-Kanaleigenschaften für zwei verschiedene Arten von Fabriken untersucht, nämlich für die Leichtindustrie und die Schwerindustrie. Diese stellen die Extremfälle der Klassifizierung von Fabriken auf der Grundlage des technologischen Niveaus, der Dichte und Größe der Ausrüstung und der produzierten Güter dar. Dementsprechend bewerten wir die in Frage kommenden mmWave-Frequenzen von 28 und 60 GHz für die Kommunikation im lizenzierten bzw. unlizenzierten Band. 

Referenz anzeigen

Tiefe Indoor-Abdeckung in Schmalband-5G

Allgegenwärtige Konnektivität ist eine allgemeine Anforderung vieler Dienste, die in Kommunikationssystemen der fünften Generation (5G) berücksichtigt werden. Die Bereitstellung von Netzabdeckung oder drahtloser Konnektivität wird jedoch in tief gelegenen Szenarien wie Tiefgaragen, in denen der Gesamtkanalverlust leicht den maximalen Kopplungsverlust (MCL) der Kommunikationstechnologie übersteigen kann, sehr schwierig. Wir motivieren die Bedeutung der Tiefenabdeckung, indem wir eine repräsentative, standortspezifische, realistische Abdeckungsanalyse mit Raytracing durchführen. Die Ergebnisse zeigen, dass bestehende zellulare Technologien mit optimierter Abdeckung keine flächendeckende Abdeckung in tiefen Innenräumen/unterirdischen Bereichen erreichen können und unterstreichen die Notwendigkeit einer dynamischen Multi-Hop-Relaisierung in 5G MTC.

Referenz anzeigen

Auswirkungen der Menschendichte auf die Funkausbreitung bei 24 GHz in einem Fußgängertunnel für 5G-Kommunikation

In diesem Beitrag berichten die Autoren über die Ergebnisse der Charakterisierung der Funkausbreitung in einem Fußgängertunnel mit unterschiedlicher Personendichte bei 24 GHz unter Verwendung der kommerziellen Raytracing-Software Wireless InSite. Die 3D-Modelle des leeren Tunnels und des menschlichen Körpers wurden mit einer computergestützten Design-Software erstellt und in Wireless InSite importiert. Das Tunnelmodell basiert auf einem Fußgängertunnel, der Suria und KLCC im Herzen von Kuala Lumpur verbindet. Es wurden fünf dreidimensionale (3D) menschliche Körpermodelle mit verschiedenen Detailstufen entwickelt und getestet. Die untersuchten Personendichten waren 0, 0,05, 0,1, 0,15 und 0,2 Personen/m2, was 0, 25, 50, 75 bzw. 100 Personen im Untersuchungsgebiet entspricht. Die Ergebnisse zeigen, dass der Pfadverlustexponent, die Standardabweichung der lognormalen Abschattung und die Fluktuation der empfangenen Leistung mit zunehmender Personenzahl ansteigen. Wenn die Personendichte über 0,1 Personen/m2 liegt, ist der Pfadverlustexponent des großräumigen Pfadverlustmodells höher als der des leeren Tunnels. Die Ergebnisse dieser Studie sind auch für das Verständnis der Auswirkungen von Menschenansammlungen auf die Millimeterwellenausbreitung in tunnelähnlichen Innenräumen wie Fluren, geschlossenen Korridoren, Bergwerken und Transporttunneln nützlich. Die Erkenntnisse tragen dazu bei, die Effektivität der Netzplanung und -bereitstellung für die 5G-Kommunikation zu erhöhen, insbesondere in Fußgängertunneln.

I. H. P. Tai, H. S. Lim, K. S. Diong und K. A. Alaghbari, "Effects of Crowd Density on Radio Propagation at 24 GHz in a Pedestrian Tunnel for 5G Communications," in IEEE Access, vol. 11, pp. 40240-40248, 2023, doi: 10.1109/ACCESS.2023.3269813.

Referenz anzeigen

Maschinelles Lernen für zuverlässige mmWave-Systeme: Blockadevorhersage und proaktives Weiterreichen

