UPSim: UxNB Propagation Simulator for 3D Map-Driven FR3 Deployments

Il documento introduce UPSim, un simulatore di propagazione scalabile e semi-deterministico che sfrutta la geometria degli edifici in 3D e la proiezione delle ombre per generare mappe di canale aria-terra coerenti nello spazio per le reti UAV nella banda FR3, offrendo un'alternativa computazionalmente efficiente alla tracciatura completa dei raggi pur mantenendo un'alta accuratezza per la pianificazione consapevole della mobilità.

L'essenziale

Immagina di voler far volare un drone equipaggiato con una stazione radio base cellulare (chiamata "UxNB") sopra una città affollata come Barcellona per fornire internet alle persone a terra. La grande sfida è che gli edifici bloccano il segnale. A volte il drone ha una visuale libera su una persona (Line-of-Sight), e a volte un grattacielo si frappone (Non-Line-of-Sight).

In passato, capire esattamente dove il segnale sarebbe stato forte o debole richiedeva molto calcolo per simulare milioni di invisibili "raggi laser" (raggi) che rimbalzano su ogni singolo edificio. Questo si chiama Ray Tracing. È incredibilmente preciso, ma è così lento e costoso che non può essere utilizzato per pianificare l'intera rete di una città o tracciare utenti in movimento a terra sotto la copertura di un drone dispiegato su un lungo tratto di città.

D'altra parte, i metodi vecchi scuola si limitavano a indovinare la forza del segnale usando matematica casuale. Erano veloci, ma non tenevano conto della forma effettiva degli edifici, quindi non potevano dirti esattamente dove il segnale sarebbe caduto mentre ti muovevi lungo la strada.

Ecco UPSim.

Gli autori di questo articolo hanno creato un nuovo strumento chiamato UPSim (UxNB Propagation Simulator). Pensa a UPSim come a un intelligente "proiettore di ombre" che trova il perfetto punto di equilibrio tra la lenta simulazione laser e le ipotesi casuali.

Ecco come funziona, usando semplici analogie:

1. Lo Spettacolo di Ombre Cinesi (Invece dei Raggi Laser)

Invece di sparare milioni di raggi laser dal drone a ogni singola persona a terra, UPSim guarda la mappa 3D della città e chiede: "Se il sole fosse il drone, dove gli edifici proietterebbero le loro ombre?"

• L'Analogia: Immagina di tenere una torcia (il drone) in alto sopra una città. Gli edifici proiettano lunghe e scure ombre a terra. Se sei in piedi nella luce, hai una connessione chiara. Se sei in piedi in un'ombra, l'edificio ti sta bloccando.
• La Magia: UPSim calcola queste "ombre" matematicamente usando una mappa 3D degli edifici. Questo è istantaneo e non richiede calcoli pesanti. Crea immediatamente una mappa che mostra esattamente quali strade sono "nella luce" (buon segnale) e quali sono "nel buio" (segnale bloccato).

2. Aggiungere il "Meteo" (Calibrare il Segnale)

Sapere dove sono le ombre è ottimo, ma non ti dice quanto debole è il segnale all'interno dell'ombra o quanto fluttua. Per risolvere questo, gli autori hanno "insegnato" a UPSim usando dati da quelle lente e costose simulazioni laser.

• L'Analogia: Immagina di sapere esattamente dove sono le nuvole temporalesche (ombre). Ma devi anche sapere se è una leggera pioggerella o un temporale violento all'interno di quelle nuvole.
• La Magia: UPSim prende la "mappa delle ombre" e ci aggiunge realistiche "condizioni meteorologiche". Usa i dati dalle costose simulazioni laser per imparare quanto segnale viene perso volando a diverse altezze (bassa vs alta) e come il segnale "sfuma" o "sfarfalla" mentre ti muovi. Crea un quadro completo della qualità del segnale senza dover eseguire la lenta simulazione laser ogni volta.

3. Perché Questo È Importante: Il Test del "Percorso"

L'articolo dimostra che UPSim è incredibilmente utile per pianificare i percorsi degli utenti a terra.

