Why Channel-Centric Models are not Enough to Predict End-to-End Performance in Private 5G: A Measurement Campaign and Case Study

Uno studio sperimentale su una rete 5G privata dimostra che i modelli basati esclusivamente sulle caratteristiche del canale sovrastimano sistematicamente la velocità di trasmissione a causa di errori nella previsione dei livelli MIMO, mentre un approccio basato su dati reali tramite regressione a processi gaussiani offre previsioni di throughput end-to-end significativamente più accurate.

L'essenziale

Immagina di dover guidare un robot autonomo in una grande fabbrica sotterranea piena di macchinari, pareti di cemento e angoli stretti. Il robot deve muoversi velocemente e in sicurezza, ma per farlo ha bisogno di una connessione internet (5G) perfetta per ricevere le istruzioni dal "cervello" remoto.

Il problema è: come fa il robot a sapere dove la connessione sarà veloce e dove sarà lenta prima di arrivare lì?

Questa ricerca scientifica risponde a questa domanda, smascherando un errore comune che molti ingegneri fanno da anni. Ecco la spiegazione semplice, con qualche analogia per rendere tutto più chiaro.

1. Il vecchio modo di pensare: "Se il segnale è forte, va tutto bene"

Fino a poco tempo fa, gli ingegneri pensavano che bastasse guardare la forza del segnale (come la potenza del Wi-Fi a casa tua).

• L'analogia: Immagina di guidare un'auto. Se guardi il tachimetro e vedi che il motore ha molta potenza (segnale forte), pensi che l'auto possa andare a 200 km/h.
• La realtà: Questo studio ha scoperto che non è vero. Anche se il "motore" (il segnale) è potente, l'auto potrebbe non riuscire a raggiungere quella velocità perché ci sono altri ostacoli invisibili.

2. Il test: Il robot esploratore

Gli scienziati hanno messo un robot (un piccolo rover) in una grande sala sotterranea (un vecchio reattore nucleare a Stoccolma) e lo hanno fatto camminare ovunque, misurando la velocità reale di internet in ogni punto. Hanno creato una "mappa della verità".

Poi hanno confrontato questa mappa reale con due metodi di previsione:

1. Il Simulatore Fisico (Il "Teorico"): Un software avanzato che calcola come le onde radio rimbalzano sulle pareti, come la luce in una stanza piena di specchi.
2. L'Intelligenza Artificiale (Il "Pratico"): Un modello che impara direttamente dai dati raccolti dal robot, senza cercare di capire la fisica dietro le onde.

3. La grande sorpresa: Il simulatore mente (con ottimismo)

Il risultato è stato scioccante. Il simulatore fisico, che sembrava molto preciso nel calcolare la forza del segnale, ha sistematicamente sovrastimato la velocità di internet.

• L'analogia: È come se il simulatore dicesse: "Guarda, il motore ha la potenza per 4 ruote motrici! Andremo velocissimi!". Ma in realtà, a causa di una strada scivolosa o di un ingranaggio che scricchiola, l'auto riesce a usare solo 1 o 2 ruote motrici.
• Il colpevole: Il problema non era la forza del segnale, ma il MIMO (una tecnologia che usa più "corsie" per inviare dati contemporaneamente). Il simulatore pensava che il robot potesse usare sempre tutte e 4 le corsie disponibili. Invece, nella realtà, a causa delle riflessioni strane nelle pareti, il sistema ne usava spesso solo 1 o 2.
• Il risultato: Il simulatore prevedeva velocità altissime (es. 700 Mbps), ma il robot ne riceveva la metà o meno. Se un robot pianificasse il suo percorso basandosi su queste previsioni, potrebbe finire in un punto dove la connessione è troppo lenta per lavorare, bloccandosi o causando incidenti.

4. La soluzione migliore: L'Intelligenza Artificiale (GPR)

Il secondo metodo, basato sui dati reali (Gaussian Process Regression), ha funzionato molto meglio.

• L'analogia: Invece di calcolare la fisica delle onde, questo metodo è come un vecchio meccanico esperto. Non sa esattamente come funziona la teoria del motore, ma sa: "Quando sono in quel angolo con quel tipo di muro, l'auto va sempre a 50 km/h, non importa quanto è forte il motore".
• Il risultato: Questo modello ha previsto la velocità reale con un errore molto più basso (circa due terzi in meno rispetto al simulatore) e senza l'errore di sovrastimare. Ha imparato direttamente dal comportamento reale del sistema.

