Indoor Statistical and Deterministic RCS Characterization for ISAC Channel Modeling

Resumo Técnico: Caracterização Estatística e Determinística de RCS em Ambiente Interno para Modelagem de Canal ISAC

Definição do Problema
A Integração de Sensoriamento e Comunicações (ISAC) requer uma modelagem de canal precisa que considere as propriedades de espalhamento do alvo, especificamente a Seção Transversal de Radar (RCS). Embora o Projeto de Parceria de Terceira Geração (3GPP) tenha adotado a modelagem estatística de RCS para padronização (ex: TR 38.901), a literatura existente foca primordialmente em Veículos Aéreos Não Tripulados (UAVs) e carece de uma caracterização estatística sistemática para outros alvos comuns de fábrica interna (InF), como braços robóticos (RA) e robôs móveis autônomos (AMR). Além disso, os modelos estatísticos padrão geralmente assumem variáveis aleatórias invariantes à distância, o que falha em capturar a dependência sistemática do RCS em relação ao alcance e ao ângulo bistático em campos próximos (NF) e geometrias controladas. Este estudo aborda a necessidade de distribuições estatísticas fundamentadas em medições para diversos alvos de InF e um framework determinístico para a caracterização de RCS bistático em NF.

Metodologia
A pesquisa foi conduzida em duas fases distintas: caracterização estatística e modelagem determinística.

1. Caracterização Estatística de RCS:

   • Ambiente e Alvos: As medições foram realizadas em um ambiente de fábrica interna (InF) na NYU Abu Dhabi, cobrindo a banda de 25–28 GHz. Os alvos de teste incluíram dois UAVs (DJI Mavic 2 Pro e Matrice 300 RTK), um Braço Robótico (KUKA LBR iiwa 14 R820) e um Robô Quadrúpede (Boston Dynamics Spot).
   • Configuração: Uma configuração quase monostática ($\theta_b \approx 10^\circ$) e três configurações bistáticas ($\theta_b \in \{20^\circ, 40^\circ, 60^\circ\}$) foram utilizadas. Os alvos foram submetidos a protocolos de movimento/pose prescritos para gerar diversidade de aspecto, mantendo a linha de visada (LoS) dentro dos feixes principais de antenas altamente diretivas (10° HPBW).
   • Análise: O estudo ajustou quatro distribuições paramétricas — Normal, Lognormal, Gamma e Weibull — aos dados de RCS medidos. A adequação do ajuste (GoF) foi avaliada utilizando o estatístico de Kolmogorov-Smirnov (KS) e o Erro Quadrático Médio (MSE) entre as Funções de Distribuição Acumulada (CDFs) empíricas e ajustadas.

2. Framework Determinístico de RCS:

   • Alvo: Uma folha retangular de madeira laminada (1,84 m $\times$ 1,2 m) foi utilizada como um refletor planar canônico em um corredor de hotspot interno (InH).
   • Configuração: O alvo percorreu nove posições (2 m a 10 m) para variar sistematicamente o ângulo bistático ($\theta_b$) e a distância ($d$).
   • Modelagem: Os autores derivaram um modelo de RCS bistático de NF determinístico, acoplando a Perda de Percurso (PL) de dois caminhos medida com modelos modificados de Floating Intercept (FI) e Close-In (CI). Três modelos candidatos de RCS ($\sigma_1, \sigma_2, \sigma_3$), incorporando dependências de $d$, $\lambda$ e $\theta_b$, foram propostos e avaliados usando o Erro de Ajuste Médio (MFE).

Principais Contribuições

1. Distribuições Estatísticas para Diversos Alvos: O estudo fornece a primeira caracterização estatística sistemática de RCS para alvos de RA e AMR em ambientes de fábrica interna, juntamente com UAVs. Identifica-se que as distribuições Lognormal e Gamma melhor se ajustam aos dados de RCS empíricos em várias frequências e ângulos bistáticos.
2. Extração de Parâmetros para Padronização: Os parâmetros de distribuição extraídos (ex: $\mu, \sigma$ para Lognormal) são reportados para classes genéricas de alvos, oferecendo entradas fundamentadas em medições para simuladores de estilo 3GPP TR 38.901 para ISAC.
3. Modelo de RCS de NF Determinístico: Um novo framework é apresentado para avaliar o RCS bistático efetivo de uma folha retangular em campo próximo. O modelo captura explicitamente as dependências do ângulo bistático e da separação entre transmissor e alvo, sendo validado contra medições de PL.
4. Análise Unificada: O artigo agrega contagens de "vitórias" (win counts) entre todos os alvos e configurações para determinar quais famílias de distribuição são mais robustas para morfologias de alvos específicas (ex: Lognormal/Weibull para alvos ágeis com centros de espalhamento intermitentes vs. Gamma para plataformas complexas com diversos espalhadores).

Resultados

• Achados Estatísticos:
  • Melhores Distribuições de Ajuste: Para UAVs, a distribuição Gamma forneceu o melhor ajuste em 12 de 32 casos, seguida por Weibull (11) e Lognormal (9). Para o Braço Robótico, Gamma e Weibull foram dominantes. Para o Robô Quadrúpede, a distribuição Lognormal foi a melhor em 7 de 16 casos.
  • Tendências: O RCS geralmente diminuiu conforme o ângulo bistático ($\theta_b$) aumentava. O RCS do Matrice 300 RTK foi consistentemente maior que o do Mavic 2 Pro devido às maiores dimensões físicas e retornos especulares fortes das baterias. O RA exibiu um RCS significativamente maior que os UAVs devido à sua composição metálica.
  • Dependência de Frequência: Observou-se um aumento marginal no RCS com o aumento da frequência para um $\theta_b$ fixo.
• Achados Determinísticos:
  • O modelo de RCS de terceira ordem ($\sigma_3$), que inclui termos até $\lambda^2 d^4$, apresentou consistentemente o menor Erro de Ajuste Médio (MFE), indicando que termos de ordem superior são necessários para uma caracterização precisa de NF.
  • O expoente angular $m$ mostrou clara dependência de frequência, variando de aproximadamente -8,26 a 25 GHz para -6,69 a 28 GHz para o modelo $\sigma_3$.
  • O estudo demonstrou que mudanças na geometria do alvo (ex: tamanho da folha) introduzem correções de dependência de distância ($d$) e comprimento de onda ($\lambda$) na Perda de Percurso, em vez de um simples deslocamento constante.

Significância e Alegações
O artigo afirma fornecer as primeiras distribuições estatísticas de RCS baseadas em medições para braços robóticos e robôs móveis em ambientes de fábrica interna, preenchendo uma lacuna na literatura atual de modelagem de canal ISAC. Ao validar as distribuições Lognormal e Gamma, o trabalho oferece parâmetros compactos e reproduzíveis diretamente utilizáveis em simuladores de nível de sistema e modelos de canal padronizados (como o 3GPP TR 38.901).

Em relação ao framework determinístico, os autores alegam ter estabelecido um modelo de RCS bistático de NF configurável e fisicamente interpretável. Eles enfatizam que este modelo é válido especificamente para retornos dominados por reflexão especular de facetas planas sob geometrias controladas e não pretende ser um modelo de espalhamento multiestático generalizado para ângulos fora do eixo especular. O estudo nota modestamente que os coeficientes determinísticos são específicos para o tamanho da folha testada e que a validade do framework para variações no tamanho do alvo requer investigação adicional. Em última análise, o trabalho serve como um passo fundamental para a integração de estatísticas de amplitude dependentes do alvo e assinaturas determinísticas de alcance/ângulo em futuros padrões de modelagem de canal ISAC.