⚡ electrical engineering

Dataset and UAV Propagation Channel Modeling for LoRa in the 860 MHz ISM Band

Diese Arbeit stellt einen neuen Datensatz mit IQ-Abtastwerten von LoRa-Frames in einem Campusumfeld vor und leitet daraus empirische Ausbreitungsmodelle für UAV- und Fußgänger-Szenarien im 860-MHz-Band ab, um die Leistungsfähigkeit von LoRa-Netzen besser bewerten zu können.

Ursprüngliche Autoren: Joachim Tapparel, Andreas Burg

Veröffentlicht 2026-04-10

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Joachim Tapparel, Andreas Burg

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie wollen eine Nachricht über einen riesigen, lauten Platz schicken, auf dem Tausende von Menschen (IoT-Geräte) gleichzeitig reden. Die Nachricht muss leise sein (wenig Energie verbrauchen), aber trotzdem von weit her gehört werden. Das ist das Problem, das die Technologie LoRa löst.

Dieser wissenschaftliche Artikel beschreibt ein großes Experiment, um zu verstehen, wie diese Nachrichten durch die Luft reisen – besonders wenn sie von einem Drohnen (UAV) oder einem Fußgänger gesendet werden.

Hier ist die Erklärung des Papers in einfachen Worten, mit ein paar kreativen Vergleichen:

1. Das Problem: Der "Geister-Echo"-Effekt

Stellen Sie sich vor, Sie schreien in eine große, volle Halle. Manchmal hören Sie Ihr Echo klar, manchmal wird es von Säulen blockiert, und manchmal vermischt es sich mit anderen Stimmen.

LoRa ist wie ein sehr leiser, aber sehr geduldiger Schreier, der spezielle Töne nutzt, um trotzdem gehört zu werden.
Das Problem: Bisher wussten die Forscher nicht genau, wie sich diese Töne verhalten, wenn die Quelle sich schnell bewegt (wie eine Drohne) oder wenn sie in unterschiedlichen Höhen fliegt. Die alten Modelle waren wie Landkarten für Fußgänger, aber Drohnen fliegen anders!

2. Das Experiment: Ein riesiges Schnappschuss-Netzwerk

Die Forscher am EPFL in der Schweiz haben ein riesiges "Schnappschuss-Netzwerk" aufgebaut.

Die Empfänger (Die Ohren): Vier große "Ohren" (Empfänger) wurden auf den Dächern des Campus verteilt. Sie waren nicht nur einfache Radios, sondern hochmoderne Computer mit Antennen (SDR), die nicht nur die Lautstärke, sondern das ganze Klangbild (die IQ-Daten) aufzeichnen konnten.
Die Sender (Die Schreier):
1. Ein Fußgänger, der mit einem Sender durch den Campus lief.
2. Eine Drohne, die über dem Campus flog (einmal direkt sichtbar, einmal hinter Gebäuden).
Das Ergebnis: Sie haben über 75.000 Nachrichten aufgezeichnet. Das ist wie ein riesiges Audio-Tagebuch, das genau festhält, wie der Wind, die Gebäude und die Entfernung den Klang verändert haben.

3. Die Entdeckung: Wie die Signale "wandern"

Die Forscher haben diese Daten analysiert und zwei Arten von "Wandern" entdeckt:

A. Der große Trend (Großmaßstäbliches Fading)

Stellen Sie sich vor, Sie entfernen sich von einer Musikband. Je weiter Sie gehen, desto leiser wird es. Das ist vorhersehbar.

Die Erkenntnis: Die Forscher haben eine Formel gefunden, die genau sagt, wie viel leiser das Signal wird, je weiter die Drohne oder der Fußgänger wegfliegt.
Der Unterschied: Wenn die Drohne fliegt, ist der Weg oft klarer (wie ein Flugzeug im klaren Himmel). Wenn ein Fußgänger läuft, gibt es mehr Hindernisse (Bäume, Wände), die das Signal stören.

B. Die kleinen Schwankungen (Kleinskaliges Fading)

Aber es ist nicht nur so, dass es leiser wird. Das Signal "zittert".

Die Analogie: Stellen Sie sich vor, Sie laufen durch einen Wald. Das Licht der Sonne fällt durch die Blätter. Es ist nicht einfach nur dunkler, es flackert schnell und unvorhersehbar, weil die Blätter im Wind wackeln.
Bei der Drohne: Da sie hoch fliegt, ist das "Flackern" weniger wild. Die Signale sind stabiler.
Beim Fußgänger: Da er niedrig läuft, prallt das Signal an vielen Dingen ab (Wände, Autos, Menschen). Das Signal flackert viel stärker und unvorhersehbarer.

4. Der Clou: Die "Kettenreaktion" (Räumliche Korrelation)

Das ist der wichtigste Teil des Papers.
Stellen Sie sich vor, Sie haben vier Freunde, die nebeneinander stehen und auf einen fernen Sender hören.

