⚡ electrical engineering

Indoor Statistical and Deterministic RCS Characterization for ISAC Channel Modeling

Este artículo presenta una caracterización de la RCS en interiores, tanto estadística como determinista, de diversos objetivos a 25–28 GHz para el modelado de canales ISAC, demostrando que las distribuciones lognormal y gamma se ajustan mejor a los datos medidos, al tiempo que valida nuevos modelos deterministas para configuraciones bistáticas de campo cercano.

Autores originales: Ali Waqar Azim, Ahmad Bazzi, Roberto Bomfin, Nikolaos Giakoumidis, Theodore S. Rappaport, Marwa Chafii

Publicado 2026-07-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ali Waqar Azim, Ahmad Bazzi, Roberto Bomfin, Nikolaos Giakoumidis, Theodore S. Rappaport, Marwa Chafii

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el océano invisible de ondas de radio que nos rodea cada día. Este es el reino de la comunicación inalámbrica, la magia que permite que tu teléfono hable con una torre de telefonía o que tu reloj inteligente se sincronice con tu portátil. Pero durante décadas, estas ondas han sido principalmente una calle de "un solo sentido": transportan tu voz o tu vídeo, pero no realmente "miran" al mundo que las rodea. Recientemente, los científicos han empezado a construir un nuevo tipo de tecnología llamada Comunicación y Sensado Integrados (ISAC, por sus siglas en inglés). Piensa en ello como darle a tu router Wi-Fi un par de ojos. En lugar de solo enviar datos, el sistema hace rebotar señales contra los objetos para averiguar dónde están, qué tamaño tienen y de qué están hechos, todo mientras te mantiene conectado.

Para que esto funcione, los ingenieros necesitan entender cómo diferentes objetos hacen rebotar estas ondas. Esta fuerza de "rebote" se llama Sección Transversal de Radar, o RCS. Es como preguntar: "Si le grito a una pared, a una nube o a un pájaro, ¿qué tan fuerte es el eco?". Si quieres construir un sistema que pueda detectar un dron o un robot en una fábrica concurrida, necesitas un mapa de cómo hacen eco estas diferentes cosas. Pero aquí está la parte difícil: los objetos no son estáticos. Un dron hace girar sus hélices, un brazo robótico retuerce sus articulaciones y un perro robot camina de un lado a otro. Estos movimientos cambian el eco constantemente, lo que lo hace difícil de predecir. Así que, la gran pregunta para los científicos es: ¿Podemos encontrar una regla matemática simple que describa este eco caótico y cambiante para que las computadoras puedan usarlo para construir redes mejores y más inteligentes?

Este artículo profundiza en esa pregunta estableciendo un enorme experimento de "cámara de eco" dentro de una fábrica real en interiores. Los investigadores, liderados por un equipo de la Universidad de Nueva York en Abu Dabi y la Universidad de Glasgow, querían ver cómo diferentes objetivos —específicamente drones, un brazo robótico y un perro robot— hacen rebotar las ondas de radio en el rango de frecuencia de 25-28 GHz (una banda superrápida utilizada para el internet de próxima generación). No se quedaron quietos; midieron los ecos desde diferentes ángulos, simulando cómo una red podría observar un objetivo desde el frente, desde el lado o incluso desde una distancia donde el transmisor y el receptor están en distintos puntos.

El equipo trató las ondas de radio como un juego de "el teléfono descompuesto" pero con un giro: querían conocer las reglas estadísticas del juego. Probaron cuatro diferentes "juegos de adivinanza" matemáticos (llamados distribuciones) para ver cuál describía mejor los datos desordenados del mundo real que recolectaron. Descubrieron que los ecos no eran un caos aleatorio; seguían un patrón. Específicamente, las distribidades "lognormal" y "gamma" fueron las que mejor encajaron. Imagina intentar adivinar el peso de una bolsa de canicas. Si solo adivinas un promedio, te equivocarás a menudo. Pero si usas una curva específica que tiene en cuenta el hecho de que la mayoría de las bolsas son ligeras pero algunas son sorprendentemente pesadas, estarás mucho más cerca. Eso es lo que las curvas lognormal y gamma hicieron para estos ecos de radio. Demostraron que, incluso con las aspas giratorias de un dron y las articulaciones móviles de un robot, la "fuerza" del eco sigue una forma estadística predecible.

Pero los investigadores no se detuvieron solo en adivinar la forma del eco. También querían construir un "libro de reglas" para un objeto muy específico y simple: una lámina de madera plana. En el mundo real, muchos objetos (como el panel metálico de un robot o una puerta) actúan como espejos planos para las ondas de radio. El equipo preparó un experimento controlado donde movieron esta lámina de madera más cerca y más lejos, midiendo cómo cambiaba el eco a medida que variaba el ángulo. Descubrieron que en el "campo cercano" (cuando el objeto está relativamente cerca, entre 2 y 10 metros), el eco no solo se debilita de forma simple en línea, sino que se comporta de una manera compleja que depende tanto de la distancia como del ángulo. Crearon un nuevo conjunto de fórmulas que actúan como un mapa preciso, mostrando exactamente cómo cambia la fuerza del eco a medida que mueves la lámina de un lado a otro.

