⚡ electrical engineering

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

本文利用软件无线电测试床在 860 MHz ISM 频段采集并发布了包含多位置 IQ 样本的 LoRa 数据集，并据此推导了涵盖无人机视距、无人机非视距及行人非视距三种场景的 LoRa 经验传播信道模型。

原作者： Joachim Tapparel, Andreas Burg

发布于 2026-04-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Joachim Tapparel, Andreas Burg

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是一份**“给物联网（IoT）信号做的详细体检报告”，同时附带了一个“信号传播的模拟游戏地图”**。

为了让你轻松理解，我们可以把 LoRa 技术想象成一种**“超级省电的超长距离对讲机”**，专门用来给物联网设备（比如智能电表、无人机、传感器）发信号。

以下是这篇论文的核心内容，用大白话和比喻来解释：

1. 为什么要做这个研究？（背景）

现在的物联网设备越来越多，就像城市里突然多了成千上万个对讲机。

问题：虽然 LoRa 信号传得远、耗电少，但它很“娇气”。如果信号在传输过程中遇到风吹草动（比如高楼遮挡、无人机快速移动），信号质量就会变差。
现状：以前大家研究手机信号（4G/5G）很多，但专门研究这种“省电对讲机”在复杂环境（比如无人机飞在空中，或者人走在街上）下怎么传播的，数据很少。
目标：作者想搞清楚：“当信号从 A 点传到 B 点，中间隔了多远、有什么障碍物，信号会衰减成什么样？” 这样工程师才能设计出更稳定的网络。

2. 他们是怎么做的？（实验设置）

作者没有坐在办公室里瞎猜，而是真的在瑞士洛桑联邦理工学院（EPFL）的校园里搞了一场**“大规模信号捉迷藏”**。

设备：
- 发射端（送信人）：他们准备了两个“送信人”。
  - 一个**“飞天猫”**：把发射器绑在无人机（UAV）上，让它飞在空中。
  - 一个**“散步者”**：让人拿着发射器在校园里走路。
- 接收端（收信人）：他们在校园的四个不同屋顶上，架起了四个“超级耳朵”（接收器）。这些接收器非常聪明，不仅能听到声音，还能把声音的**原始波形（IQ 样本）**完整记录下来，就像录音师录下了最原始的声音，而不是只记下了“声音有多大”。
过程：
- 无人机飞、人走路，不停地发送信号。
- 四个屋顶的接收器同时记录：信号什么时候到的？信号强还是弱？中间隔了多远？
- 最后，他们收集了75,000 多条信号记录，整理成了一个巨大的公开数据集，就像把这次捉迷藏的所有录像都放到了网上，谁都可以下载来研究。

3. 他们发现了什么？（核心模型）

通过分析这些海量数据，作者建立了一个**“信号衰减预测模型”。我们可以把这个过程想象成“在森林里喊话”**：

A. 距离越远，声音越小（大尺度衰落）

就像你在森林里喊话，离得越远，声音自然越小。作者发现，LoRa 信号也遵循这个规律，而且可以用一个数学公式精准描述：

直线飞行（无人机 LoS）：如果无人机飞得高，前面没遮挡，信号衰减得比较慢，像在大操场上喊话。
被遮挡（无人机 NLoS / 行人 NLoS）：如果前面有树、楼，或者人走在街道峡谷里，信号衰减得更快，声音变得很模糊。

B. 信号不是均匀变弱的（空间相关性）

这是论文最精彩的部分。以前大家以为，只要距离变了，信号就随机变弱。但作者发现，信号的变化是有“惯性”的。

比喻：想象你在开车，路面是起伏的。如果你刚经过一个坑，下一米大概率还是坑，不会突然变成平地。
发现：
- 无人机：因为飞得高，视野开阔，信号的变化比较“平滑”。如果你现在的信号好，往前飞一点，信号大概率还是好的。
- 行人：因为人走得低，周围全是树、墙、车，信号像坐过山车一样，忽高忽低，变化非常剧烈且随机。

