Wireless ^InSite® 3D-Software für die Funkausbreitung

Klassische lineare statistische Modelle, wie das autoregressive (AR) Modell erster Ordnung, werden häufig als Kanalmodell in Hochmobilitätsszenarien verwendet. Im Vergleich zu Sub-6G ist jedoch der Effekt der Dopplerfrequenzverschiebung bei Millimeterwellenfrequenzen (mmWave) signifikanter, und die Effektivität des statistischen Kanalmodells in hochmobilen mmWave-Szenarien sollte überdacht werden. In diesem Beitrag untersuchen wir die Kanalschätzung für mmWave-Multiple-Input-Multiple-Output-(MIMO)-Orthogonal-Frequency-Division-Multiplexing-(OFDM)-Systeme in hochmobilen Szenarien, wobei der Schwerpunkt auf dem Vergleich zwischen dem momentanen Kanalmodell und dem statistischen Kanalmodell liegt. Für das momentane Modell werden die empfangenen Signale als Tensor vierter Ordnung strukturiert, der in ein CANDECOMP/PARAFAC (CP)-Modell mit niedrigem Rang passt, indem die Low-Rank-Natur von mmWave-Kanälen und die mehrdimensionalen Eigenschaften von MIMO-OFDM-Signalen über Raum, Zeit und Frequenz genutzt werden. Um das CP-Zerlegungsproblem zu lösen, wird eine auf der Zerlegung basierende Kanalschätzungsmethode vom Typ ESPRIT (Estimation of signal parameters via rotational invariance techniques) vorgeschlagen, indem die Vandermonde-Struktur der Faktormatrix untersucht wird und die Kanalparameter dann anhand der Faktormatrizen geschätzt werden. Wir analysieren die Einzigartigkeitsbedingung der CP-Zerlegung und entwickeln eine präzise Ableitung der Cramer-Rao-Schranke (CRB) für Kanalparameter. Simulationen zeigen, dass unsere Methode die bestehenden Benchmarks übertrifft. Darüber hinaus bestätigen die Ergebnisse, die auf der von Wireless InSite generierten drahtlosen Umgebung basieren, dass die auf dem momentanen Kanalmodell basierende Kanalschätzung besser abschneidet als die auf dem statistischen Kanalmodell basierende. Daher wird das momentane Kanalmodell für die Entwicklung von Kanalschätzungsalgorithmen für mmWave-Systeme in hochmobilen Szenarien empfohlen.

Referenz anzeigen

In diesem Artikel wird eine generative neuronale Netzwerkarchitektur für eine räumlich konsistente Luft-Boden-Kanalmodellierung vorgeschlagen. Der Ansatz berücksichtigt die Trajektorien von unbemannten Luftfahrzeugen entlang typischer städtischer Pfade und erfasst räumliche Abhängigkeiten innerhalb der Sequenzen der empfangenen Signalstärke (RSS) von mehreren Mobilfunk-Basisstationen (gNBs). Durch die Einbeziehung von Konditionierungsdaten kann das Modell genau zwischen den gNBs unterscheiden und den Abstand der Korrelationsmatrix zwischen realen und generierten Sequenzen auf minimale Werte bringen. Dies ermöglicht die Bewertung von Leistungs- und Mobilitätsmanagementmetriken mit räumlich (und damit auch zeitlich) konsistenten RSS-Werten anstelle von unabhängigen Momentaufnahmen. Für einige Aufgaben, die von diesen Metriken unterstützt werden, z. B. Übergaben, ist Konsistenz von entscheidender Bedeutung.

Referenz anzeigen

Der digitale Zwilling hat sich als vielversprechendes Paradigma für die genaue Darstellung elektromagnetischer (EM) drahtloser Umgebungen erwiesen. Die sich daraus ergebende virtuelle Darstellung der Realität erleichtert umfassende Einblicke in die Ausbreitungsumgebung und ermöglicht mehrschichtige Entscheidungsprozesse auf der physischen Kommunikationsebene. In diesem Beitrag wird die Digitalisierung der Ausbreitung drahtloser Kommunikation untersucht, wobei der Schwerpunkt auf dem unverzichtbaren Aspekt der strahlenbasierten Ausbreitungssimulation für Digital Twins in Echtzeit liegt. Es wird ein Benchmark für strahlenbasierte Ausbreitungssimulationen vorgestellt, um die Rechenzeit zu bewerten, wobei zwei urbane Szenarien mit unterschiedlicher Maschenkomplexität, Einzel- und Mehrfachkonfigurationen von drahtlosen Verbindungen sowie Simulationen mit/ohne diffuse Streuung berücksichtigt werden. Ausführliche empirische Analysen werden durchgeführt, um das Verhalten verschiedener strahlenbasierter Lösungen zu zeigen und zu vergleichen. Durch die Bereitstellung standardisierter Simulationen und Szenarien bietet diese Arbeit einen technischen Maßstab für Praktiker, die mit der Implementierung von Echtzeit-Digital Twins und der Optimierung von strahlenbasierten Ausbreitungsmodellen befasst sind.

