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

Título: Modelagem de Canal de Propagação e Dataset para LoRa em UAV no Banda ISM de 860 MHz

Autores: Joachim Tapparel e Andreas Burg (EPFL, Suíça)

1. Problema e Motivação

As redes de área ampla de baixa potência (LPWAN), particularmente a tecnologia LoRa, tornaram-se dominantes para aplicações de Internet das Coisas (IoT) devido ao seu baixo custo, baixo consumo de energia e longo alcance. No entanto, a densificação rápida dessas redes exige modelos de canal precisos para avaliar o desempenho, cobertura e interferência.

Existem lacunas significativas na literatura atual:

• A maioria dos modelos de canal existentes foca em tecnologias celulares ou utiliza dados de RSSI (Received Signal Strength Indicator) de dispositivos comerciais, que oferecem baixa resolução temporal e carecem de informação de fase.
• Não há modelos específicos para cenários de Veículos Aéreos Não Tripulados (UAVs), que operam em altitudes diferentes e experimentam condições de propagação distintas (como Linhas de Visada - LoS) em comparação com dispositivos em nível do solo (pedestres).
• A necessidade de dados brutos (amostras IQ) para o desenvolvimento e avaliação de algoritmos avançados de receptor (como cancelamento de interferência e detecção multi-usuário) não foi atendida por datasets públicos anteriores.

2. Metodologia

Os autores desenvolveram um banco de testes baseado em Rádio Definido por Software (SDR) para coletar dados em um ambiente de campus (EPFL, Lausanne).

• Configuração do Hardware:
  • Receptores: Quatro gateways distribuídos em telhados do campus, cada um equipado com um Raspberry Pi 5, um SDR NI USRP-2920 e um receptor GPS (Quectel L80) para sincronização temporal precisa (mitigando drift de relógio).
  • Transmissores: Dois cenários de mobilidade:
    1. Pedestre: Um transmissor LoRa carregado a pé (NLoS - Sem Linha de Visada).
    2. UAV: Um transmissor montado em um drone (cenários LoS e NLoS).
• Parâmetros de Transmissão:
  • Frequência: 862,5 MHz (Banda ISM de 860 MHz).
  • Modulação: Chirp Spread Spectrum (CSS) com Fatores de Espalhamento (SF) 7 e 10, e larguras de banda de 125 kHz e 250 kHz.
  • Potência: 14 dBm.
• Coleta de Dados:
  • Foram coletadas mais de 17.000 quadros LoRa válidos entre os quatro receptores.
  • O dataset inclui amostras IQ brutas (In-Phase e Quadrature) sincronizadas via GPS, permitindo a extração de informações de estado do canal (CSI) e a demodulação completa.
  • Os dados estão formatados em SigMF com metadados detalhados (posição, velocidade, SNR, etc.).

3. Contribuições Principais

1. Dataset Aberto e Rico: Publicação do primeiro dataset público de amostras IQ operacionais de transmissões LoRa externas, anotado com informações de sincronização e localização, permitindo a avaliação de algoritmos de receptor além do simples RSSI.
2. Modelagem de Canal Empírica: Desenvolvimento de modelos de propagação que capturam não apenas o desvanecimento de grande escala (pathloss), mas também a correlação espacial do desvanecimento entre receptores distribuídos.
3. Análise Comparativa UAV vs. Pedestre: Investigação detalhada das diferenças nas características de propagação entre altitudes de voo (UAV) e nível do solo (pedestre), incluindo cenários LoS e NLoS.

4. Resultados e Modelagem

Os autores propuseram e validaram um modelo de canal composto por três partes:

• Ajuste de Pathloss (Log-Distância):

  • O modelo segue a equação padrão $\rho(d) = \rho_0 - 10\gamma \log_{10}(d/d_0) + Z$.
  • Os expoentes de pathloss ($\gamma$) para cenários NLoS (UAV e Pedestre) alinham-se com modelos urbanos existentes (como Hata-Okumura), variando entre 3,25 e 3,62.
  • O cenário UAV LoS apresentou um expoente menor (2,79), indicando menor atenuação devido à linha de visada direta.

• Decomposição do Desvanecimento:

  • O desvanecimento total foi separado em Desvanecimento de Pequena Escala ($X_r$) e Desvanecimento de Grande Escala ($Y_r$).
  • Pequena Escala: Segue uma distribuição normal. A variância ($\sigma_x$) é maior em cenários NLoS pedestres (7,60 dB) devido ao maior número de espalhadores em nível do solo, comparado ao UAV NLoS (4,01 dB).
  • Grande Escala: Também segue uma distribuição normal, mas com variância estável entre os cenários (~4-5 dB), indicando que a variação lenta do sinal é consistente independentemente da altura.

• Correlação Espacial (Modelo Autoregressivo):

  • Foi introduzido um modelo autoregressivo de primeira ordem para modelar a correlação do desvanecimento de grande escala ao longo da distância.
  • Resultado Chave: Cenários de UAV exibem maior correlação espacial (parâmetro $\phi$ mais alto, ex: 0,974 para UAV LoS) em comparação com pedestres (0,750). Isso significa que as variações de sinal em UAVs ocorrem em distâncias maiores, enquanto em nível do solo as variações são mais rápidas e locais.

• Validação: O modelo proposto foi validado através da análise de resíduos, que demonstraram ser não correlacionados e distribuídos normalmente, confirmando a adequação do modelo aos dados medidos.

5. Significado e Impacto

Este trabalho é fundamental para o avanço das redes IoT e de UAVs por várias razões:

• Precisão em Simulações: Permite que pesquisadores utilizem modelos de canal realistas que consideram a correlação espacial entre múltiplos receptores, essencial para o estudo de sistemas de antenas distribuídas e C-RAN (Cloud Radio Access Networks).
• Desenvolvimento de Algoritmos: A disponibilidade de amostras IQ brutas facilita o teste de algoritmos avançados de recepção, como cancelamento de interferência e mitigação de jamming, que não podem ser avaliados apenas com dados de RSSI.
• Otimização de Redes UAV: Os resultados destacam que os modelos de canal para pedestres não são diretamente aplicáveis a UAVs, fornecendo parâmetros específicos para o projeto de redes de telemetria de drones.
• Reprodutibilidade: A publicação do dataset e dos parâmetros do modelo promove a reprodutibilidade e acelera a pesquisa na área de comunicações de baixa potência.