5. Cosa significa per il futuro?

Questa ricerca ci insegna una lezione fondamentale per il mondo dei robot e dell'industria 4.0:

• Non fidarsi ciecamente della teoria: Avere un segnale forte non garantisce una connessione veloce. Ci sono troppi fattori nascosti (come il modo in cui il sistema sceglie le "corsie" dei dati) che i modelli fisici faticano a prevedere.
• Bisogna guardare il risultato finale: Per pianificare il movimento di un robot, non basta guardare la qualità del segnale (SINR), bisogna prevedere la velocità reale di trasferimento dati.
• L'ibrido è la via d'uscita: I modelli basati sui dati reali sono più precisi, ma richiedono molte misurazioni. I modelli fisici sono utili per le zone dove non abbiamo ancora misurato, ma devono essere "aggiustati" con i dati reali per non ingannarci.

In sintesi: Se vuoi che il tuo robot industriale non si fermi mai, non basarti solo sui calcoli teorici della forza del segnale. Usa i dati reali o modelli che imparano dall'esperienza, perché la realtà è spesso più complessa (e meno veloce) della teoria.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del paper in italiano, strutturato secondo le sezioni richieste.

Titolo

Perché i modelli centrati sul canale non sono sufficienti per prevedere le prestazioni end-to-end nelle reti Private 5G: Una campagna di misurazione e uno studio di caso.

1. Il Problema

Nell'automazione industriale, i robot mobili collaborativi dipendono da connettività wireless affidabile per compiti come la teleoperazione e il cloud/edge offloading. La pianificazione del movimento "consapevole delle comunicazioni" (communication-aware motion planning) utilizza modelli predittivi per ottimizzare le traiettorie dei robot basandosi sulla qualità del canale.
Attualmente, la maggior parte di questi approcci si basa su metriche a livello di canale (come RSRP, SINR o attenuazione del percorso), assumendo implicitamente che condizioni di canale favorevoli si traducano direttamente in un'alta throughput (velocità di trasferimento dati) end-to-end.
Il paper sfida questa assunzione, evidenziando che nelle reti 5G reali, il throughput dipende non solo dalla propagazione fisica, ma anche da meccanismi di livello di collegamento (link-layer) complessi come l'adattamento del collegamento, il multiplexing spaziale MIMO, la precodifica e il comportamento dello schedulatore. Non è chiaro se le metriche di canale siano sufficienti per prevedere accuratamente il throughput reale.

2. Metodologia

Lo studio è stato condotto in un ambiente industriale reale e controllato: la KTH Reactor Hall (un'ex sala di reattore nucleare sotterranea e schermata dalle radiofrequenze), dotata di una rete Ericsson Private 5G (EP5G).

La ricerca ha seguito un approccio comparativo basato su tre pilastri:

• Campagna di Misurazione Robotizzata:

  • È stato utilizzato un robot mobile (TurtleBot3 modificato) per raccogliere dati in circa 900 posizioni uniche all'interno della sala.
  • Sono stati raccolti circa 7.000 campioni validi di throughput in downlink, latenza, e metriche di livello fisico/link (MCS, RSRP, SINR, Rank Indicator - RI).
  • L'ambiente è stato pulito da ostacoli mobili e utilizzato in orari non lavorativi per minimizzare le interferenze esterne, rappresentando uno "scenario migliore" per la predizione.

• Simulazione Fisica (Ray-Tracing):

  • È stato utilizzato un simulatore commerciale (Altair Feko) basato sul metodo Shooting and Bouncing Rays (SBR).
  • Il modello includeva una geometria 3D dettagliata della sala, un modello di canale conforme agli standard 3GPP per fabbriche e configurazioni specifiche dell'interfaccia aerea (MIMO 4x4, banda n78, 80 MHz).
  • L'obiettivo era generare previsioni deterministiche di throughput basate sulla fisica della propagazione.

• Modellazione Data-Driven (Gaussian Process Regression - GPR):

  • Sono stati addestrati modelli di regressione basati su Processi Gaussiani (GP) direttamente sui dati di misurazione raccolti dal robot.
  • Sono stati testati tre diversi kernel stazionari: RBF (Radial Basis Function), Matérn (una volta differenziabile) e RQ (Rational Quadratic).
  • I modelli hanno appreso la mappatura spaziale del throughput end-to-end senza modellare esplicitamente la fisica della propagazione.