Referenz anzeigen

In diesem Artikel befassen wir uns mit dem aktuellen Thema der zellularen bistatischen simultanen Lokalisierung und Kartierung (SLAM) mit speziellem Fokus auf End-to-End-Verarbeitungslösungen, von rohen I/Q-Samples über die Kanalparameterschätzung bis hin zu den Standortinformationen von Benutzergeräten (UE) und Landmarken in Millimeterwellen-Netzwerken (mmWave), mit minimalem Vorwissen. Zunächst schlagen wir eine neue Lösung zur Schätzung von Mehrwegekanalparametern vor, die direkt mit Messungen der empfangenen Strahlreferenzsignalleistung (BRSRP) arbeitet, wodurch die Notwendigkeit entfällt, die tatsächlichen Antennenstrahlmuster oder die zugrunde liegenden Strahlformungsgewichte zu kennen. Darüber hinaus verfügt die Methode über eine eingebaute Robustheit gegenüber unvermeidlichen Antennen-Nebenkeulen. Zweitens schlagen wir neue Snapshot-SLAM-Algorithmen vor, die im Vergleich zum Stand der Technik eine höhere Robustheit und Identifizierbarkeit in praktischen, bebauten Umgebungen mit komplexem Clutter und Multi-Bounce-Ausbreitungsszenarien aufweisen und nicht auf einem a priori Bewegungsmodell beruhen. Die Leistung der vorgeschlagenen Methoden wird im 60-GHz-mmWellen-Band sowohl durch realistische Raytracing-Auswertungen als auch durch echte experimentelle Messungen in einer Innenraumumgebung bewertet. Eine breite Palette von Ergebnissen zeigt die verbesserte Leistung im Vergleich zum Stand der Technik, sowohl in Bezug auf die Schätzung der Kanalparameter als auch auf die End-to-End-SLAM-Leistung. Schließlich stellt der Artikel die gemessenen 60-GHz-Daten für die Forschungsgemeinschaft offen zur Verfügung, was die Reproduzierbarkeit der Ergebnisse und die weitere Entwicklung der Algorithmen erleichtert.

Referenz anzeigen

In diesem Beitrag werden die Auswirkungen des Mondgeländes auf die Signalausbreitung der geplanten drahtlosen Kommunikations- und Sensorsysteme der NASA auf dem Mond analysiert. Es wird festgestellt, dass die Ausbreitungseigenschaften durch das Vorhandensein des Mondgeländes erheblich beeinflusst werden. Die Ergebnisse zeigen, dass die Geometrie des Geländes, die Signalfrequenz, der Standort der Antenne und das Material der Mondoberfläche wichtige Faktoren sind, die die Ausbreitungseigenschaften der drahtlosen Kommunikationssysteme auf dem Mond bestimmen. Der Pfadverlust kann viel größer sein als bei der Ausbreitung im freien Raum und wird stark von der Antennenhöhe, der Betriebsfrequenz und dem Oberflächenmaterial beeinflusst. Die Signalverzögerung könnte in einer Kraterumgebung ein Problem darstellen. Die Signalverzögerung aufgrund von Mehrfachreflexionen durch das Mondgelände kann die maximale Datenrate, die in der Mondumgebung erreicht werden kann, einschränken. Die Analyseergebnisse dieser Arbeit sind wichtig für die Analyse der Marge von Kommunikationsverbindungen auf dem Mond, um die Grenzen der zuverlässigen Kommunikationsreichweite und der Funkfrequenzabdeckung auf den geplanten Baustellen der Mondbasis zu bestimmen. Copyright © 2008 durch das American Institute of Aeronautics and Astronautics, Inc.

Referenz anzeigen

Die Lokalisierung in drahtlosen Systemen im Freien erfordert in der Regel die Übertragung spezifischer Referenzsignale zur Abschätzung der Entfernung (Trilaterationsverfahren) oder des Winkels (Triangulationsverfahren). Diese Methoden verursachen einen Overhead bei der Kommunikation, benötigen eine LoS-Verbindung, um gut zu funktionieren, und erfordern mehrere Basisstationen, was oft eine Synchronisation oder spezielle Hardwareanforderungen mit sich bringt. Fingerprinting hat keinen dieser Nachteile, aber der Aufbau der Datenbank erfordert einen hohen menschlichen Aufwand, um reale Messungen zu sammeln. Lange Zeit schränkte dieses Problem die Größe der Datenbanken und damit ihre Leistung ein. In dieser Arbeit wird vorgeschlagen, den menschlichen Aufwand beim Aufbau von Fingerabdruck-Datenbanken erheblich zu reduzieren, indem sie mit digitalen Zwillings-HF-Karten gefüllt werden. Diese RF-Karten werden aus Raytracing-Simulationen auf einer digitalen Nachbildung der Umgebung über mehrere Frequenzbänder und Strahlformungskonfigurationen erstellt. Die Fingerabdrücke der Online-Nutzer werden dann mit dieser räumlichen Datenbank abgeglichen. Der Ansatz wurde mit praktischen Simulationen unter Verwendung realistischer Ausbreitungsmodelle und Benutzermessungen evaluiert. Unsere Experimente zeigen, dass die Lokalisierungsfehler bei einem NLoS-Standort in 95 % der Fälle unter einem Meter liegen, wenn vernünftige Größen von Benutzermessberichten verwendet werden. Die Ergebnisse unterstreichen das vielversprechende Potenzial des vorgeschlagenen digitalen Zwillingsansatzes für die allgegenwärtige, flächendeckende 6G-Lokalisierung.

