VaN3Twin: the Multi-Technology V2X Digital Twin with Ray-Tracing in the Loop

Resumo Técnico: VaN3Twin – O Gêmeo Digital V2X Multitecnologia com Ray Tracing em Malha (In the Loop)

Problema
O cenário de Veículo-para-Tudo (V2X) é cada vez mais complexo devido à coexistência de tecnologias de comunicação heterogêneas, especificamente a Comunicação de Curto Alcance Dedicada (DSRC/IEEE 802.11p) e a C-V2X (C-V2X, incluindo LTE-V2X e NR-V2X). Essas tecnologias frequentemente operam dentro do mesmo espectro de 5,8–5,9 GHz, criando desafios significativos em relação à interferência de canal compartilhado, interoperabilidade e implantação coordenada. Embora os testes de campo sejam ideais, é logisticamente e economicamente proibitivo implantar grandes frotas de veículos equipados com múltiplas Tecnologias de Acesso de Rádio (RATs) simultaneamente, já que as Unidades de Bordo (OBUs) atuais normalmente suportam apenas uma RAT. Consequentemente, os pesquisadores dependem da simulação. No entanto, os simuladores veiculares de código aberto existentes (por exemplo, aqueles baseados em ns-3 como o ms-van3t) frequentemente dependem de modelos de canal estocásticos que simplificam excessivamente os fenômenos da camada física. Esses modelos frequentemente falham em considerar o sombreamento determinístico, efeitos de multicaminho e, crucialmente, o impacto dinâmico de veículos circundantes (Não-Linha de Visada devido a Veículos, ou NLoSv) na propagação de sinais. Além disso, eles frequentemente carecem de suporte nativo para análise de coexistência de pilha completa (full-stack) e multi-RAT com rastreamento preciso de interferência, levando a distribuições de Relação Sinal à Interferência mais Ruído (SINR) irreais e discrepâncias na camada de aplicação.

Metodologia
Os autores apresentam o VaN3Twin, um framework de Gêmeo Digital de Rede (NDT) de pilha completa que integra o Sionna Ray Tracer (RT) ao simulador V2X ms-van3t. A arquitetura é projetada para modularidade e escalabilidade:

• Integração: O framework utiliza uma interface de socket UDP para trocar dados entre o motor de simulação ms-van3t (executando em uma máquina padrão) e o motor Sionna RT (executando em um servidor dedicado equipado com GPU).
• Inicialização do Gêmeo Digital: Ambientes estáticos (prédios, estradas) e objetos dinâmicos (veículos) são modelados como malhas 3D (meshes) com propriedades de materiais específicas (ex: metal para carros, concreto para prédios). As malhas dos veículos são segmentadas para atribuir propriedades eletromagnéticas apropriadas a diferentes partes (carroceria, janelas, etc.).
• Sincronização Dinâmica: O sistema sincroniza os dados de mobilidade dos veículos (posição, velocidade, direção) do simulador para o ray tracer. As atualizações são acionadas com base em um limiar de distância relativo ao tempo de coerência do canal para equilibrar precisão e custo computacional.
• Computação de Parâmetros de Canal: Quando uma transmissão é iminente, o ray tracer computa caminhos de propagação (LoS, reflexão, difração, espalhamento) entre as antenas dos veículos. Ele retorna parâmetros chave (ganho de caminho, atraso, status de LoS) para a camada física do simulador, contornando os modelos estocásticos nativos.
• Módulo de Coexistência: Um módulo dedicado rastreia a interferência no nível de bloco de recurso de tempo-frequência entre diferentes RATs. Ele calcula o SINR agregando interferência intra-RAT e inter-RAT, utilizando os ganhos de caminho do ray tracing para determinar quais sinais interferentes são significativos.
• Cache: Para gerenciar a carga computacional, o sistema emprega um mecanismo de cache para caminhos de propagação entre pares de veículos, invalidando o cache apenas quando os estados dos veículos mudam significamente.

