⚡ electrical engineering

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

이 논문은 860MHz ISM 대역 LoRa 의 특성을 분석하기 위해 SDR 기반 테스트베드를 활용해 캠퍼스 환경에서 IQ 샘플 데이터셋을 구축하고, 이를 바탕으로 UAV 및 보행자 시나리오에 대한 실증적 전파 채널 모델을 제시합니다.

원저자: Joachim Tapparel, Andreas Burg

게시일 2026-04-10

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Joachim Tapparel, Andreas Burg

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 LoRa(로라)라는 기술을 연구한 내용입니다. LoRa 는 사물인터넷 (IoT) 기기들이 전력을 거의 쓰지 않고도 멀리서 데이터를 주고받을 수 있게 해주는 '초저전력 통신' 기술입니다.

이 연구의 핵심은 **"LoRa 가 공중 **(비행기나 드론)를 밝히는 것입니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

🎈 1. 연구의 배경: 왜 이 연구가 필요할까요?

LoRa 는 마치 가볍고 조용한 비둘기와 같습니다. 전기를 거의 안 쓰면서도 먼 거리까지 메시지를 전달할 수 있죠. 하지만 비둘기가 날아가는 경로에 나무나 건물이 많으면 (장애물), 혹은 비둘기가 날아다니는 높이가 다르면 (지상 vs 공중), 메시지가 잘 전달될지 예측하기 어렵습니다.

기존에는 지상에서 걷는 사람 (보행자) 의 통신 환경만 연구했는데, 요즘은 드론 (UAV) 이 많이 쓰이면서 하늘에서 날아다니는 드론의 통신 환경도 정확히 알아야 할 필요가 생겼습니다.

📡 2. 실험 방법: "데이터 수집 사냥"

연구진들은 스위스 EPFL 캠퍼스라는 거대한 캠퍼스 안에서 실험을 했습니다.

**수신기 **(4 대) 캠퍼스 지붕에 4 개의 안테나를 설치해 두었습니다. 마치 네 명의 감시병이 서로 다른 위치에서 신호를 기다리는 것과 같습니다.
**송신기 **(이동 중) LoRa 신호를 보내는 장치를 두 가지 방식으로 움직였습니다.
1. 보행자: 사람이 들고 다니며 걷습니다. (지상 NLoS)
2. 드론: 드론에 태워 하늘로 날립니다. (드론 LoS 및 NLoS)

이때 중요한 점은, 일반적인 통신 장비가 단순히 "신호 세기 (RSSI)"만 알려주는 것과 달리, 이 연구에서는 SDR(소프트웨어 정의 라디오)을 사용했다는 것입니다. 이는 마치 소리의 파형 전체를 녹음하는 것과 같습니다. 단순히 "시끄럽다/조용하다"가 아니라, 소리의 미세한 떨림과 위상까지 모두 기록한 '고해상도 데이터'를 모은 것입니다.

📊 3. 주요 발견: "공중과 지상의 차이"

연구진은 모은 데이터를 분석하여 세 가지 시나리오 (드론 직시, 드론 장애물, 보행자 장애물) 에 대한 통신 모델을 만들었습니다.

🌧️ 비유: "우산과 비"

통신 신호가 약해지는 현상을 비가 오는 날 우산을 쓰고 걷는 상황으로 생각해보세요.

**보행자 **(지상) 사람이 걷는 길은 건물, 사람, 나무 등 장애물이 많습니다. 비 (신호) 가 이리저리 튕겨서 (반사) 와요. 그래서 신호의 세기가 갑자기 크게 변합니다. (작은 규모의 페이딩이 큼)
**드론 **(공중) 드론은 하늘을 날기 때문에 장애물이 상대적으로 적습니다. 특히 직시 (LoS) 상황에서는 비가 거의 직진해서 옵니다. 신호가 변하는 폭은 작지만, 한 번 변하면 그 영향이 멀리까지 이어집니다. (큰 규모의 페이딩이 길게 지속됨)

핵심 결론:

보행자는 신호가 자꾸 깜빡거려서 (불규칙하게 변해서) 예측하기 어렵지만, 그 변화가 짧은 거리에서 일어납니다.
드론은 신호가 비교적 안정적이지만, 한 번 신호가 약해지면 그 상태가 훨씬 더 먼 거리까지 유지됩니다. 즉, 드론은 신호 변화가 "느리게" 그리고 "길게" 이어진다는 특징이 있습니다.

🧩 4. 모델링: "예측 지도 만들기"

연구진은 이 데이터를 바탕으로 **수학적 지도 **(모델)를 그렸습니다.