El artículo deja claro que estos hallazgos se basan en mediciones rigurosas, no solo en simulaciones por computadora. Construyeron físicamente la configuración, utilizaron drones y robots reales, y recolectaron gigabytes de datos. Sin embargo, también establecieron límites. Establecen explícitamente que sus reglas "estadísticas" son para objetivos que se mueven o cambian de postura, y sus reglas "deterministas" (exactas) solo se aplican a esa lámina de madera plana específica que probaron. No pretenden tener una ley universal para cada objeto en el universo; más bien, han proporcionado una base sólida y medida para los tipos específicos de objetivos que se encuentran en las fábricas modernas.

Al final, este trabajo es como darles a los ingenieros un nuevo conjunto de herramientas. Antes de esto, podrían haber tenido que adivinar cómo se vería un dron o un robot ante un sistema de radar. Ahora, tienen un mapa verificado del "paisaje de ecos" para estas máquinas específicas. Esto significa que cuando se construyan las próximas generaciones de redes ISAC, podrán diseñarse para ser mucho más precisas al detectar y rastrear objetos en entornos concurridos y con obstáculos, haciendo que nuestras futuras ciudades inteligentes y fábricas automatizadas sean más seguras y eficientes. El artículo no promete una solución mágica que funcione en todas partes instantáneamente, pero sí proporciona los pasos cruciales y medidos necesarios para hacer realidad ese futuro.

Resumen Técnico: Caracterización de la RCS Estadística y Determinista en Interiores para el Modelado de Canales ISAC

Planteamiento del Problema
La Integración de Sensores y Comunicaciones (ISAC) requiere un modelado de canal preciso que considere las propiedades de dispersión de los objetivos, específicamente la Sección Transversal de Radar (RCS). Si bien el Proyecto de Asociación de la Tercera Generación (3GPP) ha adoptado el modelado estadístico de la RCS para la estandarización (por ejemplo, TR 38.901), la literatura existente se centra principalmente en Vehículos Aéreos No Tripulados (UAV) y carece de una caracterización estadística sistemática para otros objetivos comunes de fábricas en interiores (InF), como brazos robóticos (RA) y robots móviles autónomos (AMR). Además, los modelos estadísticos estándar suelen asumir variables aleatorias invariantes con la distancia, lo que no logra capturar la dependencia sistemática de la RCS respecto al rango y al ángulo bistático en el campo cercano (NF) y en geometrías controladas. Este estudio aborda la necesidad de distribuciones estadísticas basadas en mediciones para diversos objetivos de InF y un marco determinista para la caracterización de la RCS bistática en NF.

Metodología
La investigación se llevó a cabo en dos fases distintas: caracterización estadística y modelado determinista.

Caracterización Estadística de la RCS:
- Entorno y Objetivos: Las mediciones se realizaron en un entorno de fábrica en interiores (InF) en NYU Abu Dhabi, cubriendo la banda de 25–28 GHz. Los objetivos de prueba incluyeron dos UAV (DJI Mavic 2 Pro y Matrice 300 RTK), un Brazo Robótico (KUKA LBR iiwa 14 R820) y un Robot Cuadrúpedo (Boston Dynamics Spot).
- Configuración: Se utilizó una configuración cuasi-monostática ( $\theta_b \approx 10^\circ$ ) y tres configuraciones bistáticas ( $\theta_b \in \{20^\circ, 40^\circ, 60^\circ\}$ ). Los objetivos fueron sometidos a protocolos de movimiento/pose prescritos para generar diversidad de aspecto manteniendo la línea de vista (LoS) dentro de los haces principales de antenas altamente directivas (10° HPBW).
- Análisis: El estudio ajustó cuatro distribuciones paramétricas —Normal, Lognormal, Gamma y Weibull— a los datos de RCS medidos. La bondad de ajuste (GoF) se evaluó utilizando el estadístico de Kolmogorov-Smirnov (KS) y el Error Cuadrático Medio (MSE) entre las Funciones de Distribución Acumulativa (CDF) empíricas y ajustadas.
Marco Determinista de la RCS:
- Objetivo: Se utilizó una lámina rectangular de madera laminada (1.84 m $\times$ 1.2 m) como un reflector planar canónico en un corredor de punto de acceso en interiores (InH).
- Configuración: El objetivo atravesó nueve posiciones (de 2 m a 10 m) para variar sistemáticamente el ángulo bistático ( $\theta_b$ ) y la distancia ( $d$ ).
- Modelado: Los autores derivaron un modelo determinista de la RCS bistática en NF acoplando la pérdida de trayectoria (PL) de ida y vuelta medida con modelos modificados de Interceptación Flotante (FI) y Cercano (CI). Se propusieron y evaluaron tres modelos de RCS candidatos ( $\sigma_1, \sigma_2, \sigma_3$ ) que incorporan dependencias de $d$ , $\lambda$ y $\theta_b$ utilizando el Error de Ajuste Medio (MFE).

