⚡ electrical engineering

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

यह शोध पत्र एक कैंपस वातावरण में SDR-आधारित टेस्टबेड के माध्यम से एकत्र किए गए LoRa IQ सैंपल्स के एक सार्वजनिक रूप से उपलब्ध डेटासेट को प्रस्तुत करता है, जिसका उपयोग 860 MHz ISM बैंड में UAV और पैदल यात्री परिदृश्यों के लिए अनुभवजन्य प्रसार चैनल मॉडल (empirical propagation channel models) प्राप्त करने के लिए किया जाता है।

मूल लेखक: Joachim Tapparel, Andreas Burg

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joachim Tapparel, Andreas Burg

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक व्यस्त, शोर-शराबे वाले शहर के पार्क में अपने दोस्त को एक गुप्त संदेश चिल्लाकर सुनाने की कोशिश कर रहे हैं। आप इसे बहुत ज़ोर से चिल्लाए बिना करना चाहते हैं (ताकि आपकी आवाज़ न बैठे) और बिना किसी महंगे मेगाफोन के (ताकि लागत कम रहे)। यह मूल रूप से वही है जो LoRa तकनीक करती है। यह डेटा भेजने का एक विशेष तरीका है जो लंबी दूरी और कम बिजली के लिए बेहतरीन है, लेकिन यह इस बात के प्रति बहुत संवेदनशील है कि "हवा" ध्वनि को कैसे ले जाती है।

यह शोध पत्र एक टीम के वैज्ञानिकों की तरह है जो उस पार्क में उच्च-तकनीकी रिकॉर्डिंग उपकरणों के साथ जाता है ताकि यह पता लगा सके कि हवा, पेड़ और इमारतें आपके संदेश को ठीक से कैसे बिगाड़ देती हैं। उन्होंने यह केवल ज़मीन पर चलने वाले लोगों के लिए नहीं किया, बल्कि ऊपर उड़ने वाले ड्रोन्स के लिए भी किया।

यहाँ उनके साहसिक कार्य का विवरण दिया गया, जिसे सरल भाषा में समझाया गया है:

1. मिशन: "हवा" का मानचित्रण करना

शोधकर्ताओं जानना चाहते थे: एक ड्रोन या व्यक्ति से रिसीवर तक पहुँचते समय Lo-Ra सिग्नल कैसे बदलता है?

अधिकांश लोग केवल यह देखते हैं कि सिग्नल "मजबूत" है या "कमजोर" (जैसे यह देखना कि क्या आप एक फुसफुसाहट सुन सकते हैं)। लेकिन इस टीम को पूरी रिकॉर्डिंग चाहिए थी। उन्होंने एक विशेष उपकरण का उपयोग किया जिसे सॉफ्टवेयर-डिफाइंड रेडियो (SDR) कहा जाता है। इसे एक सुपर-संवेदनशील माइक्रोफ़ोन के रूप में समझें जो केवल आवाज़ का स्तर ही नहीं रिकॉर्ड करता; बल्कि यह हर ध्वनि तरंग के सटीक आकार को रिकॉर्ड करता है। यह उन्हें सिग्नल के "फिंगरप्रिंट" को देखने की अनुमति देता है, जिसमें सूक्ष्म उतार-चढ़ाव और देरी शामिल है जिन्हें सामान्य उपकरण मिस कर देते हैं।

2. प्रयोग: पार्क और ड्रोन्स

उन्होंने स्विट्जरलैंड के EPFL कैंपस पर एक "परीक्षण पार्क" स्थापित किया।

रिसीवर्स (सुनने वाले): उन्होंने चार अलग-अलग छतों पर चार सुनने वाले स्टेशन लगाए। कल्पना करें कि चार दोस्त अलग-अलग बालकनियों पर खड़े हैं, और सभी एक ही चिल्लाहट को सुनने की कोशिश कर रहे हैं।
ट्रांसमिटर्स (चिल्लाने वाले): उनके पास दो प्रकार के चिल्लाने वाले थे:
1. पैडेस्ट्रियन (पैदल यात्री): ज़मीन पर चलता हुआ एक व्यक्ति, जो एक LoRa डिवाइस लेकर चल रहा है।
2. ड्रोन (UAV): एक उड़ने वाला रोबोट जो एक समान डिवाइस लेकर उड़ रहा है।
परिदृश्य (Scenarios): उन्होंने तीन स्थितियों का परीक्षण किया:
- ड्रोन - स्पष्ट दृश्य के साथ (LoS): ड्रोन ऊँचा उड़ रहा है जहाँ कोई इमारत रास्ते में बाधा नहीं डाल रही है।
- ड्रोन - बाधाओं के साथ (NLoS): ड्रोन इमारतों या पेड़ों के पीछे उड़ रहा है।
- पैदल यात्री - बाधाओं के साथ (NLoS): व्यक्ति व्यस्त, भीड़भाड़ वाले कैंपस के बीच से गुजर रहा है।