4. 这个研究有什么用？（价值）

这篇论文不仅仅是发了一堆数据，它给了工程师两样宝贝：

一张“藏宝图”（数据集）：以前大家研究信号只能靠猜或者用很粗糙的模拟数据。现在，大家可以直接下载真实的“原始录音（IQ 样本）”，用来测试新的接收算法。比如，怎么在信号很弱的时候把字听清楚？怎么在有人故意干扰（jamming）的时候还能收到信号？有了这个数据集，大家就能像练级一样，用真实数据训练 AI 或算法。
一个“模拟器”（信道模型）：作者总结出的数学公式，可以让工程师在电脑上模拟出无人机或行人移动时的信号情况。
- 应用场景：如果你要设计一个无人机物流网络，或者一个智能城市系统，你可以直接用这个模型算出：“如果我在 A 区放一个基站，无人机飞到 B 区时，信号会不会断？”这能省掉大量实地测试的钱和时间。

总结

简单来说，这篇论文就是**“给 LoRa 信号拍了一部高清纪录片，并总结出了一套‘信号天气’预报规律”**。

它告诉我们：无人机飞在空中和人在地上走，信号受到的干扰完全不同。 以前大家可能用同一套规则去设计，现在有了这套更精准的模型，未来的物联网网络（无论是天上的无人机群，还是地上的智能传感器）都会变得更聪明、更稳定、更省电。

论文技术总结：860 MHz ISM 频段 LoRa 的无人机传播信道建模与数据集

1. 研究背景与问题 (Problem)

随着物联网（IoT）网络的快速密集化，评估 LoRa（Long Range）网络性能变得至关重要。LoRa 作为一种低功耗广域网（LPWAN）技术，利用亚 GHz 非授权频段（如 860 MHz ISM 频段）和线性调频扩频（CSS）调制，实现了长距离、低功耗通信。然而，现有的信道模型多针对蜂窝技术，缺乏针对 LoRa 特定场景（长距离、窄带宽约 250 kHz）的专用模型。

特别是对于无人机（UAV）通信，其信道特性与地面行人高度显著不同（例如视距 LoS 概率更高、多径效应不同）。此外，现有的商业设备通常仅提供每帧的接收信号强度指示（RSSI），缺乏高时间分辨率的相位信息和原始 IQ 采样数据，限制了高级接收机算法（如干扰消除、多用户检测）的评估。因此，亟需获取包含原始 IQ 样本的实测数据集，并建立能够反映空间相关性的 LoRa 信道模型。

2. 方法论 (Methodology)

2.1 实验设置与数据采集

测试平台：基于软件定义无线电（SDR）搭建的测试床，部署于瑞士洛桑联邦理工学院（EPFL）校园。
接收端：4 个分布式网关，每个网关包含 Raspberry Pi 5、NI USRP-2920 SDR 和 Quectel L80 GPS 接收机。利用 GPS 秒脉冲（PPS）消除 USRP 内部时钟漂移，确保时间同步。
发射端：
- 行人模式：基于 Semtech SX1276 模块的便携式发射机。
- 无人机模式：基于 SX1262 模块的轻量化机载发射机。
测量场景：
1. UAV 视距（LoS）
2. UAV 非视距（NLoS）
3. 行人非视距（NLoS）
配置参数：中心频率 862.5 MHz，带宽 125/250 kHz，扩频因子 SF=7/10，发射功率 14 dBm。

2.2 数据集构建

收集了超过 75,000 个 LoRa 帧（其中有效帧约 17,000+）。
数据格式：标准 SigMF 格式存储原始 IQ 样本，并附带元数据（同步信息、位置、速度、SNR 等）。
数据特点：提供了比商业设备高得多的时间分辨率和相位信息，支持接收机算法的验证。