Wenn der Sender sich ein paar Meter bewegt, ändern sich die Signale für alle vier Freunde fast gleichzeitig. Sie sind "korreliert".
Die Forscher haben ein mathematisches Modell gebaut (ein "Autoregressives Modell"), das vorhersagt: "Wenn das Signal bei Freund A heute etwas schwächer ist, wird es bei Freund B in 10 Metern Entfernung wahrscheinlich auch etwas schwächer sein."
Warum ist das wichtig? Wenn Sie ein Netzwerk aus vielen Antennen bauen (wie bei modernen Mobilfunknetzen), können Sie diese Vorhersage nutzen, um das Signal zu verbessern, selbst wenn es mal gestört ist. Es ist wie ein Team von Hunden, die gemeinsam jagen: Wenn einer das Ziel sieht, wissen die anderen, wo es ist.

5. Das Geschenk an die Welt: Der Datensatz

Das Paper ist nicht nur Theorie. Die Forscher haben ihre gesamte Datenbank (die Rohdaten) ins Internet gestellt.

Warum? Früher hatten Forscher nur grobe Werte wie "Lautstärke: 50 dB". Jetzt haben sie die rohen Wellenformen (IQ-Daten).
Der Vergleich: Früher bekamen die Entwickler nur eine Zusammenfassung eines Gerichtsprozesses ("Der Angeklagte ist schuldig"). Jetzt bekommen sie das gesamte Videomaterial des Prozesses. Sie können selbst prüfen, wie die Algorithmen funktionieren, wie man Störungen filtert oder wie man mehrere Sender gleichzeitig entwirrt.

Zusammenfassung

Dieses Paper ist wie das Erstellen einer perfekten Wetterkarte für Funkwellen.
Die Forscher haben gemessen, wie sich LoRa-Signale verhalten, wenn sie von Drohnen oder Menschen gesendet werden. Sie haben herausgefunden, dass Drohnen stabilere Verbindungen haben, aber dass die Signale an verschiedenen Orten immer noch zusammenhängen. Mit ihren neuen Modellen und den veröffentlichten Daten können Ingenieure jetzt bessere IoT-Netze bauen, die auch in schwierigen Umgebungen (wie Städten mit vielen Gebäuden) zuverlässig funktionieren.

Kurz gesagt: Sie haben die "Regeln des Spiels" für drahtlose Kommunikation in der Luft und am Boden neu geschrieben und die Spielregeln für alle kostenlos veröffentlicht.

Titel: Datensatz und UAV-Ausbreitungs-Kanalmodellierung für LoRa im 860-MHz-ISM-Band

1. Problemstellung

LoRa (Long Range) ist eine der führenden Technologien für Low-Power Wide-Area Networks (LPWAN) im Internet der Dinge (IoT). Obwohl LoRa durch Chirp-Spread-Spectrum (CSS)-Modulation eine hohe Empfindlichkeit und große Reichweite bietet, ist die Übertragung aufgrund der langen Sendezeit und der Notwendigkeit einer hohen Energieeffizienz stark von Kanalvariationen abhängig.
Bisherige Kanalmodelle konzentrieren sich oft auf zellulare Technologien oder basieren auf unzureichenden Daten (z. B. nur RSSI-Werte von kommerziellen Geräten), die keine Phaseninformation oder hohe zeitliche Auflösung bieten. Zudem fehlen spezifische Modelle für die Telemetrie von unbemannten Luftfahrzeugen (UAVs), die sich in anderen Höhen und mit anderen Geschwindigkeiten bewegen als bodengebundene Geräte (Fußgänger). Dies erschwert die genaue Bewertung von Netzwerkleistung, Interferenz und Abdeckung, insbesondere für verteilte Antennensysteme (C-RAN).

2. Methodik

Die Autoren entwickelten ein Messsystem auf Basis von Software-Defined Radio (SDR), um einen umfassenden Datensatz und ein daraus abgeleitetes Kanalmodell zu erstellen.

Messaufbau:
- Standort: EPFL-Campus in Lausanne, Schweiz.
- Empfänger: Vier verteilte Gateways (Raspberry Pi 5 + NI USRP-2920 SDR + GPS), die auf Dächern installiert waren, um eine räumliche Diversität zu gewährleisten.
- Sender: Ein mobiler LoRa-Transmitter, der entweder von einem UAV getragen oder von einem Fußgänger mitgeführt wurde.
- Konfiguration: Betrieb im 862,5 MHz ISM-Band mit verschiedenen Spread-Factor- (SF 7, 10) und Bandbreiten-Einstellungen (125/250 kHz).
Datenerhebung:
- Es wurden über 17.000 LoRa-Frames (insgesamt ca. 75.000 Einträge über alle Szenarien) aufgezeichnet.
- Im Gegensatz zu reinen RSSI-Messungen wurden die roten IQ-Abtastwerte (In-Phase/Quadrature) der empfangenen Frames gespeichert.
- Die Daten sind mit Synchronisationsinformationen (GPS-Zeitstempel, Position, Geschwindigkeit) annotiert, was eine Demodulation und Analyse auf Frame-Ebene ermöglicht.
Szenarien:
1. UAV mit Sichtverbindung (LoS).
2. UAV ohne Sichtverbindung (NLoS).
3. Fußgänger ohne Sichtverbindung (NLoS).