उन्होंने 75,000 से अधिक संदेश (फ्रेम) एकत्र किए और इस डेटा को सार्वजनिक कर दिया ताकि अन्य वैज्ञानिक इसका उपयोग कर सकें। यह रिकॉर्डिंग की एक विशाल लाइब्रेरी प्रकाशित करने जैसा है ताकि हर कोई अध्ययन कर सके कि शहर में ध्वनि कैसे यात्रा करती है।

3. खोज: सिग्नल कैसे फीका पड़ता है

जब आप पार्क के पार चिल्लाते हैं, तो आप जितनी दूर होते हैं आपकी आवाज़ उतनी ही धीमी होती जाती है। रेडियो के संदर्भ में, इसे पाथ लॉस (Path Loss) कहा जाता है।

नियम: उन्होंने पाया कि ड्रोन्स के लिए, सिग्नल एक अनुमानित तरीके से कमजोर होता है, ठीक वैसे ही जैसे शहर में ध्वनि फीकी पड़ती है।
"शोर" का कारक: लेकिन यह केवल धीमा होने के बारे में नहीं है। सिग्नल "अस्थिर" भी हो जाता है।
- लघु-स्तर का कंपन (Small-Scale Jitter): कल्पना करें कि सिग्नल एक चिकनी लहर है, लेकिन हवा इसे तुरंत लहरदार बना देती है। यह बहुत तेज़ी से होता है और पास की खिड़की से होने वाले परावर्तन (reflections) के कारण होता है। शोधकर्ताओं ने पाया कि जब आप ज़मीन पर (पैदल यात्री) होते हैं, तो इसमें अधिक कंपन होता है क्योंकि वहाँ सिग्नल को टकराने के लिए अधिक चीज़ें मौजूद होती हैं।
- बड़े-स्तर का बदलाव (Large-Scale Drift): यह दूरी बढ़ने के साथ सिग्नल की ताकत में होने वाला धीमा, स्थिर परिवर्तन है।

4. बड़ी अंतर्दृष्टि: ड्रोन बनाम लोग

इस शोध पत्र का सबसे दिलचस्प हिस्सा ड्रोन और व्यक्ति के बीच का अंतर है।

पैदल यात्री: जब ज़मीन पर चलते हैं, तो सिग्नल अराजक होता है। यह दीवारों, कारों और लोगों से टकराता है। यह एक ऐसी घाटी में चिल्लाने जैसा है जो गूँज से भरी हो। सिग्नल की ताकत बहुत तेज़ी से और बेतरतीब ढंग से बदलती है।
ड्रोन: जब ड्रोन ऊँचा उड़ता है, तो सिग्नल बहुत अधिक सुचारू होता है। यह एक पहाड़ी से चिल्लाने जैसा है। सिग्नल एक कदम से दूसरे कदम के बीच बहुत अधिक नाटकीय रूप से नहीं बदलता है। "कंपन" लंबी दूरी तक अधिक सुसंगत रहता है।

उपमा (Analogy):
सिग्नल को एक घर लौट रहे नशे में धुत व्यक्ति के रूप में सोचें।

पैदल यात्री परिदृश्य: नशे में धुत व्यक्ति एक भीड़भाड़ वाले बार के माध्यम से चल रहा है। वह मेजों, कुर्सियों और लोगों से टकराता है। उसका रास्ता हर सेकंड टेढ़ा-मेढ़ा और अप्रत्याशित होता है।
ड्रोन परिदृश्य: नशे में धुत व्यक्ति एक लंबे, खाली हाईवे पर चल रहा है। वह थोड़ा लड़खड़ाता तो है, लेकिन उसका रास्ता लंबी दूरी के लिए बहुत सीधा और अधिक अनुमानित होता है।

5. परिणाम: इंजीनियरों के लिए एक नया "मानचित्र"

टीम ने केवल डेटा एकत्र नहीं किया; उन्होंने अपने निष्कर्षों के आधार पर एक गणितीय मानचित्र (एक मॉडल) बनाया।

यह मानचित्र इंजीनियरों को बताता है कि यदि वे ड्रोन के लिए नेटवर्क डिजाइन कर रहे हैं, तो उन्हें सिग्नल के व्यवहार की सटीक रूप से उम्मीद कैसे करनी चाहिए।
यह इस तथ्य को ध्यान में रखता है कि एक ड्रोन का सिग्नल एक व्यक्ति के सिग्नल से अलग व्यवहार करता है।
यह इंजीनियरों को ऐसे "स्मार्ट" रिसीवर डिजाइन करने में भी मदद करता है जो इन सिग्नल के उतार-चढ़ाव का पूर्वानुमान लगा सकें और उन्हें ठीक कर सकें, जिससे नेटवर्क अधिक विश्वसनीय बन सके।

यह क्यों मायने रखता है?