2.3 信道建模方法

作者提出了一个分层的信道建模框架：

对数距离路径损耗模型：拟合平均 SNR 随距离的变化。
$\rho(d) = \rho_0 - 10\gamma \log_{10}(\frac{d}{d_0}) + Z$
其中 $Z$ 为阴影衰落，假设为高斯分布。
衰落分解：将总衰落 $Z$ $Z$ 分解为小尺度衰落（ $X_r$ $X_{r}$ ）和大尺度衰落（ $Y_r$ $Y_{r}$ ）。
- 小尺度衰落：通过从测量值中减去局部平均 SNR（每 10 米）获得，假设为独立同分布（i.i.d.）的高斯噪声。
- 大尺度衰落：捕捉随距离变化的慢衰落，具有空间相关性。
空间相关性建模：采用一阶自回归模型（AR(1)）描述大尺度衰落的空间相关性：
$Y_r[(n+1)\Delta d] = \phi Y_r[n\Delta d] + \epsilon$
其中 $\phi$ 为自回归参数， $\epsilon$ 为创新项。该模型允许推导任意距离点之间的协方差矩阵。

3. 关键贡献 (Key Contributions)

开源数据集：发布了首个包含户外 LoRa 传输原始 IQ 样本的公开数据集。该数据集不仅包含检测信息，还包含同步后的 IQ 数据，支持接收机算法（如干扰消除、多用户检测）的实验评估。
多场景信道模型：针对 UAV LoS、UAV NLoS 和行人 NLoS 三种场景，推导了经验传播信道模型。
空间相关性分析：首次量化了分布式接收机之间的大尺度衰落空间相关性，并验证了自回归模型在描述该相关性方面的有效性。
高度差异对比：揭示了 UAV 与行人场景在传播特性上的显著差异，特别是小尺度衰落和大尺度衰落的贡献比例不同。

4. 主要结果 (Results)

4.1 路径损耗参数

通过最小二乘法拟合，得到了不同场景下的路径损耗指数（ $\gamma$ ）和阴影衰落标准差（ $\sigma_z$ ）：

UAV LoS： $\gamma = 2.79$ , $\sigma_z = 5.36$ dB
UAV NLoS： $\gamma = 3.62$ , $\sigma_z = 5.71$ dB
行人 NLoS： $\gamma = 3.25$ , $\sigma_z = 8.90$ dB
观察：行人 NLoS 场景的阴影衰落标准差显著高于 UAV 场景，这归因于行人高度处更多的散射体。UAV NLoS 的路径损耗指数与 Hata-Okumura 城市模型预测值（3.64）非常接近。

4.2 衰落统计特性

小尺度衰落：标准差 $\sigma_x$ 在 NLoS 场景下较大（多径反射更显著），且在不同接收机间表现一致。
大尺度衰落：尽管场景不同，大尺度衰落的标准差 $\sigma_y$ 在各场景中相对稳定（差异在 0.6 dB 以内）。
空间相关性：
- UAV 场景表现出更高的空间相关性（自回归参数 $\phi$ 更大，创新项标准差 $\sigma_\epsilon$ 更小）。
- 这意味着 UAV 传输中的衰落变化发生在更长的距离上，而行人场景的衰落变化更为频繁。

4.3 模型验证

残差分析显示，实验残差的自相关函数（ACF）大部分位于 95% 置信区间内，且分布符合高斯分布。
证明了提出的包含空间相关性的对数距离模型能很好地拟合实测数据。

5. 意义与影响 (Significance)

填补研究空白：提供了针对 LoRa 无人机通信的稀缺实测数据，特别是原始 IQ 数据，填补了现有仅依赖 RSSI 数据的不足。
网络仿真优化：推导的经验模型参数（包括空间相关性）可直接用于网络仿真工具，更准确地评估 LoRa 网络的覆盖、容量和干扰，特别是在涉及分布式天线系统（DAS）和云无线接入网（C-RAN）的场景中。
算法开发：开放的数据集为开发高级接收机算法（如多用户检测、抗干扰、联合处理）提供了真实的实验基准。
高度依赖性认知：研究明确指出了 UAV 与地面通信在信道统计特性上的本质区别，为未来 UAV 物联网部署提供了理论依据。

综上所述，该论文通过构建高精度的 SDR 测试床，不仅发布了宝贵的开源数据集，还建立了一套能够捕捉空间相关性的 LoRa 信道模型，为 LoRa 在复杂环境（特别是无人机应用）中的性能评估和算法优化奠定了坚实基础。