Einfluss von Antennenmustern auf die Drohnenkommunikation

Drohnen, auch bekannt als unbemannte Luftfahrzeuge (UAVs), werden immer beliebter, weil man sie für viele verschiedene Dinge nutzen kann. Dazu gehören militärische Operationen, Lieferungen, Sicherheitsarbeiten und sogar coole Aktivitäten wie Videostreaming. Damit diese Drohnen effektiv sind, müssen sie eine starke drahtlose Verbindung aufrechterhalten, besonders wenn sie ausserhalb der Sicht des Piloten fliegen. Hier kommen die zellularen UAVs (C-UAVs) ins Spiel, die es den Drohnen ermöglichen, problemlos mit Bodenstationen zu kommunizieren.

Um sicherzustellen, dass C-UAVs gut mit bestehenden Netzwerken funktionieren, ist es wichtig zu wissen, wie Signale von der Luft zum Boden reisen. Ein wichtiger Punkt ist, wie die Winkel und die Form der Antennen an den Drohnen die Signalstärke beeinflussen können. Diese Studie untersucht, wie diese 3D-Antennenmuster den Signalverlust von der Drohne zum Boden beeinflussen.

#Verständnis der Luft-zu-Boden-Kommunikation

Wenn wir von Luft-zu-Boden-Kommunikation sprechen, geht es darum, wie gut Signale von einer Drohne zu einer Bodenstation reisen können. Es gibt bestimmte Faktoren, die dabei eine grosse Rolle spielen, wie die Höhe der Drohne und wie der Boden Signale reflektiert. In den meisten traditionellen Setups bleibt die Höhe von Sender und Empfänger konstant. Bei Drohnen kann die Höhe jedoch erheblich variieren, was das Kommunikationsmodell komplexer macht.

Es gab einige Forschungen dazu, wie sich Signale verhalten, wenn sie von Drohnen zum Boden reisen. Frühere Studien haben gezeigt, dass wir durch Berücksichtigung von Bodenreflexionen und unterschiedlichen Antennenmustern eine bessere Übereinstimmung mit tatsächlichen Messungen der Signalstärke erzielen können.

In dieser Arbeit konzentrieren wir uns darauf, zu verstehen, wie ein 3D-Antennenmuster das Modell beeinflusst, das wir zur Vorhersage des Signalverlusts verwenden. Wir haben Experimente in einer ländlichen Gegend durchgeführt, die Drohne in verschiedenen Höhen fliegen lassen und die empfangenen Signale gemessen. Durch die Analyse der gesammelten Daten wollen wir ein klareres Bild davon zeichnen, wie man die Kommunikationssysteme für Drohnen verbessern kann.

#Versuchsaufbau

#Drohnen in Aktion

In unseren Experimenten haben wir eine Basisstation (BS) eingerichtet, die ein Signal mit spezieller Software sendet, die für softwaredefinierte Radios (SDR) entwickelt wurde. Wir haben die Drohne programmiert, in einem Zickzackmuster in verschiedenen Höhen zu fliegen: 30, 50, 70, 90 und 110 Meter. Um die Signale von der Basisstation aufzuzeichnen, haben wir ein portables Gerät an die Drohne angebracht, das sowohl ein GPS als auch einen SDR-Empfänger enthielt. Die Basisstation selbst war etwa 10 Meter hoch.

Während des Flugs hat die Drohne alle 100 Millisekunden kurze Abschnitte von LTE-Signalen gesammelt. Das Ziel war es, genug Informationen zu sammeln, um zu analysieren, wie gut die Signale von der Drohne zum Boden reisen.

#Nachbearbeitung der Daten

Nach Abschluss der Flüge haben wir die von der Drohne gesammelten Daten mit einem Software-Tool verarbeitet, das hilft, LTE-Signale zu analysieren. Wir haben uns darauf konzentriert, die empfangene Bezugssignalstärke (RSRP) zu finden, die ein Mass für die Signalstärke ist. Dazu mussten wir spezifische Signale während des Analyseprozesses identifizieren und extrahieren. Wir haben die Signalstärkedaten mit den GPS-Informationen kombiniert, um genau zu wissen, wo sich die Drohne zu jeder Zeit befand.