जैसे-जैसे हम हर चीज़ पर सेंसर लगा रहे हैं—डिलीवरी ड्रोन से लेकर स्मार्ट स्ट्रीटलाइट्स तक—हमें यह जानने की आवश्यकता है कि वे एक-दूसरे से कैसे बात करते हैं। यदि हम ड्रोन्स के लिए नेटवर्क की योजना बनाने के लिए पुराने मानचित्रों (मॉडल जो सेल फोन या ज़मीन के स्तर के उपकरणों के लिए डिज़ाइन किए गए हैं) का उपयोग करते हैं, तो यह विफल हो सकता है।

यह शोध पत्र विशेष रूप से ड्रोन्स और ज़मीनी उपयोगकर्ताओं के लिए LoRa सिग्नलों के लिए पहला विस्तृत "मौसम रिपोर्ट" प्रदान करता है। यह इंजीनियरों को भविष्य के उड़ते हुए रोबोटों और स्मार्ट शहरों के लिए बेहतर, अधिक विश्वसनीय नेटवर्क बनाने के उपकरण देता है।

संक्षेप में: उन्होंने हजारों रेडियो संदेशों को रिकॉर्ड किया, यह पता लगाया कि इमारतें और ऊंचाई सिग्नल को कैसे बदलती हैं, और आकाश और सड़क के लिए बेहतर नेटवर्क बनाने के लिए एक नया नियम पुस्तिका लिखी।

यहाँ शोध पत्र "Dataset and UAV Propagation Channel Modeling for LoRa in the 860 MHz ISM Band" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लो-पावर वाइड-एरिया नेटवर्क्स (LPWANs), विशेष रूप से LoRa, अपनी लंबी दूरी की क्षमताओं और कम बिजली की खपत के कारण इंटरनेट ऑफ थिंग्स (IoT) के लिए महत्वपूर्ण हैं। हालाँकि, जैसे-जैसे IoT नेटवर्क सघन होते जा रहे हैं, नेटवर्क प्रदर्शन (कवरेज, क्षमता, हस्तक्षेप) का मूल्यांकन करने के लिए सटीक चैनल मॉडलिंग आवश्यक हो जाती है।

अंतराल (The Gap): सेलुलर प्रौद्योगिकियों के मौजूदा चैनल मॉडल LoRa की विशिष्ट विशेषताओं को पर्याप्त रूप से संबोधित नहीं करते हैं: लंबी ट्रांसमिशन अवधि, संकीर्ण बैंडविड्थ (~250 kHz), और चैनल विविधताओं के प्रति संवेदनशीलता।
विशिष्ट चुनौती: अनमैन्ड एरियल व्हीकल्स (UAVs) के लिए, जो पैदल यात्रियों के स्तर के उपकरणों की तुलना में विभिन्न ऊंचाइयों पर संचालित होते हैं, अनुभवजन्य डेटा और मॉडलों की कमी है। UAV चैनल अक्सर लाइन-ऑफ-साइट (LoS) स्थितियों और विभिन्न स्कैटरिंग वातावरणों के कारण काफी भिन्न होते हैं, फिर भी बहुत कम डेटासेट उन कच्चे सिग्नल विवरणों (IQ सैंपल्स) को कैप्चर करते हैं जो इन विविधताओं को सटीक रूप से मॉडल करने के लिए आवश्यक हैं।
वर्तमान डेटा की सीमाएँ: कमर्शियल ऑफ-द-शेल्फ डिवाइस आमतौर पर केवल प्राप्त सिग्नल स्ट्रेंथ इंडिकेटर (RSSI) मान प्रदान करते हैं (एक फ्रेम प्रति), जिनमें उन्नत रिसीवर एल्गोरिदम (जैसे, इंटरफेरेंस कैंसलेशन, मल्टी-यूज़र डिटेक्शन) के परीक्षण के लिए आवश्यक टेम्पोरल रेजोल्यूशन और फेज जानकारी का अभाव होता है।