거리와 신호 세기: 거리가 멀어질수록 신호가 약해지는 기본 법칙을 찾았습니다. (로그 거리 경로 손실 모델)
**상관관계 **(Correlation) "어떤 위치에서 신호가 약하면, 그 바로 옆 위치도 약할까?"를 계산했습니다.
- 보행자: 옆으로 조금만 가면 신호 상태가 완전히 바뀔 수 있습니다.
- 드론: 한참을 날아도 신호 상태가 비슷하게 유지됩니다.

이 모델을 사용하면, 나중에 드론이 어디를 날아갈지, 혹은 어떤 건물이 있을 때 통신이 잘 될지 컴퓨터 시뮬레이션으로 미리 예측할 수 있게 됩니다.

🚀 5. 이 연구의 의의: "열린 보물상자"

이 논문은 단순히 이론만 말하는 것이 아니라, **실제 실험에서 얻은 원본 데이터 **(IQ 샘플)를 공개했습니다.

기존: "신호 세기는 이렇습니다" (단순한 숫자)
이 연구: "신호의 모든 파형과 위상 정보가 여기에 있습니다. 여러분이 원하는 대로 분석하고 새로운 수신 알고리즘을 만들어보세요!"

이는 마치 요리사에게 단순히 "소금 간을 해라"라고 말하는 대신, 모든 재료를 다듬고 양념한 상태의 요리를 공개하는 것과 같습니다. 이를 통해 다른 연구자들은 드론 통신의 간섭을 없애거나, 여러 안테나를 함께 쓰는 기술 (분산 안테나 시스템) 등을 더 정교하게 개발할 수 있게 됩니다.

💡 요약

이 논문은 **"드론이 하늘을 날 때 LoRa 통신이 어떻게 변하는지, 그리고 지상 보행자와는 어떤 차이가 있는지"**를 정밀하게 측정하고, 그 데이터를 바탕으로 미래 통신 기술을 설계할 수 있는 지도를 만들었습니다. 특히, 드론 통신이 지상 통신과 완전히 다른 규칙을 따르므로, 드론용 통신 시스템을 설계할 때는 이 연구 결과를 반드시 참고해야 함을 강조합니다.

1. 문제 제기 (Problem Statement)

LoRa 기술의 중요성: LoRa 는 저전력 광역 네트워크 (LPWAN) 및 사물인터넷 (IoT) 에서 가장 널리 사용되는 기술 중 하나입니다. chirp spread spectrum (CSS) 변조와 sub-GHz 대역 (ISM 밴드) 을 사용하여 저비용, 저전력으로 장거리 통신을 가능하게 합니다.
기존 모델의 한계: LoRa 는 높은 감도 (-141 dBm) 를 가지지만, 전송 시간이 길고 저전력 요구 사항으로 인해 채널 변화에 매우 민감합니다. 기존 셀룰러 기술용 채널 모델은 광범위하게 연구되었으나, LoRa 의 특성 (장거리, 좁은 대역폭 ~250 kHz) 에 맞춘 전용 채널 모델은 부족합니다.
UAV 및 보행자 환경의 차이: 무인 항공기 (UAV) 의 원격 측정 (Telemetry) 에 LoRa 를 적용하려는 시도가 늘고 있으나, UAV 의 고도에서 경험하는 채널은 보행자 높이에서의 채널과 명확히 다릅니다. 또한, 기존 상용 장치는 프레임당 RSSI(수신 신호 세기) 값만 제공하여 시간 해상도가 낮고 위상 정보가 부족합니다.
필요성: IoT 네트워크의 밀집화로 인해 간섭, 커버리지, 용량을 평가하기 위해 맞춤형 채널 모델과 고해상도 데이터셋이 절실히 필요합니다.

2. 연구 방법론 (Methodology)

실험 환경 (Testbed): 스위스 EPFL 캠퍼스 내에서 SDR(Software-Defined Radio) 기반 테스트베드를 구축하여 측정을 수행했습니다.
- 수신기 (Gateway): 캠퍼스 지붕에 분산 배치된 4 개의 수신기 (Raspberry Pi 5 + NI USRP-2920 SDR + GPS).
- 송신기 (Transmitter): 두 가지 시나리오로 이동하며 데이터를 전송했습니다.
  1. UAV 시나리오: UAV 에 탑재된 경량 LoRa 송신기 (SX1262 기반).
  2. 보행자 시나리오: 보행자가 들고 이동하는 송신기 (SX1276 기반).
데이터 수집:
- 총 17,000 개 이상의 LoRa 프레임을 수집했습니다.
- 수신된 프레임의 **원시 IQ 샘플 (Raw IQ Samples)**을 SigMF 포맷으로 저장하여 위상 정보와 높은 시간 해상도를 확보했습니다.
- GPS 를 통해 송신기 위치, 속도, 수신 시간을 동기화하여 정밀한 채널 상태 정보 (CSI) 를 추출했습니다.
시나리오: 세 가지 주요 환경에서 측정을 수행했습니다.
1. UAV 시선 경로 (LoS)
2. UAV 비시선 경로 (NLoS)
3. 보행자 비시선 경로 (NLoS)