Die Ergebnisse unserer Datenverarbeitung halfen uns, die RSRP-Werte zu visualisieren und zu sehen, wie sie sich änderten, während die Drohne in unterschiedlichen Höhen und an verschiedenen Orten flog.

#Luft-zu-Boden-Ausbreitungsmodell

#Signalverlustmodelle

Für unsere Forschung haben wir uns mit Signalverlustmodellen beschäftigt, um zu verstehen und vorherzusagen, wie Signale schwächer werden, während sie reisen. Das relevanteste Modell, das wir verwendet haben, ist das Zwei-Strahlen-Signalverlustmodell. Dieses Modell berücksichtigt sowohl das direkte Signal als auch ein zweites Signal, das vom Boden reflektiert wird.

Um die Signalstärke genau vorherzusagen, haben wir verschiedene Faktoren wie den Winkel der Antennen und reflektierte Signale einbezogen. Dieses Modell hilft uns, die RSRP-Werte besser zu schätzen, basierend auf unterschiedlichen Setups und Bedingungen.

#Die Bedeutung von 3D-Antennenmustern

In traditionellen bodengestützten Netzwerken vereinfachen wir oft die Antenneneffekte, indem wir annehmen, dass sie konstant bleiben. Bei Drohnen variiert jedoch, wie Antennen mit Signalen interagieren, stark je nach Höhe und Ausrichtung. Um diese Unterschiede zu beobachten, haben wir drei Arten von Antennenmustern getestet:

1. Ein Muster basierend auf unseren tatsächlichen Messungen.
2. Ein Dipolantennenmuster, das ein gängiges Modell ist.
3. Ein konstantes Antennenmuster, das sich nicht mit dem Winkel ändert.

Unsere Ergebnisse haben gezeigt, dass das gemessene Antennenmuster die genaueste Darstellung davon bot, wie sich Signale während unserer Tests verhalten haben. Die Dipol- und Konstantmuster konnten wichtige Variationen in der Signalstärke bei unterschiedlichen Winkeln nicht erfassen.

#Analyse der Ergebnisse

#RSRP in Zeit, Entfernung und Winkel

Wir haben unsere RSRP-Daten in mehreren Kontexten betrachtet: wie sie sich im Laufe der Zeit änderten, wie sie sich mit der Entfernung von der Basisstation variierten und wie sie sich auf den Winkel der Antennen bezogen. Durch den Vergleich unserer Messungen mit Vorhersagen verschiedener Modelle können wir herausfinden, welche Modelle die reale Leistung des Systems am besten repräsentierten.

#Kumulative Verteilungsfunktion (CDF)

Um die Gesamtgenauigkeit unserer Modelle zu quantifizieren, haben wir eine kumulative Verteilungsfunktion (CDF) der RSRP-Werte erstellt. Dieser Ansatz erlaubte uns, zu visualisieren, wie gut unsere vorhergesagten Werte mit den tatsächlichen Messungen übereinstimmten. Der Datenfluss zeigte, dass unser gemessenes Antennenmuster Ergebnisse lieferte, die den beobachteten Signalstärken am nächsten kamen.

#Schätzung des Antennenmusters

Neben der Analyse der Auswirkungen unterschiedlicher Antennenmuster haben wir auch unser eigenes 3D-Antennenmuster geschätzt, indem wir die gesammelten Daten zur RSRP verwendet haben. Indem wir die Beziehung zwischen den Signalstärken und den beteiligten Entfernungen berücksichtigten, haben wir ein Antennenmuster rekonstruiert, das die Umgebung widerspiegelte, in der die Messungen durchgeführt wurden.