2. कार्यप्रणाली (Methodology)

लेखकों ने एक कस्टम सॉफ्टवेयर-डिफाइंड रेडियो (SDR) टेस्टबेड का उपयोग करके EPFL कैंपस, लॉज़ेन, स्विट्जरलैंड में एक व्यापक मेजरमेंट कैंपेन चलाया।

हार्डवेयर सेटअप:
- ट्रांसमिटर्स: दो मोबाइल ट्रांसमीटरों का उपयोग किया गया:
  1. पैडेस्ट्रियन (Pedestrian): Raspberry Pi 5 + Semtech SX1276 मॉड्यूल।
  2. UAV: लाइटवेट HTCC-AB02S बोर्ड + SX1262 ट्रांसीवर।
- रिसीवर्स: कैंपस की छतों पर स्थित चार वितरित गेटवे, जिनमें Raspberry Pi 5, NI USRP-2920 SDR, और सटीक टाइमस्टैम्पिंग एवं सिंक्रोनाइज़ेशन के लिए Quectel L80 GPS शामिल है।
परिदृश्य (Scenarios): माप तीन अलग-अलग परिदृश्यों में लिए गए थे:
1. UAV लाइन-ऑफ-साइट (LoS)।
2. UAV नॉन-लाइन-ऑफ-साइट (NLoS)।
3. पैडेस्ट्रियन NLoS।
डेटा संग्रह:
- कुल 75,000 LoRa फ्रेम ट्रांसमिट किए गए (सभी रिसीवरों में प्रत्येक परिदृश्य के लिए लगभग 17,000)।
- पैरामीटर्स में स्प्रेडिंग फैक्टर्स (SF) 7 और 10, 125/250 kHz की बैंडविड्थ, और 862.5 MHz कैरियर फ्रीक्वेंसी शामिल थे।
- रॉ IQ सैंपल्स: मानक RSSI लॉग्स के विपरीत, सिस्टम ने SigMF फॉर्मेट में वैध डिमॉड्यूलेटेड फ्रेम के कच्चे इन-फेज/क्वाड्रचर (IQ) सैंपल्स को कैप्चर किया, जिन्हें GPS स्थिति, वेग और सिंक्रोनाइज़ेशन डेटा के साथ एनोटेट किया गया है।

3. मुख्य योगदान (Key Contributions)

ओपन-सोर्स डेटासेट: UAV और पैडेस्ट्रियन परिदृश्यों में बाहरी LoRa ट्रांसमिशन से कच्चे IQ सैंपल्स वाला पहला डेटासेट बनाने और प्रकाशित करने का कार्य। यह सरल RSSI-आधारित मॉडलिंग से परे उन्नत रिसीवर एल्गोरिदम के मूल्यांकन को सक्षम बनाता है।
अनुभवजन्य चैनल मॉडलिंग: एक प्रोपेगेशन मॉडल का विकास जो वितरित रिसीवरों के लिए बड़े पैमाने के फेडिंग (large-scale fading) के स्थानिक सहसंबंध (spatial correlation) को कैप्चर करता है, जो विशेष रूप से UAV और पैडेस्ट्रियन ऊंचाई के लिए तैयार किया गया है।
फेडिंग प्रभावों का विभेदीकरण: स्मॉल-स्केल फेडिंग (तेज, अनकोरिलेटेड बदलाव) और लार्ज-स्केल फेडिंग (धीमे, स्थानिक रूप से सहसंबंधित बदलाव) के बीच एक कठोर पृथक्करण, ताकि चैनल का अधिक सटीक सांख्यिकीय प्रतिनिधित्व प्रदान किया जा सके।

4. परिणाम और निष्कर्ष (Results and Findings)

A. लॉग-डिस्टेंस पाथ लॉस मॉडलिंग (Log-Distance Path Loss Modeling)

लेखकों ने सिग्नल-टू-नॉइज़ रेशियो (SNR) को एक मानक लॉग-डिस्टेंस पाथ लॉस मॉडल में फिट किया:
$\rho(d) = \rho_0 - 10\gamma \log_{10}\left(\frac{d}{d_0}\right) + Z$

पाथ लॉस एक्सपोनेंट्स ( $\gamma$ ):
- UAV LoS: 2.79 (प्रत्यक्ष पथ के कारण कम हानि)।
- UAV NLoS: 3.62।
- Pedestrian NLoS: 3.25।
- अवलोकन: NLoS एक्सपोनेंट्स शहरी वातावरण के मॉडलों (जैसे, Hata-Okumura) के अनुरूप हैं, हालांकि ग्राउंड लेवल पर बढ़ते स्कैटरिंग के कारण पैडेस्ट्रियन परिदृश्य में उच्च विचरण (variance) देखा गया।
शैडोइंग डिस्ट्रीब्यूशन: पाथ लॉस मॉडल से विचलन ( $Z$ ) सभी परिदृश्यों के लिए एक नॉर्मल डिस्ट्रीब्यूशन का पालन करता पाया गया।

