LSTM-Based Power Delay Profile Predictions for Intra-Bus Wireless Propagation

Resumo Técnico: Previsão de Perfil de Atraso de Potência (PDP) Baseada em LSTM para Propagação Intra-ônibus

1. Problema Abordado
A caracterização de canais de comunicação sem fio é fundamental para o projeto e otimização de sistemas modernos, especialmente no contexto de veículos autônomos e sistemas de transporte inteligentes. O ambiente interno de ônibus apresenta desafios únicos devido às superfícies metálicas altamente reflexivas e ao ambiente físico desordenado, o que gera efeitos de multipath (multicaminho) significativos, impactando a força do sinal e a dispersão de atraso.

• Limitações Atuais: Os métodos tradicionais de caracterização (empíricos e determinísticos) e as medições em tempo real muitas vezes falham em capturar a dinâmica complexa e altamente clusterizada do canal em frequências de ondas milimétricas (mmWave), como a banda de 60 GHz. Além disso, modelos existentes têm dificuldade em generalizar para novas condições físicas ou para pares transmissor-receptor (TX-RX) não medidos, sendo pouco adaptáveis a mudanças no ambiente.

2. Metodologia Proposta
Os autores propõem um modelo de aprendizado profundo baseado em Memória de Curto e Longo Prazo (LSTM) para prever a Função de Transferência do Canal (CTF) em um cenário intra-veicular (dentro de um ônibus) na faixa de 60 GHz (55–65 GHz).

• Abordagem de Aprendizado: O modelo utiliza uma abordagem de aprendizado supervisionado, treinado com dados de medição reais coletados em uma campanha de medição na Universidade Tecnológica de Brno, República Tcheca.
• Entradas do Modelo: O modelo LSTM simplificado utiliza apenas dois parâmetros físicos como entrada sequencial:
  1. Frequência: Variação de 55 GHz a 65 GHz com passo de 10 MHz.
  2. Distância TX-RX: Variações entre 1,18 m e 9,72 m.
• Arquitetura e Hiperparâmetros:
  • A rede consiste em duas camadas LSTM seguidas por uma camada densa de saída.
  • A primeira camada LSTM (100 células) retorna sequências; a segunda (9 células) aprende a partir dessas sequências e retorna uma única saída.
  • Otimização realizada com o algoritmo Adam, loss de erro quadrático médio (MSE), tamanho de lote (batch size) de 20 e 94 épocas de treinamento.
  • Um processo de ajuste de hiperparâmetros foi realizado para selecionar a combinação que minimiza a perda de teste.
• Objetivo: Prever a CTF para distâncias não medidas, permitindo a geração de Perfis de Atraso de Potência (PDP) e Modelos de Linha de Atraso com Taps (TDL) para análise de desempenho.

3. Principais Contribuições

• Modelagem Adaptativa: Desenvolvimento de um modelo LSTM capaz de capturar dependências temporais e correlações entre frequência e distância em um ambiente de canal complexo e clusterizado, superando as limitações de modelos estáticos.
• Generalização e Interpolação: Demonstração da capacidade do modelo de realizar interpolação e extrapolação para pares TX-RX não incluídos no conjunto de dados de treinamento (testado em distâncias de 3,7 m e 9,75 m).
• Suavização de Ruído: O modelo aprende a tendência geral de decaimento dos componentes de multipath, suavizando flutuações de pequeno escala e ruído de medição, o que é crucial para a avaliação de desempenho do sistema.
• Validação Completa: A proposta é validada não apenas pela comparação direta de CTFs, mas também através da análise de PDP, Modelos TDL e cálculo da Taxa de Erro de Bit (BER).

4. Resultados e Discussão

• Precisão da CTF e PDP: O modelo conseguiu seguir a tendência geral dos dados medidos, especialmente nas regiões de frequência mais baixas. As curvas de PDP previstas preservaram a distribuição de potência dos dados reais, embora com uma suavização dos efeitos de desvanecimento de alta frequência.
• Erro de Previsão: A análise comparativa entre os dados medidos e os previstos mostrou um desvio aceitável. O erro médio nos taps do PDP foi inferior a 10% em comparação com a tendência dos dados reais (ground truth).
  • Tabela I: Para a distância de 3,7 m, a comparação entre "medido vs. previsto" apresentou um RMSE de 7,96 e R² de 0,47. Para 9,75 m, o RMSE foi de 3,04 e R² de 0,78, indicando melhor desempenho em distâncias maiores onde o canal é mais estável ou o modelo captura melhor a tendência de longo alcance.
• Desempenho do BER: A análise de BER mostrou que o modelo LSTM se aproxima bem dos resultados medidos para distâncias menores (onde o componente de linha de visada é mais forte). Em distâncias maiores e condições de desvanecimento severo, o desempenho do modelo enfraquece ligeiramente, sugerindo a necessidade de mais dados de treinamento para cenários extremos.

5. Significado e Impacto
Este trabalho demonstra que modelos de aprendizado profundo, especificamente LSTMs, são ferramentas viáveis e eficazes para a caracterização dinâmica de canais em ambientes veiculares complexos.

• Aplicabilidade: O modelo oferece uma solução para cenários onde equipamentos de medição não estão disponíveis ou quando é necessário generalizar dados para novos cenários de transporte público.
• Otimização de Sistemas: Ao permitir a previsão precisa de CTFs e PDPs, o modelo auxilia no projeto de sistemas de comunicação 60 GHz para ônibus e veículos autônomos, facilitando a mitigação de interferências e a otimização da conectividade multi-gigabit.
• Futuro: O estudo sugere que, com a inclusão de mais conjuntos de dados e características de treinamento, a precisão do modelo em condições de desvanecimento profundo pode ser ainda mais aprimorada.

Em suma, o artigo valida a eficácia de uma abordagem baseada em IA para superar as limitações dos métodos tradicionais na modelagem de canais mmWave intra-veiculares, fornecendo uma base sólida para o desenvolvimento de comunicações veiculares mais robustas.