Dieses geschätzte Antennenmuster wies ähnliche Eigenschaften auf wie unser gemessenes Muster und verdeutlichte die Effektivität unseres Ansatzes zur Modellierung des Antennenverhaltens in realen Szenarien.

#Lokalisierung der Basisstation

#RSRP-basierte Lokalisierung

Eines unserer Hauptziele war es, die RSRP-Daten, die von der Drohne gesammelt wurden, zu nutzen, um den Standort der Basisstation zu bestimmen. Wir haben einen Lokalisierungsalgorithmus entwickelt, der RSRP-Messungen von verschiedenen Punkten entlang des Flugpfads der Drohne verwendet. Das Ergebnis der Verwendung dieser Messungen würde es uns ermöglichen, die Koordinaten der Basisstation zu schätzen.

#Offline- und Online-Lokalisierungstechniken

Wir haben sowohl Offline- als auch Online-Methoden zur Lokalisierung implementiert. Bei der Offline-Methode haben wir alle gesammelten Daten nach dem Flug der Drohne verarbeitet, um die Position der Basisstation zu bestimmen. Im Gegensatz dazu beinhaltete die Online-Methode, dass die Lokalisierungsschätzung in Echtzeit aktualisiert wurde, während die Drohne noch flog.

Für den Online-Ansatz haben wir darauf geachtet, die RSRP-Proben effizient zu nutzen, indem wir sie basierend auf verschiedenen Strategien ausgewählt haben. Unsere Analyse zeigte, dass die sorgfältige Auswahl der Proben einen erheblichen Einfluss auf die Genauigkeit der Lokalisierungsergebnisse hatte.

#Leistungsbewertung

#Offline-Lokalisierungsergebnisse

Wir haben bewertet, wie gut die Offline-Lokalisierung funktionierte, indem wir den quadratischen Mittelwert des Fehlers (RMSE) an verschiedenen Punkten in unseren Experimenten gemessen haben. Die Ergebnisse zeigten, dass die Verwendung genauer Antennenmuster unsere Fähigkeit zur Lokalisierung der Basisstation erheblich verbesserte.

#Online-Lokalisierungsergebnisse

Bei der Online-Technik haben wir bewertet, wie gut die Echtzeitdaten der Drohne bei der Lokalisierung der Basisstation halfen, während sie während des Flugs RSRP-Werte sammelte. Die Ergebnisse wiesen erneut auf die Vorteile der Verwendung gemessener Antennenmuster hin, da sie genauere Schätzungen ermöglichten.

#Strategien zur Stichprobenauswahl

Wir haben verschiedene Strategien zur Auswahl von RSRP-Proben untersucht, wenn wir eine Online-Lokalisierung durchführten. Einige Strategien beinhalteten die Auswahl von Proben, die über die Zeit verteilt waren, während andere sich auf nahegelegene Wegpunkte konzentrierten. Unsere Ergebnisse zeigten, dass während die zufällige Auswahl im Allgemeinen gut abschnitt, spezifische Strategien in bestimmten Bedingungen Vorteile bieten konnten.

#Fazit

In dieser Forschung haben wir die Rolle von 3D-Antennenmustern untersucht, um unser Verständnis von Luft-zu-Boden-Signalpropagationsmodellen zu verbessern. Durch detaillierte Experimente mit Drohnen in einer ländlichen Umgebung haben wir wertvolle Daten zu Signalstärken und deren Beeinflussung durch Antennenmerkmale gesammelt.

Die Ergebnisse unterstrichen die entscheidende Bedeutung einer genauen Modellierung der Antennenmuster, wenn es darum geht, das Signalverhalten vorherzusagen und effektive Lokalisierung zu erreichen. Unsere Arbeit bietet Einblicke, die helfen können, die drahtlose Kommunikation für Drohnen zu verbessern, was letztendlich zu ihrer weit verbreiteten Nutzung in verschiedenen Anwendungen beiträgt.