Referenz anzeigen

In diesem Beitrag wird ein RGB-D-Sensor-gestütztes Raytracing-Simulationsverfahren für die Erstellung von Funkkarten für Innenräume vorgeschlagen, das Innenrauminformationen wie Wände und Hindernisse als eine Reihe von Quadern modelliert. Funkkarten können drahtlose Systeme in Innenräumen beschleunigen, einschließlich Ressourcenoptimierung und Fingerabdruck-basierter Lokalisierung. Mit einem Raytracing-Algorithmus können wir eine genaue Funkkarte mit präzisen Informationen über Innenraumstrukturen und Hindernisse erstellen. Es ist jedoch schwierig, diese Innenrauminformationen zu erfassen, da manuelle Beobachtungen teuer sind. Um diesen kritischen Nachteil abzumildern, schlagen wir vor, dreidimensionale Informationen aus RGB-D-Bildern für die Raytracing-Simulation zu verwenden. Die vorgeschlagene Methode modelliert halbautomatisch Innenrauminformationen als Quader aus dreidimensionalen Informationen mit RGB-D-Bildern. Die vorgeschlagene Methode speist diese Quader dann in eine Raytracing-Simulation ein. Experimente in Innenräumen mit drahtlosen LANs über 5180 und 2452 MHz haben gezeigt, dass die vorgeschlagene Methode die Funkkarte genau konstruiert.

Referenz anzeigen

Wir stellen NeWRF vor, ein Deep Learning Framework für die Vorhersage von drahtlosen Kanälen. Die Vorhersage von drahtlosen Kanälen ist ein seit langem bestehendes Problem in der drahtlosen Gemeinschaft und ist eine Schlüsseltechnologie zur Verbesserung der Abdeckung von drahtlosen Netzwerken. Heutzutage wird ein drahtloser Einsatz durch eine Standortuntersuchung bewertet, was ein mühsames Verfahren ist, bei dem ein erfahrener Ingenieur umfangreiche Kanalmessungen durchführen muss. Um die Kosten für Standortuntersuchungen zu senken, haben wir NeWRF entwickelt, das auf den jüngsten Fortschritten im Bereich der Neural Radiance Fields (NeRF) basiert. NeWRF trainiert ein neuronales Netzwerkmodell mit einem spärlichen Satz von Kanalmessungen und sagt den drahtlosen Kanal an jedem beliebigen Ort des Standorts genau voraus. Wir führen eine Reihe von Techniken ein, die drahtlose Ausbreitungseigenschaften in den NeRF-Rahmen integrieren, um die grundlegenden Unterschiede zwischen dem Verhalten von Licht und drahtlosen Signalen zu berücksichtigen. Wir führen umfangreiche Evaluierungen unseres Frameworks durch und zeigen, dass unser Ansatz Kanäle an unbesuchten Standorten mit deutlich geringerer Messdichte als beim bisherigen Stand der Technik genau vorhersagen kann.

Referenz anzeigen

Punktwolken sind in letzter Zeit für die Charakterisierung von Funkkanälen auf der Grundlage von Raytracing interessant geworden, da Sensoren wie RGB-D-Kameras und Laserscanner genutzt werden können, um eine genaue virtuelle Kopie einer physischen Umgebung zu erzeugen. In diesem Beitrag wird ein neuartiger Ray-Launching-Algorithmus vorgestellt, der direkt auf verrauschten Punktwolken arbeitet, die aus Sensordaten gewonnen wurden. Er erzeugt grobe Pfade, die dann zu exakten Pfaden verfeinert werden, die aus Reflexionen und Beugungen bestehen. Ein kommerzielles Raytracing-Tool wird als Basis für die Validierung der simulierten Pfade verwendet. Es wird eine signifikante Mehrheit der Grundlinienpfade gefunden. Die Robustheit gegenüber Rauschen wird untersucht, indem Rauschen entlang des Normalenvektors jedes Punktes künstlich hinzugefügt wird. Es wird festgestellt, dass die vorgeschlagene Methode in der Lage ist, sich an das Rauschen anzupassen und ähnliche Pfade zu finden wie die Grundlinienpfade mit verrauschten Punktwolken. Dies gilt vor allem dann, wenn die Normalenvektoren der Punkte genau geschätzt werden. Abschließend wird eine Simulation mit einer rekonstruierten Punktwolke durchgeführt und mit Kanalmessungen und den Basispfaden verglichen. Die sich ergebenden Pfade zeigen Ähnlichkeit mit den Trajektorien der Basislinienpfade und weisen ein analoges Muster zu der aus den Messungen extrahierten aggregierten Impulsantwort auf. Code verfügbar unter diese https-URL

Referenz anzeigen

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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