Contribuciones Clave

Distribuciones Estadísticas para Diversos Objetivos: El estudio proporciona la primera caracterización estadística sistemática de la RCS para objetivos de RA y AMR en entornos de fábrica en interiores (InF), junto con UAV. Identifica que las distribuciones Lognormal y Gamma se ajustan mejor a los datos de RCS empíricos en diversas frecuencias y ángulos bistáticos.
Extracción de Parámetros para la Estandarización: Los parámetros de distribución extraídos (por ejemplo, $\mu, \sigma$ para Lognormal) se reportan para clases de objetivos genéricos, ofreciendo entradas basadas en mediciones para simuladores ISAC de estilo 3GPP TR 38.901.
Modelo de RCS en NF Determinista: Se presenta un nuevo marco para evaluar la RCS bistática efectiva de una hoja rectangular en el campo cercano. El modelo captura explícitamente las dependencias del ángulo bistático y la separación transmisor-objetivo, validado contra mediciones de PL.
Análisis Unificado: El artículo agrega los "conteo de victorias" (win counts) a través de todos los objetivos y configuraciones para determinar qué familias de distribución son más robustas para morfologías de objetivos específicas (por ejemplo, Lognormal/Weibull para objetivos ágiles con centros de dispersión intermitentes frente a Gamma para plataformas complejas con dispersores diversos).

Resultados

Hallazgos Estadísticos:
- Mejores Distribuciones de Ajuste: Para los UAV, la distribución Gamma proporcionó el mejor ajuste en 12 de 32 casos, seguida de Weibull (11) y Lognormal (9). Para el Brazo Robótico, Gamma y Weibull fueron dominantes. Para el Robot Cuadrúpedo, la distribución Lognormal fue el mejor ajuste en 7 de 16 casos.
- Tendencias: La RCS generalmente disminuyó a medida que aumentaba el ángulo bistático ( $\theta_b$ ). La RCS del Matrice 300 RTK fue consistentemente mayor que la del Mavic 2 Pro debido a sus mayores dimensiones físicas y fuertes retornos especulares de los paquetes de baterías. El RA exhibió una RCS significativamente mayor que los UAV debido a su composición metálica.
- Dependencia de la Frecuencia: Se observó un aumento marginal de la RCS al aumentar la frecuencia para un $\theta_b$ fijo.
Hallazgos Deterministas:
- El modelo de RCS de tercer orden ( $\sigma_3$ ), que incluye términos hasta $\lambda^2 d^4$ , produjo consistentemente el Error de Ajuste Medio (MFE) más bajo, lo que indica que los términos de orden superior son necesarios para una caracterización precisa en NF.
- El exponente angular $m$ mostró una clara dependencia de la frecuencia, variando de aproximadamente -8.26 a 25 GHz a -6.69 a 28 GHz para el modelo $\sigma_3$ .
- El estudio demostró que los cambios en la geometría del objetivo (por ejemplo, el tamaño de la lámina) introducen correcciones dependientes de la distancia ( $d$ ) y la longitud de onda ( $\lambda$ ) a la Pérdida de Trayectoria, en lugar de un simple desplazamiento constante.

Significancia y Reivindicaciones
El artículo afirma proporcionar las primeras distribuciones estadísticas de la RCS basadas en mediciones para brazos robóticos y robots móviles en entornos de fábricas en interiores, llenando un vacío en la literatura actual de modelado de canales ISAC. Al validar las distribuciones Lognormal y Gamma, este trabajo ofrece parámetros compactos y reproducibles directamente utilizables en simuladores de nivel de sistema y modelos de canales estandarizados (como 3GPP TR 38.901).

Respecto al marco determinista, los autores afirman haber establecido un modelo consciente de la configuración e interpretable físicamente para la RCS bistática en NF. Enfatizan que este modelo es válido específicamente para retornos dominados por la reflexión especular de facetas planas bajo geometrías controladas y no pretende ser un modelo de dispersión multiestático generalizado para ángulos fuera de la especular. El estudio señala modestamente que los coeficientes deterministas son específicos para el tamaño de la lámina probada y que la validez del marco para variaciones en el tamaño del objetivo requiere mayor investigación. En última instancia, este trabajo sirve como un paso fundamental para integrar la estadística de amplitud dependiente del objetivo y las firmas deterministas de rango/ángulo en los futuros estándares de modelado de canales ISAC.

Más como este