Signalverhalten in urbanen CF-mMIMO-Systemen messen

Cell-free massive MIMO (CF-mMIMO) wird ein wichtiger Teil moderner Mobilfunknetze, besonders für 5G und zukünftige Kommunikationssysteme. Diese Technologie ermöglicht es vielen Antennen, zusammenzuarbeiten und so die Datengeschwindigkeit und Zuverlässigkeit für die Nutzer zu verbessern. Um CF-mMIMO effektiv nutzen zu können, brauchen wir präzise Modelle, wie Signale durch städtische Umgebungen reisen. Diese Studie konzentriert sich darauf, diese Signale in einem städtischen Gebiet zu messen und zu analysieren.

#Messkampagne

In dieser Studie haben wir eine detaillierte Messkampagne in einem Innenstadtbereich von Los Angeles durchgeführt. Wir haben untersucht, wie Signale zwischen Benutzergeräten (UEs) und verschiedenen Antennenstandorten reisen. Unser Ansatz beinhaltete eine „virtuelle Antennen“-Technik, die die Kanäle zwischen UEs und zahlreichen möglichen Antennenstandorten gemessen hat. Wir haben ein Hochfrequenzsignal und eine breite Bandbreite genutzt, um detaillierte Informationen darüber zu sammeln, wie Signale in städtischen Umgebungen propagieren.

#Die Bedeutung genauer Kanalmodelle

Um ein effektives drahtloses System zu entwerfen, ist es wichtig zu verstehen, wie Signale durch unterschiedliche Umgebungen reisen. Die einzigartige Struktur und der Aufbau städtischer Gebiete können die Signalqualität erheblich beeinflussen. In CF-mMIMO-Setups, wo mehrere Antennen mit Nutzern kommunizieren, ist es entscheidend, die Interaktion zwischen diesen Antennen und der Umgebung genau zu modellieren. Traditionelle Modelle haben sich meistens auf ein oder zwei Antennen gleichzeitig konzentriert und berücksichtigen nicht die komplexeren Interaktionen, die in CF-mMIMO-Systemen zu sehen sind.

#Arten von Messungen

Unsere Messungen fallen hauptsächlich in zwei Kategorien: Aussen- und Innenmessungen. Aussenmessungen haben tendenziell weniger Antennen und können zeigen, wie gut Systeme unter realen Bedingungen funktionieren. Innenmessungen verwenden typischerweise auch weniger Antennen, können aber leicht in kontrollierten Umgebungen eingerichtet werden.

#Frühere Arbeiten

Verschiedene Studien haben gemessen, wie Signale sich in Aussen- und Innenumgebungen verhalten, aber die meisten von ihnen konzentrierten sich auf weniger Antennen. Einige Forscher haben beispielsweise untersucht, wie Signale mit einer begrenzten Anzahl kooperierender Antennen in kleinen Bereichen verbessert werden könnten. Allerdings bieten diese früheren Messungen nicht genügend Daten, um Modelle zu erstellen, die für moderne CF-mMIMO-Systeme mit vielen Antennenstandorten nützlich sind.

#Unser Beitrag

Unsere Messkampagne ist ein wichtiger Schritt vorwärts, um die nötigen Daten für CF-mMIMO-Systeme zu sammeln. Durch die Nutzung von mehr Antennenstandorten und die Anwendung verbesserter Messmethoden haben wir eine Fülle von Informationen gesammelt, die viel umfangreicher sind als alles, was bisher gemacht wurde. Wir haben uns darauf konzentriert, zu messen, wie sich Signale in städtischen Umgebungen mit vielen Antennen in unterschiedlichen Höhen und Positionen verhalten.

#Messaufbau

Der Messaufbau umfasst verschiedene Werkzeuge und Techniken. Wir haben ein Fahrzeug verwendet, das mit einem Gerät ausgestattet ist, das unsere Antennen auf typische Höhen hebt, die in städtischen Umgebungen zu sehen sind. Die Messungen erfassten, wie Signale über verschiedene Wege reisen, einschliesslich derjenigen, die durch Gebäude oder andere Hindernisse blockiert werden könnten. Dieser Aufbau ermöglicht es uns, hochwertige Daten zur Signalperformance unter realen Bedingungen zu sammeln.

#Verwendete Ausrüstung

Die Messausrüstung umfasst Antennen, Signalgeneratoren und andere Geräte, die zusammenarbeiten, um Daten zu erfassen und zu analysieren. Wir haben Signale bei bestimmten Frequenzen erzeugt und verschiedene Antennen verwendet, die entworfen wurden, um ein grosses Gebiet effektiv abzudecken. Dieser Aufbau war notwendig, um sicherzustellen, dass wir umfassende Daten über viele verschiedene Kanalbedingungen sammeln konnten.