• Lo Scenario: Immagina che un drone sia in hovering sopra una città, inviando internet alle persone a terra. Un utente cammina dal Punto A al Punto B lungo una strada. La domanda è: mentre l'utente si muove, dove perderà la connessione — per 50 metri? per 200 metri? Il drone stesso rimane fermo; ciò che cambia è la posizione dell'utente a terra rispetto agli edifici.
• Il Risultato: Poiché UPSim è veloce, può simulare un utente a terra che si muove lungo un percorso specifico a livello stradale sotto la copertura del drone statico e dire esattamente quanto durano le zone di "interruzione" (perdita di segnale) lungo quel percorso.
• La Scoperta: Hanno scoperto che far volare il drone più in alto (ad esempio, a 150 metri) rende le "ombre" più corte, il che significa che rimani "nella luce" più a lungo. Tuttavia, anche ad alte quote, se voli troppo vicino ad edifici alti, incontri ancora "zone morte".

Riepilogo di Cosa Affermano

• È Veloce: Usa la geometria (ombre) invece di pesanti simulazioni fisiche, rendendolo scalabile per le grandi città.
• È Preciso: È stato testato contro dati reali di simulazione laser e corrisponde molto da vicino.
• È Realistico: Usa vere mappe 3D di Barcellona (da un dataset globale chiamato 3D-GloBFP) invece di forme cittadine false e inventate.
• È Aperto: Gli autori hanno reso il codice gratuito per chiunque possa usarlo in modo che altri possano costruirvi sopra.

In breve, UPSim è uno strumento che permette agli ingegneri di prevedere rapidamente e accuratamente dove il segnale internet di un drone funzionerà e dove fallirà in una città reale, aiutandoli a pianificare percorsi migliori per gli utenti a terra senza bisogno di risorse di calcolo pesanti.

Sommario tecnico

Sintesi Tecnica: UPSim – Simulatore di Propagazione UxNB per Deployments FR3 Guidati da Mappe 3D

Enunciato del Problema
Il dispiegamento di Veicoli Aerei Non Equipaggiati (UAV) dotati di stazioni base a bordo (UxNB) nello spettro a banda media della Gamma di Frequenza 3 (FR3) affronta sfide di propagazione uniche. Negli ambienti urbani densi, il bilancio di collegamento è fortemente dettato dalle rapide transizioni tra condizioni di Vista Diretta (LOS) e Senza Vista Diretta (NLOS). Sebbene i modelli stocastici standard (ad esempio ITU o 3GPP) si basino su astrazioni del layout urbano, spesso non riescono a catturare la coerenza spaziale necessaria per la pianificazione consapevole della mobilità. Al contrario, il Tracciamento dei Raggi (RT) ad alta fedeltà offre accuratezza geometrica e continuità, ma comporta un onere computazionale proibitivo quando applicato alla mappatura radio su larga scala o all'analisi di traiettorie massive. È necessaria una soluzione scalabile che colmi il divario tra il RT completo, computazionalmente costoso, e la generazione di canali puramente stocastica, sfruttando specificamente la crescente disponibilità di dati globali sugli edifici in 3D.

Metodologia
Il documento introduce UPSim (Simulatore di Propagazione UxNB), una soluzione semi-deterministica e guidata da mappe 3D progettata per la modellazione di propagazione Aria-Terra (A2G) spazialmente coerente. La metodologia opera attraverso le seguenti fasi:

1. Fondamento Geometrico: UPSim utilizza il dataset 3D-GloBFP, che fornisce altezze e impronte degli edifici coerenti derivati da OpenStreetMap (OSM). A differenza dei dati OSM standard, dove i tag di altezza sono opzionali e incoerenti, 3D-GloBFP offre una descrizione 3D affidabile necessaria per la modellazione dell'ostacolo.
2. Proiezione dell'Ombra Basata sulla Geometria (GBSP): Invece di lanciare raggi per ogni posizione del ricevitore, UPSim deriva regioni di visibilità deterministiche proiettando le ombre degli edifici dal punto di vista dell'UxNB sul piano del suolo. Questo crea una mappa d'ombra totale ($S_{total}$) dove il complemento rappresenta la regione LOS. Questo approccio bypassa il RT punto-a-punto per la determinazione della visibilità, riducendo significativamente la complessità.
3. Sintesi del Canale: Una volta determinato geometricamente lo stato LOS/NLOS, UPSim sintetizza l'attenuazione del canale ($\Lambda$) combinando:
   • Perdita di Percorso Deterministica: Un Esponente di Perdita di Percorso (PLE) dipendente dall'altezza per le condizioni NLOS, mentre il PLE LOS è fisso.
   • Sfading su Grande Scala (LSF): Ombreggiamento spazialmente correlato generato da rumore gaussiano filtrato, con deviazione standard e distanze di decorrelazione dipendenti dall'altezza dell'UxNB e dallo stato LOS.
   • Sfading su Piccola Scala (SSF): Modellato come una distribuzione log-logistica con un parametro di forma dipendente dallo stato LOS/NLOS ma indipendente dall'altezza.
4. Calibrazione: I parametri del modello (PLE, statistiche LSF, distanze di decorrelazione) sono calibrati contro un dataset di riferimento FR3 generato da Tracciamento dei Raggi su una scena urbana di Barcellona di 1 km $\times$ 1 km utilizzando la geometria 3D-GloBFP.

