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

Título del Artículo:

Modelado del Canal de Propagación y Dataset para LoRa en la Banda ISM de 860 MHz (con enfoque en UAVs).

1. Planteamiento del Problema

Las redes de área amplia de baja potencia (LPWAN), específicamente LoRa, son fundamentales para el Internet de las Cosas (IoT) debido a su bajo consumo y largo alcance. Sin embargo, a medida que las redes IoT se densifican, es crítico contar con modelos de canal precisos y personalizados para evaluar el rendimiento.

• Limitaciones actuales: Los modelos existentes para tecnologías celulares no son directamente aplicables a LoRa debido a sus características únicas: transmisiones de largo alcance con un ancho de banda reducido (~250 kHz) y alta sensibilidad a las variaciones del canal.
• Brecha específica: Existe una falta de datos empíricos detallados sobre cómo se comportan las señales LoRa en escenarios de vehículos aéreos no tripulados (UAVs), los cuales experimentan condiciones de propagación (velocidad, altura, línea de visión) diferentes a las de los dispositivos portátiles a nivel de peatón.
• Necesidad de datos: Los dispositivos comerciales solo proporcionan valores de intensidad de señal recibida (RSSI) con baja resolución temporal. Se requiere acceso a muestras IQ (In-phase/Quadrature) completas para evaluar algoritmos avanzados de recepción, cancelación de interferencias y modelado de correlación espacial.

2. Metodología

Los autores implementaron una campaña de medición exhaustiva utilizando un banco de pruebas basado en Radio Definido por Software (SDR) en el campus de la EPFL (Suiza).

• Configuración Experimental:
  • Receptores: Cuatro gateways distribuidos en los tejados del campus, equipados con Raspberry Pi 5, SDR NI USRP-2920 y receptores GPS para sincronización temporal precisa.
  • Transmisores: Dos configuraciones móviles:
    1. Un transmisor LoRa portado por un peatón (NLoS - Sin línea de visión).
    2. Un transmisor montado en un UAV (con escenarios de Línea de Visión - LoS y Sin Línea de Visión - NLoS).
  • Parámetros de Transmisión: Se utilizaron configuraciones de LoRaWAN estándar (Frecuencia 862.5 MHz, Factores de Expansión 7 y 10, Anchos de banda de 125/250 kHz, Potencia de 14 dBm).
• Recolección de Datos: Se capturaron más de 17,000 tramas LoRa (y un total de 75,000 en el conjunto de datos final mencionado en la conclusión) que incluyen muestras IQ crudas, información de sincronización, posición GPS y velocidad.
• Modelado Estadístico:
  1. Descomposición del Desvanecimiento: Se separó el desvanecimiento en dos componentes:
     • Desvanecimiento a pequeña escala (X): Variaciones rápidas y no correlacionadas.
     • Desvanecimiento a gran escala (Y): Variaciones lentas correlacionadas espacialmente.
  2. Modelo Log-Distancia: Se ajustó un modelo de pérdida de trayectoria logarítmica para estimar la relación SNR-distancia.
  3. Correlación Espacial: Se utilizó un modelo autorregresivo de primer orden (AR(1)) para modelar la correlación espacial del desvanecimiento a gran escala entre receptores distribuidos y a lo largo de la distancia.

3. Contribuciones Clave

1. Dataset Público de Alta Resolución: Se ha creado y publicado el primer conjunto de datos abierto que ofrece muestras IQ operativas de transmisiones LoRa en exteriores. A diferencia de los datos RSSI comerciales, este dataset permite la evaluación de algoritmos de recepción avanzados (detección multiusuario, mitigación de interferencias).
2. Modelo de Canal Empírico para UAVs: Se derivaron modelos de propagación específicos para tres escenarios: UAV LoS, UAV NLoS y Peatón NLoS, capturando las diferencias en la atenuación y la dispersión.
3. Modelado de Correlación Espacial: Se desarrolló un modelo matemático que cuantifica la correlación espacial del desvanecimiento a gran escala para receptores distribuidos, esencial para el diseño de sistemas de antenas distribuidas y redes de acceso de radio en la nube (C-RAN).
4. Análisis Comparativo: Se cuantificó cómo la altura (UAV vs. Peatón) afecta la estadística del canal, mostrando diferencias significativas en la variabilidad del desvanecimiento.

4. Resultados Principales

• Ajuste del Modelo Log-Distancia: El modelo de pérdida de trayectoria ajustado por mínimos cuadrados sigue de cerca la evolución media de la SNR medida.
  • Los exponentes de pérdida de trayectoria ($\gamma$) para escenarios NLoS (3.62 para UAV y 3.25 para peatón) son consistentes con modelos urbanos existentes (como Hata-Okumura).
• Distribución del Desvanecimiento:
  • La desviación de la SNR respecto al modelo logarítmico sigue una distribución Normal.
  • El desvanecimiento a pequeña escala tiene una desviación estándar ($\sigma_x$) mayor en escenarios NLoS debido a las múltiples reflexiones.
  • El desvanecimiento a gran escala ($\sigma_y$) es estable entre escenarios, pero su correlación espacial varía.
• Correlación Espacial (Modelo AR):
  • Los escenarios de UAV muestran una mayor correlación espacial (parámetro $\phi$ más alto, ~0.97 para LoS) y una menor desviación estándar del término de innovación ($\sigma_\epsilon$) en comparación con los peatones.
  • Esto indica que, aunque la varianza total es similar, las variaciones en el canal para UAVs ocurren sobre distancias más largas, lo que es coherente con un entorno menos obstructivo y más estable.
  • El escenario de peatón NLoS presenta la menor correlación espacial ($\phi \approx 0.75$) y la mayor variabilidad, debido a la alta densidad de dispersores a nivel del suelo.
• Validación: El modelo propuesto (asumiendo residuos gaussianos y no correlacionados) se ajustó bien a los datos experimentales, con la función de autocorrelación de los residuos dentro de los límites de confianza del 95%.

5. Significancia e Impacto

• Avance en Simulación de Redes: Proporciona parámetros empíricos realistas para simuladores de redes LoRa, permitiendo evaluar con mayor precisión la cobertura, la capacidad y el impacto de la interferencia.
• Habilitador para UAVs: Ofrece la primera base de datos robusta para diseñar sistemas de telemetría y control de drones utilizando LoRa, un área crítica dado el crecimiento de las operaciones de UAV.
• Investigación de Algoritmos: La disponibilidad de muestras IQ sincronizadas permite a la comunidad científica probar y mejorar algoritmos de recepción que van más allá de la simple detección de paquetes, como la cancelación de interferencias y la detección conjunta.
• Arquitecturas Distribuidas: El modelo de correlación espacial es vital para el desarrollo de sistemas de antenas distribuidas y C-RAN, donde múltiples cabezales de radio remotos (RRH) deben procesar señales de manera coordinada.

En resumen, este trabajo cierra la brecha entre los modelos teóricos y la realidad operativa de LoRa, especialmente en el contexto emergente de las comunicaciones aéreas, proporcionando tanto los datos crudos como el marco matemático necesario para el diseño de la próxima generación de redes IoT.