3. Hauptbeiträge

Öffentlicher Datensatz: Bereitstellung des ersten offenen Datensatzes mit rohen IQ-Abtastwerten von LoRa-Übertragungen im Außenbereich. Dieser ermöglicht die Evaluierung fortschrittlicher Empfängeralgorithmen (z. B. Interferenzunterdrückung, Multi-User-Detection) und nicht nur rein auf RSSI basierender Modelle.
Empirisches Kanalmodell: Entwicklung und Validierung eines Ausbreitungsmodells, das die räumliche Korrelation von großskaligen Fading-Effekten über die Distanz für verteilte Empfänger erfasst.
Unterscheidung der Szenarien: Analyse der Unterschiede in der Kanalcharakteristik zwischen UAV- und Fußgängerszenarien, insbesondere im Hinblick auf die Höhe und die Umgebung.

4. Ergebnisse und Modellierung

Die Autoren leiteten ein log-Distanz-Pfadverlustmodell ab und modellierten die Fading-Komponenten wie folgt:

Log-Distanz-Modell:
- Der Signal-Rausch-Abstand (SNR) folgt einem log-Distanz-Gesetz: $\rho(d) = \rho_0 - 10\gamma \log_{10}(d/d_0) + Z$ .
- Die Pfadverlustexponenten ( $\gamma$ ) für NLoS-Szenarien liegen im Bereich urbaner Umgebungen (ca. 3,25 bis 3,62) und stimmen mit dem Hata-Okumura-Modell überein.
- Die Standardabweichung des großskaligen Fadings ( $\sigma_z$ ) ist beim Fußgänger-NLoS (8,90 dB) signifikant höher als beim UAV-NLoS (5,71 dB), was auf mehr Streuer in Bodennähe hindeutet.
Klein- und Großskaliges Fading mit räumlicher Korrelation:
- Das Fading wurde in zwei unabhängige Komponenten zerlegt:
  - Kleinskaliges Fading ( $X_r$ ): Schnelle, unkorrelierte Schwankungen (Normalverteilung). Die Varianz ist in NLoS-Szenarien höher.
  - Großskaliges Fading ( $Y_r$ ): Langsame, über die Distanz korrelierte Schwankungen.
- Autoregressives Modell (AR(1)): Um die räumliche Korrelation des großskaligen Fadings zu modellieren, wurde ein AR(1)-Prozess verwendet: $Y_r[(n+1)\Delta d] = \phi Y_r[n\Delta d] + \epsilon$ .
- Ergebnis der Korrelation: UAV-Szenarien weisen eine höhere räumliche Korrelation ( $\phi \approx 0,97$ für LoS) auf als Fußgängerszenarien ( $\phi \approx 0,75$ ). Dies bedeutet, dass sich die Signalstärke bei UAVs über größere Distanzen hinweg konsistenter verhält, während Fußgängerszenarien schnelleren lokalen Schwankungen unterliegen.
- Die Residuen des Modells sind unkorreliert und normalverteilt, was die Güte des Modells bestätigt.

5. Bedeutung und Fazit

Die Arbeit liefert einen entscheidenden Beitrag zur IoT-Kommunikationsforschung:

Datenqualität: Der Zugang zu IQ-Daten statt nur zu RSSI-Werten erlaubt die Entwicklung und Validierung komplexerer Empfängerstrategien, die für zukünftige LoRa-Netze essenziell sind.
UAV-Integration: Die Ergebnisse zeigen, dass UAVs (in der Luft) andere Kanaleigenschaften aufweisen als bodengebundene Knoten. Die höheren Korrelationslängen bei UAVs sind wichtig für die Planung von UAV-Telemetrie und die Dimensionierung von verteilten Antennensystemen.
Modellgenauigkeit: Das vorgestellte Modell mit räumlicher Korrelation ermöglicht realistischere Netzwerksimulationen, die die Abhängigkeit zwischen benachbarten Empfängern berücksichtigen, was für Cloud-Radio-Access-Networks (C-RAN) und Joint-Processing-Ansätze von großer Bedeutung ist.

Zusammenfassend stellt dieses Paper eine Brücke zwischen theoretischer Kanalmodellierung und praktischer, datengetriebener Evaluierung für die nächste Generation von LoRa-Netzen dar.