Die Empfindlichkeit von Millimeterwellensignalen (mmWave) gegenüber Blockierungen ist eine grundlegende Herausforderung für mobile mmWave-Kommunikationssysteme. In diesem Beitrag nutzen wir Werkzeuge des maschinellen Lernens und schlagen eine neuartige Lösung für diese Zuverlässigkeits- und Latenzprobleme in mmWave-MIMO-Systemen vor. In der entwickelten Lösung lernen die Basisstationen, wie sie vorhersagen können, dass eine bestimmte Verbindung in den nächsten paar Zeitfenstern blockiert wird, indem sie ihre früheren Beobachtungen der angenommenen Strahlformungsvektoren nutzen. Dies ermöglicht es der bedienenden Basisstation, den Nutzer proaktiv an eine andere Basisstation mit einer sehr wahrscheinlichen LOS-Verbindung weiterzuleiten. Die Simulationsergebnisse zeigen, dass die entwickelte, auf Deep Learning basierende Strategie in fast 95 % der Fälle erfolgreich eine Blockierung/Handover vorhersagt. Dadurch wird die Wahrscheinlichkeit einer Unterbrechung der Kommunikationssitzung reduziert, was eine hohe Zuverlässigkeit und geringe Latenz in mobilen mmWave-Systemen gewährleistet.

Referenz anzeigen

Gemeinsame Optimierung der hybriden Strahlformung für massiven MIMO-Downlink mit mehreren Nutzern

Im Hinblick auf den Entwurf von zweistufigen Beamformern für die Abwärtsstrecke von massiven Mehrnutzer-Mehrfacheingangs-/Mehrfachausgangs-Systemen im Frequenzmultiplex-Modus untersucht dieser Beitrag den Fall, dass beide Verbindungsenden mit hybriden digitalen/analogen Beamforming-Strukturen ausgestattet sind. Eine virtuelle Sektorisierung wird durch kanalstatistikbasierte Nutzergruppenbildung und analoge Strahlformung realisiert, wobei die Nutzergeräte nur ihren gruppeninternen Nutzkanal rückkoppeln müssen und die Gesamtkosten für die Erfassung der Kanalzustandsinformationen (CSI) erheblich reduziert werden. Simulationen über die Ausbreitungskanäle, die aus geometrisch-basierten stochastischen Modellen, Raytracing-Ergebnissen und gemessenen Outdoor-Kanälen gewonnen wurden, zeigen, dass die von uns vorgeschlagene Beamforming-Strategie die modernsten Methoden übertrifft.

Referenz anzeigen

60-GHz-Kanalmessungen und Raytracing-Modellierung in einer Innenraumumgebung

Die Millimeterwellen-Kommunikation (mmWave) hat sich zu einer vielversprechenden Schlüsseltechnologie für die Kommunikationssysteme der fünften Generation (5G) entwickelt und stößt auf großes Interesse. In diesem Beitrag untersuchen wir 60-GHz-mmWellen-Kanäle in einer Büroumgebung mit Hilfe der Raytracing-Methode. Basierend auf der geometrischen Optik (GO) und der einheitlichen Beugungstheorie (UTD) nutzt die Raytracing-Methode Computersimulationen, um die Ausbreitung von Funkwellen zu simulieren. Die Genauigkeit der auf Raytracing basierenden Simulation wird durch ein sehr detailliertes dreidimensionales (3-D) Umgebungsmodell und geeignete elektromagnetische Materialparameter gewährleistet. Die Simulationsergebnisse, einschließlich des Leistungsverzögerungsprofils (PDP) und des normalisierten Leistungswinkelspektrums (PAS), werden mit den Kanalmessdaten verglichen, die mit dem SAGE-Schätzalgorithmus (Space-Alternating Generalized Expectation-Maximization) verarbeitet wurden. Die Vergleichsergebnisse zeigen, dass Raytracing eine nützliche und zuverlässige Methode zur Charakterisierung von 60-GHz-Kanaleigenschaften sein kann.

Referenz anzeigen

Simulationen von Millimeterwellen-Ausbreitungskanälen in Innenräumen bei 28, 39, 60 und 73 GHz für 5G-Mobilfunknetze

Die Ausbreitungseigenschaften von Millimeterwellen in Gebäuden, einschließlich Modellen für den Pfadverlust und Werte für die Mehrwegeverzögerung für Systeme mit Richt- und Rundstrahlantennen, werden vorgestellt. Die Leistung der vier 5G-Kandidatenfrequenzen 28 GHz, 39 GHz, 60 GHz und 73 GHz wird in Sichtlinien- (LOS) und Nicht-Sichtlinien- (NLOS) Szenarien anhand von veröffentlichten Echtzeit-Frequenzmessungen in Innenräumen untersucht. Es werden Vergleiche mit Simulationsdaten angestellt, die mit der 3D Ray Tracing Wireless InSite Software über Tx-Rx-Abstände von 1,5 m bis 62 m gewonnen wurden. Zusätzlich werden frequenzabhängige elektrische Eigenschaften, wie Leitfähigkeit-σ und Permittivität-ε, von gängigen Baumaterialien in die Simulation einbezogen. Die Ergebnisse zeigen, dass der Materialtyp das Ausbreitungsverhalten von mm-Wellen aufgrund von Reflexionen, Beugungen und Durchdringungen von Wänden und Objekten (Hindernissen) beeinflusst.

