Why Channel-Centric Models are not Enough to Predict End-to-End Performance in Private 5G: A Measurement Campaign and Case Study

Este estudo demonstra que modelos centrados apenas no canal, como simuladores de rastreamento de raios, falham em prever com precisão o desempenho de ponta a ponta em redes 5G privadas devido à superestimação das camadas espaciais MIMO, enquanto abordagens baseadas em dados, como regressão por processos gaussianos, oferecem previsões de throughput muito mais precisas ao aprender diretamente do comportamento real do sistema.

O essencial

Imagine que você está tentando dirigir um carro autônomo em uma fábrica gigante e complexa. Para que o carro se mova rápido e com segurança, ele precisa de uma conexão de internet (5G) perfeita para enviar e receber dados.

O problema é: como saber, antes de chegar lá, se a internet vai funcionar bem naquele ponto específico?

Este artigo de pesquisa conta a história de um experimento feito em um antigo salão de reator nuclear na Suécia (agora um laboratório de tecnologia) para responder a essa pergunta. Eles queriam saber se os métodos atuais de prever a qualidade da internet são confiáveis ou se estão nos enganando.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: O Mapa "Teórico" vs. A Realidade

Os engenheiros usam dois tipos de "mapas" para prever a internet:

• O Método do "Físico Perfeito" (Simulação): Imagine um arquiteto que desenha um prédio em 3D no computador. Ele sabe exatamente onde estão as paredes, o concreto e o metal. Ele usa leis da física para calcular como o sinal de rádio vai bater nessas paredes e chegar ao seu celular.
  • A promessa: "Se o sinal é forte aqui no desenho, a internet será super rápida."
• O Método do "Detetive de Dados" (Aprendizado de Máquina): Em vez de calcular a física, eles colocam um robô andando pelo local, medindo a velocidade da internet em milhares de pontos e criando um mapa baseado no que realmente aconteceu.

2. A Grande Surpresa: O Mapa do Arquiteto Era "Otimista Demais"

O estudo descobriu que o método do "Físico Perfeito" (a simulação) estava errado de uma forma perigosa.

• O que a simulação dizia: "Olha! O sinal é forte, então podemos usar 4 "faixas" de dados ao mesmo tempo (como ter 4 carros correndo lado a lado na mesma pista). A velocidade será incrível!"
• O que o robô mediu na vida real: "Na verdade, a pista está cheia de buracos e curvas. Só conseguimos usar 1 ou 2 faixas com segurança. A velocidade é muito menor do que o mapa dizia."

A Analogia da Estrada:
Pense na internet 5G como uma rodovia.

• O Simulador olha para o mapa e vê uma estrada larga de 4 pistas. Ele diz: "Você vai chegar em 10 minutos!"
• O Robô vai até lá e vê que, embora a estrada seja larga, há obras, buracos e carros parados. Na prática, só 1 ou 2 pistas estão funcionando. Se o robô seguir o mapa do simulador, ele vai planejar uma rota rápida que, na verdade, vai deixá-lo preso no trânsito.

3. Por que o Simulador Errou?

O simulador acertou em saber onde o sinal era forte (o "Sinal de Rádio" estava bom), mas errou feio em prever quantas faixas de dados (camadas MIMO) o sistema conseguia usar de verdade.

É como se o simulador assumisse que o motorista do carro autônomo é um piloto de Fórmula 1 capaz de dirigir 4 carros ao mesmo tempo, mas na vida real, o sistema de segurança do carro (o "modem") freia e usa apenas 1 ou 2 carros para não bater. O simulador não consegue "ler" essa decisão de segurança que o equipamento toma em tempo real.

4. A Solução: O Método do "Detetive" Funcionou Melhor

O estudo testou o método baseado em dados (Gaussian Process Regression).

• Em vez de tentar adivinhar a física, ele aprendeu com os erros e acertos reais do robô.
• Resultado: Ele previu a velocidade da internet com muito mais precisão, errando muito menos e sem ser otimista demais. Ele foi como um guia turístico que já andou pelo local e sabe exatamente onde o sinal cai, sem precisar calcular a física de cada parede.