3. 주요 기여 (Key Contributions)

오픈 소스 데이터셋 공개: 야외 LoRa 전송에서 얻은 원시 IQ 샘플을 포함한 최초의 공개 데이터셋을 제공합니다. 이 데이터셋은 수신기 알고리즘 (간섭 제거, 다중 사용자 감지 등) 평가에 직접 활용 가능합니다.
공간 상관관계를 고려한 채널 모델 개발:
- 단순한 로그 거리 경로 손실 (Log-distance Pathloss) 모델을 넘어, 분산된 수신기 간의 대규모 페이딩 (Large-scale fading) 의 공간 상관관계를 정량화했습니다.
- UAV 및 보행자 시나리오 모두에 적용 가능한 경험적 채널 모델을 제안했습니다.

4. 연구 결과 (Results)

로그 거리 경로 손실 모델 적합:
- 세 가지 시나리오 모두에서 수신 SNR 의 거동은 로그 거리 모델과 잘 일치했습니다.
- 경로 손실 지수 ( $\gamma$ ): UAV NLoS(3.62) 와 보행자 NLoS(3.25) 는 도시 환경의 Hata-Okumura 모델 예측치 (약 3.64) 와 유사했습니다.
- 페이딩 표준편차 ( $\sigma_z$ ): 보행자 NLoS(8.90 dB) 가 UAV NLoS(5.71 dB) 보다 유의하게 높았습니다. 이는 보행자 높이에서 산란체 (scatterers) 가 더 많아 채널 변동이 심함을 의미합니다.
페이딩의 분리 및 모델링:
- 페이딩을 **소규모 페이딩 (Small-scale, $X_r$ )**과 **대규모 페이딩 (Large-scale, $Y_r$ )**으로 분리하여 모델링했습니다.
- 소규모 페이딩: NLoS 조건일수록 표준편차가 커졌습니다.
- 대규모 페이딩: 시나리오에 관계없이 표준편차 ( $\sigma_y$ ) 는 유사하게 유지되었습니다.
공간 상관관계 모델 (자기회귀 모델):
- 대규모 페이딩의 공간 상관관계를 1 차 자기회귀 (AR) 모델로 설명했습니다.
- 상관 계수 ( $\phi$ ): UAV 시나리오 (0.974, 0.898) 가 보행자 시나리오 (0.750) 보다 높았습니다. 이는 UAV 전송 시 페이딩 변화가 더 넓은 거리에서 발생하며 공간적 상관관계가 더 강함을 의미합니다.
- 잔차 (Residual) 분석을 통해 제안된 모델이 측정 데이터와 잘 부합함을 확인했습니다.

5. 의의 및 결론 (Significance)

고해상도 데이터의 가치: 기존 상용 장비의 RSSI 데이터보다 훨씬 정밀한 IQ 샘플 데이터를 제공함으로써, LoRa 수신기 알고리즘의 성능 평가 (예: 간섭 제거, 재밍 완화) 를 가능하게 했습니다.
UAV 통신의 이해도 제고: UAV 와 보행자 환경에서의 채널 특성 차이를 정량적으로 규명하여, UAV 기반 IoT 네트워크 설계에 중요한 기초 자료를 제공했습니다.
분산 안테나 시스템 연구 지원: 여러 수신점에서의 채널 통계 데이터를 제공함으로써, 분산 안테나 시스템 (DAS) 및 클라우드 무선 액세스 네트워크 (C-RAN) 와 같은 차세대 네트워크 개념의 평가에 기여합니다.
실용적 모델: 실제 측정 데이터를 기반으로 한 경험적 파라미터를 제공하여, LoRa 네트워크 시뮬레이션의 정확도를 높이는 데 기여합니다.

이 논문은 LoRa 기술의 성능을 최적화하고 UAV 등 새로운 적용 분야에서의 신뢰성을 높이기 위해 필수적인 데이터 기반 채널 모델링의 토대를 마련했다는 점에서 중요한 의의를 가집니다.