Referenz anzeigen

Beamformed Fingerprint Learning für genaue Millimeterwellen-Positionierung

Bei der drahtlosen Millimeterwellen-Kommunikation wird die Strahlung an den meisten sichtbaren Objekten reflektiert, was insbesondere in städtischen Umgebungen zu einer Vielzahl von Mehrwegeffekten führt. Die von einem Abhörgerät erfasste Strahlung wird daher durch die Hindernisse geformt, auf die es trifft und die latente Informationen über ihre relative Position enthalten. In diesem Beitrag wird ein System vorgeschlagen, das die empfangene Millimeterwellenstrahlung in die Position des Geräts umwandelt und dabei die vorgenannten verborgenen Informationen nutzt. Unter Verwendung von Deep-Learning-Techniken und einem zuvor erstellten Codebuch von Strahlformungsmustern, die von einer Basisstation übertragen werden, zeigen die Simulationen, dass durchschnittliche Schätzungsfehler unter 10 Metern in realistischen Szenarien im Freien, die meist Positionen ohne Sichtverbindung enthalten, erreichbar sind und den Weg für neue Positionierungssysteme ebnen. Index Terms-5G, Beamforming, Deep Learning, mmWaves, Outdoor Positioning.

Referenz anzeigen

Winklige und zeitliche Korrelation von V2X-Kanälen über Sub-6-GHz- und mmWave-Bänder hinweg

Die 5G-Millimeterwellen-Technologie (mmWave) soll aufgrund ihrer großen Bandbreite, ihres großen Erfassungsbereichs und ihrer präzisen Lokalisierungsfähigkeiten ein integraler Bestandteil der nächsten Generation von Vehicle-to-Everything (V2X)-Netzwerken und autonomen Fahrzeugen sein. In dieser Arbeit verwenden wir Ray-Tracing-Simulationen, um die winkelmäßige und zeitliche Korrelation über einen weiten Bereich von Ausbreitungsfrequenzen für V2X-Kanäle im Bereich von 900 MHz bis 73 GHz zu charakterisieren, und zwar für ein Fahrzeug, das mit einem Sender in einer städtischen Umgebung Sichtverbindung (LOS) und Nicht-Sichtverbindung (NLOS) hält.

Referenz anzeigen

MmWave Strahlvorhersage mit Situationsbewusstsein: Ein Ansatz für maschinelles Lernen

Millimeterwellen-Kommunikation ist eine Herausforderung im hochmobilen Fahrzeugbereich. Herkömmliches Strahlentraining ist unzureichend, um niedrige Overheads und Latenzzeiten zu erreichen. In diesem Beitrag schlagen wir eine Kombination aus maschinellem Lernen und Situationsbewusstsein vor, um die Strahlinformationen (Leistung, optimaler Strahlindex usw.) aus früheren Beobachtungen zu lernen. Wir betrachten Formen des Situationsbewusstseins, die spezifisch für die Fahrzeugumgebung sind, einschließlich der Standorte des Empfängers und der umliegenden Fahrzeuge. Wir nutzen Regressionsmodelle zur Vorhersage der empfangenen Leistung bei unterschiedlichen Quantisierungen der Strahlleistung. Das Ergebnis zeigt, dass das Situationsbewusstsein die Vorhersagegenauigkeit erheblich verbessern kann und dass das Modell einen Durchsatz mit geringem Leistungsverlust und fast ohne Overhead erreichen kann.

Referenz anzeigen

 

Preise anfordern

Wireless InSite Professional Unterstützung 

Ein Jahr Remcom Professional Support (RPS) ist in jedem von Ihnen erworbenen Produkt enthalten. Die Aufrechterhaltung Ihrer Lizenz stellt sicher, dass Sie immer Zugang zum technischen Support haben und kostenlose Produkt-Upgrades erhalten!

  • Persönliche Betreuung: Sprechen Sie direkt mit unseren Ingenieuren
  • Produkt-Upgrades inklusive
  • Lösung von Problemen, einschließlich der Eskalation an die höhere Führungsebene, falls erforderlich
  • Gebührenfreier Telefon- und E-Mail-Support verfügbar

Der Support ist von Montag bis Freitag zwischen 9 und 17 Uhr Eastern Time verfügbar.

Hervorgehobenes Bild

Sparen Sie Zeit und reduzieren Sie Kosten.

Wenden Sie sich noch heute an Remcom, um eine maßgeschneiderte Lösung für Ihre komplexen elektromagnetischen Herausforderungen zu erhalten.

 
Kontakt