5. O Que Isso Significa para o Futuro?

A conclusão principal é um aviso para quem programa robôs e carros autônomos:

Não confie apenas no "sinal forte" para garantir velocidade.

Se um robô planejar sua rota baseado apenas em mapas de sinal de rádio (que dizem "sinal ótimo"), ele pode acabar em um lugar onde a internet é lenta, porque o sistema de 5G reduziu a velocidade para se proteger.

Resumo da Ópera:

• Simulação (Física): Útil para ver a estrutura geral, mas muito otimista e perigosa para prever velocidade real.
• Medição Real (Dados): Mais lenta de fazer (precisa de um robô andando), mas muito mais precisa para prever o que vai acontecer de verdade.
• Conclusão: Para robôs trabalharem com segurança em fábricas, precisamos de mapas que mostrem a velocidade real da internet, não apenas a força do sinal.

O estudo é um lembrete de que, na tecnologia, o que parece perfeito no papel (ou no computador) nem sempre funciona na vida real, e às vezes, a única maneira de saber a verdade é ir lá e medir.

Resumo técnico

Título: Por que Modelos Centrados no Canal não são Suficientes para Prever o Desempenho de Ponta a Ponta em 5G Privado: Uma Campanha de Medições e Estudo de Caso

1. Problema e Motivação

O planejamento de robôs autônomos em ambientes industriais depende cada vez mais de conectividade sem fio confiável (5G) para tarefas como teleoperação e offloading de dados. A premissa comum no planejamento consciente de comunicação é que condições favoráveis do canal (medidas por métricas como RSSI, SINR ou RSRP) se traduzem diretamente em alta taxa de transferência (throughput) de ponta a ponta.

O artigo desafia essa suposição, argumentando que métricas de nível de canal não capturam a complexidade das camadas de enlace e de rede (como adaptação de enlace, multiplexação espacial MIMO e lógica de escalonamento). O objetivo é investigar se modelos físicos (simulação) ou baseados em dados conseguem prever com precisão o throughput real em um ambiente industrial 5G privado, onde a falha na previsão pode levar a trajetórias robóticas otimistas que violam requisitos de confiabilidade.

2. Metodologia

O estudo foi realizado em um caso único no KTH Reactor Hall (Suécia), uma instalação subterrânea blindada contra radiofrequência, equipada com uma rede Ericsson Private 5G (EP5G) e um robô móvel.

A abordagem comparou três pilares:

1. Simulação Física (Ray-Tracing):

   • Utilizou o software comercial Altair Feko com o método Shooting and Bouncing Rays (SBR).
   • Modelo 3D detalhado do ambiente (aprox. 100.000 polígonos).
   • Configuração de canal conforme o padrão 3GPP TR 38.901 para fábricas internas.
   • O simulador previu métricas de canal (SINR, MCS) e inferiu o throughput assumindo 4 camadas espaciais (MIMO 4x4) uniformes.

2. Campanha de Medições Robóticas:

   • Um robô TurtleBot3 equipado com um modem 5G (Quectel RM500Q-GL) coletou dados em ~9.000 pontos (após limpeza, ~7.000 válidos).
   • O robô parou em waypoints de 0,5m para coletar métricas de camada física/enlace (MCS, RI - Rank Indicator) e de transporte (throughput real via iperf3).
   • O ambiente foi controlado para minimizar interferências externas e tráfego concorrente.

3. Modelagem Baseada em Dados (GPR):

   • Desenvolvimento de modelos de Regressão por Processos Gaussianos (GPR) para prever o throughput diretamente a partir dos dados medidos.
   • Foram testados três kernels: RBF (Radial Basis Function), Matérn (1 vez diferenciável) e RQ (Rational Quadratic).
   • O modelo aprendeu a distribuição espacial do throughput sem modelar explicitamente a física de propagação.

4. Análise Comparativa:

   • As previsões foram alinhadas com as medições reais.
   • Métricas de erro avaliadas: Viés (tendência de super/sub-estimativa), Precisão (MAE, RMSE) e Variabilidade (desvio padrão, percentis de cauda).