B. स्थानिक सहसंबंध और फेडिंग अपघटन (Spatial Correlation and Fading Decomposition)

अध्ययन ने कुल फेडिंग ( $Z$ ) को स्मॉल-स्केल ( $X_r$ ) और लार्ज-स्केल ( $Y_r$ ) घटकों में विभाजित किया:
$Z_r = X_r + Y_r$

स्मॉल-स्केल फेडिंग ( $X_r$ ): इसे $N(0, \sigma_x^2)$ के रूप में मॉडल किया गया। $\sigma_x$ का मानक विचलन NLoS परिदृश्यों में अधिक था (अधिक मल्टीपाथ) और एक परिदृश्य के भीतर सभी रिसीवरों में सुसंगत था।
लार्ज-स्केल फेडिंग ( $Y_r$ ): इसे स्थानिक सहसंबंध के साथ $N(0, \sigma_y^2)$ $N (0, σ_{y}^{2})$ के रूप में मॉडल किया गया।
- दूरी के साथ फेडिंग कैसे सहसंबंधित होती है, इसका वर्णन करने के लिए एक ऑटोरेग्रेसिव (AR) मॉडल ऑफ ऑर्डर 1 का उपयोग किया गया:
  $Y_r[(n+1)\Delta d] = \phi Y_r[n\Delta d] + \epsilon$
- मुख्य निष्कर्ष: पैडेस्ट्रियन परिदृश्यों ( $\phi \approx 0.75$ ) की तुलना में UAV परिदृश्य उच्च स्थानिक सहसंबंध ( $\phi \approx 0.97$ LoS के लिए) प्रदर्शित करते हैं। यह इंगित करता है कि UAV चैनल परिवर्तन लंबी दूरियों पर होते हैं, जबकि पैडेस्ट्रियन चैनल स्थानीय बाधाओं के कारण अधिक तेजी से उतार-चढ़ाव करते हैं।

C. मॉडल सत्यापन (Model Validation)

प्रस्तावित मॉडल (एक विशिष्ट कोवेरिएंस मैट्रिक्स के साथ मल्टीवेरिएट नॉर्मल डिस्ट्रीब्यूशन) को प्रयोगात्मक अवशेषों (experimental residuals) के विरुद्ध सत्यापित किया गया।

अवशेषों को अनकोरिलेटेड (व्हाइट नॉइज़) और गौसियन डिस्ट्रीब्यूटेड पाया गया, जो इस बात की पुष्टि करता है कि ऑटोरेग्रेसिव मॉडल प्रभावी रूप से लार्ज-स्केल फेडिंग के स्थानिक सहसंबंध को कैप्चर करता है।

5. महत्व (Significance)

IoT अनुसंधान में प्रगति: यह कार्य केवल लिंक-बजट विश्लेषण से आगे बढ़कर कच्चे डेटा (IQ सैंपल्स) प्रदान करता है, जो इंटरफेरेंस कैंसलेशन और क्लाउड रेडियो एक्सेस नेटवर्क्स (C-RAN) में जॉइंट प्रोसेसिंग जैसे अगली पीढ़ी के रिसीवर एल्गोरिदम के परीक्षण के लिए आवश्यक है।
UAV-विशिष्ट अंतर्दृष्टि: यह रेखांकित करता है कि UAV संचार चैनल सांख्यिकीय रूप से ग्राउंड-लेवल IoT से भिन्न होते हैं, विशेष रूप से स्थानिक सहसंबंध के संबंध में। यह ड्रोन के लिए विश्वसनीय टेलीमेट्री लिंक डिजाइन करने के लिए अत्यंत महत्वपूर्ण है।
पुनरुत्पादकता (Reproducibility): डेटासेट और प्राप्त अनुभवजन्य मापदंडों को जारी करके, लेखक समुदाय को उच्च निष्ठा (high fidelity) के साथ Loटा नेटवर्क को सिम्युलेट करने में सक्षम बनाते हैं, जिसमें रिसीवरों के बीच स्वतंत्र फेडिंग मानने के बजाय यथार्थवादी स्थानिक फेडिंग सहसंबंधों को ध्यान में रखा जाता है।