Contributi Chiave
Il documento delinea quattro contributi principali:

• Simulatore Scalabile: Lo sviluppo di UPSim, che combina la proiezione d'ombra deterministica con la generazione di canali FR3 calibrata tramite RT, offrendo una via di mezzo pratica per l'analisi su larga scala.
• Modello di Canale Compatto: Un modello unificato per la perdita di percorso e lo sfading su grande scala spazialmente correlato come funzioni dell'altezza dell'UxNB, integrato con uno sfading su piccola scala dipendente dallo stato.
• Validazione: Validazione rigorosa rispetto ai benchmark di tracciamento dei raggi FR3 utilizzando geometria reale dal sottoinsieme di Barcellona di 3D-GloBFP, dimostrando una riproduzione accurata delle distribuzioni empiriche del canale.
• Analisi a Livello di Percorso: Un'analisi delle lunghezze dei segmenti LOS/NLOS e delle statistiche della distanza di interruzione, che dimostra l'utilità del simulatore per valutare metriche di prestazione a livello di percorso come gli intervalli di interruzione.

Risultati
I risultati di validazione indicano che UPSim riproduce accuratamente le Funzioni di Distribuzione Cumulativa (CDF) empiriche dell'attenuazione del canale osservate nei dati di riferimento del Tracciamento dei Raggi, superando la linea di base standard 3GPP TR 38.901 UMi in termini di coerenza geometrica.

• Coerenza Spaziale: Il simulatore cattura con successo l'evoluzione continua delle realizzazioni del canale lungo le traiettorie.
• Impatto dell'Altezza: L'analisi a livello di percorso rivela che l'aumento dell'altezza di dispiegamento dell'UxNB (ad esempio, da 30 m a 150 m) aumenta significativamente la probabilità LOS e riduce le lunghezze dei segmenti NLOS. Tuttavia, le distanze LOS rimangono relativamente stabili tra le diverse altezze, mentre le zone NLOS si restringono.
• Statistiche di Interruzione: L'analisi delle interruzioni (definita dalle soglie di potenza ricevuta) mostra che le zone di interruzione sono concentrate intorno agli edifici. Anche ad altezze elevate (150 m) e potenze di trasmissione moderate, persistono probabilità di interruzione significative (ad esempio, ~32% per 23 dBm EIRP), evidenziando l'impatto critico dell'ostacolo degli edifici nelle bande FR3.
• Caratteristiche Statistiche: Le CDF delle distanze NLOS esibiscono un comportamento a "gradino" intorno ai 50 metri, un fenomeno coerente con le strutture a griglia simili a Manhattan presenti nel layout di Barcellona.

Significato e Affermazioni
Il documento afferma che UPSim offre un'alternativa altamente scalabile e pratica al tracciamento dei raggi completo per la pianificazione consapevole della mobilità e la costruzione di mappe radio in scenari di accesso aereo. Disaccoppiando la determinazione della visibilità computazionalmente intensiva (tramite proiezione d'ombra) dalla sintesi del canale (tramite modelli statistici calibrati), UPSim raggiunge l'accuratezza del tracciamento dei raggi a una frazione della complessità.

Gli autori sottolineano che lo strumento abilita un'analisi basata sul percorso dell'evoluzione del canale su layout urbani complessi, esponendo statistiche critiche a livello di traiettoria come le distanze di interruzione che sono difficili da derivare da modelli puramente stocastici. Il lavoro si posiziona come un passo verso un'analisi di propagazione realistica e guidata da mappe che sfrutta dati 3D globali, superando i limiti dei modelli urbani astratti. Il framework è fornito come strumento open-source per facilitare ulteriori ricerche e la riproducibilità nella comunità.