3. Principais Contribuições

• Conjunto de Dados Público: Disponibilização de um dataset denso espacialmente com métricas de throughput, latência e camada de enlace de uma rede 5G privada industrial real.
• Validação de Simuladores: Configuração e avaliação de um simulador de ray-tracing de ponta para um cenário industrial específico, comparando-o com dados reais.
• Identificação da Fonte de Erro: Demonstração de que o erro dominante na previsão de throughput não vem da estimativa de SINR/MCS, mas sim da superestimação das camadas espaciais MIMO sustentáveis.
• Modelagem Baseada em Dados: Evidência de que modelos GPR podem reduzir drasticamente o erro de previsão ao aprender o comportamento do sistema de ponta a ponta.

4. Resultados Chave

A. Desempenho do Simulador Físico (Ray-Tracing)

• Superestimação Sistemática: O simulador superestimou o throughput em 92,4% dos locais medidos.
• Erro Mediano: Aproximadamente 144,8 Mbit/s (superestimação).
• Causa Raiz: O simulador assumiu uma transmissão uniforme de 4 camadas espaciais (RI=4) em quase todo o ambiente.
  • Na realidade, as medições mostraram adaptação dinâmica: RI=4 apenas em condições ideais de LOS; RI=2 ou RI=1 em áreas com sombra ou multipath complexo.
  • O simulador previu corretamente o MCS (Modulação e Codificação) e o SINR, mas falhou em prever a adaptação de rank (camadas), o que inflou artificialmente o throughput calculado.

B. Desempenho dos Modelos GPR (Baseados em Dados)

• Redução de Erro: Os modelos GPR reduziram o erro absoluto médio (MAE) e o RMSE em aproximadamente dois terços em comparação com o simulador.
• Viés: O viés foi eliminado, com erro mediano próximo de zero (distribuição equilibrada entre super e sub-estimativa).
• Kernels: Embora os três kernels (RBF, Matérn, RQ) tenham produzido previsões de média estatisticamente indistinguíveis, o kernel Rational Quadratic (RQ) mostrou-se superior na modelagem da incerteza, rastreando melhor a variabilidade empírica das medições em diferentes escalas espaciais.

C. Comparação Visual e Estatística

• Os histogramas de erro mostraram que o simulador possui uma cauda direita longa (superestimação extrema), enquanto os modelos GPR estão centrados em zero com uma dispersão muito menor.
• O kernel RQ forneceu estimativas de incerteza mais calibradas, essenciais para planejamento consciente de risco.

5. Significado e Implicações

• Falha do Paradigma "Centrado no Canal": O estudo prova que condições favoráveis de canal (alto SINR) não garantem alto throughput em sistemas 5G reais devido a limitações de implementação de MIMO, interferência entre streams e lógica de escalonamento proprietária.
• Risco para Robótica: Planejadores de movimento que otimizam trajetórias baseadas apenas em mapas de SINR ou RSRP podem gerar planos otimistas que falham em atender aos requisitos de taxa de dados na prática.
• Limitações da Simulação Física: Mesmo com geometria 3D detalhada e condições controladas, a simulação física não consegue capturar a adaptação de enlace de ponta a ponta sem acesso a firmware proprietário e lógica de escalonamento, criando uma lacuna difícil de fechar apenas com calibração.
• Caminho Futuro:
  • A abordagem baseada em dados (GPR) é superior para previsão de throughput, mas sofre com complexidade computacional e lentidão na adaptação a mudanças ambientais.
  • Sugere-se o desenvolvimento de abordagens híbridas (priors físicos refinados por dados) e métodos de aprendizado online para atualizar previsões durante a operação do robô.

Em resumo, o artigo conclui que para o planejamento robusto de robôs em 5G, é necessário prever o desempenho de ponta a ponta (throughput) diretamente, em vez de depender de proxies de camada de canal, pois a complexidade da camada de enlace (especialmente MIMO) invalida a correlação direta entre qualidade do sinal e taxa de dados em cenários industriais reais.