• Framework di Analisi Comparativa:

  • Le previsioni di entrambi i modelli sono state confrontate con i dati reali utilizzando metriche statistiche rigorose: errore mediano, MAE (Mean Absolute Error), RMSE, deviazione standard e percentili di errore (P90, P95).

3. Contributi Chiave

1. Dataset Pubblico: Creazione e pubblicazione di un dataset denso spazialmente contenente misurazioni di throughput, latenza e metriche di livello link in un ambiente industriale 5G privato.
2. Validazione di Simulatore Ray-Tracing: Configurazione e valutazione di uno strumento di pianificazione di rete basato su ray-tracing in uno scenario industriale complesso, confrontandolo con dati reali.
3. Modellazione Data-Driven: Sviluppo di modelli GPR per la previsione diretta del throughput, dimostrando l'efficacia dell'apprendimento dai dati rispetto alla modellazione fisica pura.
4. Identificazione della Fonte di Errore: Dimostrazione che l'errore principale nelle simulazioni fisiche non risiede nella stima del SINR o del MCS, ma nella sovrastima sistematica dei livelli spaziali MIMO sostenibili (Rank Indicator).
5. Framework di Analisi: Introduzione di un metodo sistematico per quantificare bias, accuratezza e variabilità delle previsioni di throughput.

4. Risultati

• Performance del Simulatore Fisico (Ray-Tracing):

  • Il simulatore ha catturato correttamente la struttura spaziale della propagazione (es. zone LOS ad alte prestazioni vs zone ombreggiate).
  • Ha previsto accuratamente l'indice MCS (Modulation and Coding Scheme).
  • Tuttavia, ha sovrastimato sistematicamente il throughput in il 92,4% dei punti di misura. L'errore mediano è stato di circa 145 Mbit/s.
  • Causa Radice: Il simulatore assume una trasmissione uniforme a 4 livelli spaziali (layer) in quasi tutta la sala. Le misurazioni reali mostrano invece un adattamento dinamico: 3 layer solo in condizioni LOS ottimali, 2 layer in condizioni moderate e 1 layer in aree attenuate. Questa discrepanza nel Rank Indicator (RI) gonfia artificialmente la previsione di throughput.

• Performance dei Modelli GPR (Data-Driven):

  • I modelli GPR hanno ottenuto una riduzione dell'errore di circa due terzi rispetto al simulatore fisico.
  • Hanno eliminato il bias sistematico (errore mediano vicino a zero).
  • L'errore assoluto medio (MAE) è sceso da ~145 Mbit/s (simulatore) a ~36 Mbit/s (GPR).
  • Tra i kernel testati, il Rational Quadratic (RQ) ha mostrato la migliore capacità di tracciare la variabilità empirica delle misurazioni, fornendo stime di incertezza più calibrate rispetto a RBF e Matérn.

5. Significato e Implicazioni

• Rottura del Paradigma "Channel-Centric": Lo studio dimostra che condizioni di canale favorevoli (alto SINR) non garantiscono un alto throughput nelle reti 5G reali a causa dei limiti nel multiplexing spaziale MIMO e dell'adattamento del collegamento.
• Rischio per la Pianificazione Robotica: I pianificatori di movimento che si affidano esclusivamente a metriche di canale (SINR/RSRP) rischiano di generare traiettorie troppo ottimistiche, portando a violazioni dei requisiti di affidabilità e latenza durante l'operazione reale.
• Limiti della Simulazione Fisica: Anche in condizioni di laboratorio ideali (geometria nota, ambiente controllato), i simulatori fisici faticano a prevedere il throughput end-to-end perché non possono modellare accuratamente la logica proprietaria di adattamento del rank, l'interferenza tra stream e le limitazioni dell'hardware specifico del vendor.
• Vantaggio dell'Approccio Data-Driven: L'apprendimento diretto dal comportamento del sistema (GPR) supera le limitazioni dei modelli fisici per la previsione del throughput, sebbene introduca sfide operative come la necessità di grandi quantità di dati e la difficoltà di adattamento a cambiamenti ambientali rapidi.
• Direzione Futura: Per una pianificazione robusta, è necessario passare dalla previsione di metriche di canale intermedie alla previsione diretta delle prestazioni end-to-end, possibilmente attraverso approcci ibridi che combinano priors fisici con raffinamenti basati sui dati.