#Datenverarbeitung

Nachdem die Daten gesammelt wurden, haben wir sie verarbeitet, um wichtige Informationen über die Propagationskanäle zu finden. Die empfangenen Signale wurden durch Anwendung verschiedener mathematischer Techniken in nutzbare Daten umgewandelt. Wir haben Filter und andere Methoden verwendet, um nützliche Signale von Rauschen zu trennen, sodass wir uns darauf konzentrieren konnten, wie sich die Signale in verschiedenen Situationen verhalten haben.

#Wichtige Messungen und Statistiken

Nach der Verarbeitung der Daten konnten wir mehrere wichtige Grössen identifizieren, die mit dem Kanalverhalten und -eigenheiten zusammenhängen. Dazu gehörten Pathloss, der uns sagt, wie viel Signalstärke verloren geht, während es sich ausbreitet, und Delay Spread, der angibt, wie lange es dauert, bis Signale beim Empfänger ankommen.

#Pathloss und Shadowing

Pathloss variiert, je nachdem, ob die Sichtlinie klar oder durch Gebäude blockiert ist. Wir haben festgestellt, dass Signale unter klaren Bedingungen weniger Stärke verlieren als bei blockierten oder indirekten Wegen. Shadowing bezieht sich auf zusätzliche Variationen in der Signalstärke, die durch Hindernisse in der Umgebung verursacht werden. Diese Faktoren zu verstehen, ist entscheidend für die Planung effektiver CF-mMIMO-Netzwerke.

#Delay Spread

Delay Spread ist eine weitere bedeutende Messung. Dieser Begriff bezieht sich auf die Variation der Ankunftszeiten von Signalen beim Empfänger. Ein höherer Delay Spread könnte den Empfang und die Verarbeitung dieser Signale komplizieren, besonders bei Hochgeschwindigkeitsdatenanwendungen. Wir haben den Delay Spread über verschiedene Szenarien hinweg analysiert und Einblicke gegeben, wie städtische Umgebungen die Kommunikationszuverlässigkeit beeinflussen könnten.

#Beispielergebnisse

Die Ergebnisse unserer Messungen zeigen, wie Signale sich in realen städtischen Umgebungen verhalten. Durch die Untersuchung verschiedener Standorte und Bedingungen haben wir Unterschiede sowohl im Pathloss als auch im Delay Spread beobachtet, die selbst über kurze Entfernungen erheblich variieren können. Zum Beispiel können Gebiete mit dichtem Laub oder hohen Gebäuden zu höherem Pathloss und signifikantem Delay Spread führen als offene Flächen.

#Sichtlinie vs. Nicht-Sichtlinie

Wir haben auch Messungen in Sichtlinienbedingungen (LOS) verglichen, bei denen das Signal direkt vom Sender zum Empfänger reist, mit Nicht-Sichtlinienbedingungen (NLOS), bei denen Hindernisse das Signal blockieren. LOS-Pfade lieferten im Allgemeinen stärkere Signale, während NLOS-Pfade signifikantere Verluste aufgrund von Reflexionen, Beugungen und Streuungen aufwiesen.

#Einfluss der städtischen Geometrie

Unsere Messungen hoben den Einfluss der städtischen Geometrie auf das Signalverhalten hervor. Gebäude können verschiedene Reflexions- und Beugungseffekte erzeugen, die zu komplexen Signalwegen führen, die sowohl den Pathloss als auch den Delay Spread erheblich beeinflussen. Solche Reflexionen können zu stärkeren Signalen an bestimmten Standorten führen, während sie an anderen tote Zonen schaffen.

#Fazit

Diese Studie präsentiert eine umfassende Messanalyse von CF-mMIMO-Kanälen in städtischen Umgebungen. Die Daten, die wir gesammelt haben, sind entscheidend für die Entwicklung genauer Modelle, die den Einsatz zukünftiger Mobilfunknetze leiten können. Indem wir uns auf städtische Umgebungen konzentriert und viele Antennenstandorte genutzt haben, haben wir Erkenntnisse gesammelt, die beeinflussen können, wie drahtlose Netzwerke in der Zukunft entworfen und optimiert werden.

#Zukünftige Arbeiten

Zukünftige Bemühungen werden darauf abzielen, die Modelle, die wir basierend auf dieser Messkampagne entwickelt haben, zu verfeinern. Das langfristige Ziel ist, detaillierte Kanalmodelle zu erstellen, die die einzigartigen Eigenschaften städtischer Umgebungen berücksichtigen. Während sich die drahtlose Technologie weiterentwickelt, wird es entscheidend sein, zu verstehen, wie Signale in komplexen Landschaften funktionieren, um hochwertige Kommunikationsnetze aufrechtzuerhalten.