Principais Contribuições

1. Primeiro NDT Multi-RAT de Código Aberto: O VaN3Twin é o primeiro framework de pilha completa de código aberto capaz de simular a coexistência de múltiplas tecnologias V2X (IEEE 802.11p, LTE-V2X, NR-V2X) com ray tracing de alta fidelidade.
2. Arquitetura Modular e Escalável: O framework separa o componente de ray tracing em hardware dedicado, permitindo simulações em escala de cidade enquanto otimiza os recursos computacionais.
3. Modelagem de Interferência Unificada: Os autores desenvolveram um módulo de coexistência que modela com precisão a interferência entre tecnologias, eliminando artefatos como o comportamento "bimodal" do SINR causado pela alternância discreta entre LoS/NLoS em modelos tradicionais.
4. Validação Contra Dados do Mundo Real: O framework foi validado contra medições de campo tanto em cenários rurais (Sali Vercellese) quanto urbanos (Turim), comparando os resultados com as simulações padrão do ms-van3t.

Resultados

• Precisão de Propagação: Em cenários rurais, o VaN3Twin reduziu a Razão de Desacordo de Recepção de Pacotes (DR) com as medições de campo em 49,3% (de 12,82% para 6,5%) em comparação com o ms-van3t. Em cenários urbanos complexos, a melhoria foi ainda mais significativa, reduzindo o DR em 70,8% (de 27,9% para 8,16%).
• Distribuição de SINR: Ao contrário do ms-van3t, que produzia distribuições de SINR bimodais devido à alternância rígida de LoS/NLoS, o VaN3Twin gerou distribuições do tipo Gaussiana que refletem melhor as transições graduais e obstruções transitórias (NLoSv) observadas em ambientes do mundo real.
• Detecção de Interferência: Em cenários multi-RAT, o modelo baseado em ray tracing identificou sinais interferentes que o modelo estocástico não detectou. O desacordo na detecção de interferentes atingiu 34,69% em cenários com condições frequentes de NLoSv.
• Escalabilidade: Testes de escalabilidade com até 60 veículos ativos mostraram que o mecanismo de cache alcança uma taxa de acerto de cache (cache hit ratio) de 99,58%, resultando em uma aceleração de 237× em relação a uma linha de base sem cache, demonstrando que o ray tracing de alta fidelidade é computacionalmente viável para cenários de grande escala.

Significância e Alegações
O artigo afirma que o VaN3Twin aborda lacunas críticas nas capacidades atuais de simulação veicular, especificamente a incapacidade de modelar com precisão a coexistência de RATs heterogêneas e os efeitos físicos dinâmicos das malhas de veículos na propagação de sinais. Ao reduzir o desacordo da camada de aplicação com dados do mundo real em mais de 50% em ambientes rurais e 70% em ambientes urbanos, o VaN3Twin se posiciona como uma ferramenta superior para:

• Validações específicas de local e testes de coexistência em larga escala.
• Suporte à padronização, incluindo a avaliação pré-implantação de novos recursos do 3GPP Rel. 18 (ex: agendamento baseado em ML, NR-V2X aprimorado).
• Treinamento de modelos de IA usando conjuntos de dados de alta fidelidade gerados pelo gêmeo digital.
• Planejamento de rede onde a modelagem precisa de interferência é essencial para a utilização ágil do espectro.

Os autores enfatizam que, embora a Razão de Recepção de Pacotes (PRR) agregada possa parecer semelhante entre os modelos em alguns cenários de baixa taxa, as discrepâncias subjacentes na estimativa de SINR e nas decisões ao nível de pacote são substanciais. Essas diferenças são críticas para os Gêmeos Digitais de Rede, que requerem não apenas precisão estatística, mas uma reprodução fiel da dinâmica de comunicação do mundo real para apoiar a tomada de decisão confiável e a futura implantação de tecnologias.