Tóm tắt Luận án Tiến sĩ Kỹ thuật viễn thông: Ứng dụng thông tin vị trí sử dụng các thành phần đa đường trong dự báo kênh cho hệ thống truyền thông vô tuyến thế hệ mới

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

7
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tóm tắt Luận án Tiến sĩ Kỹ thuật viễn thông "Ứng dụng thông tin vị trí sử dụng các thành phần đa đường trong dự báo kênh cho hệ thống truyền thông vô tuyến thế hệ mới" sẽ bắt đầu bằng các nghiên cứu trong các ứng dụng khác nhau về truyền thông có nhận thức vị trí, tiếp theo là thảo luận về CQM và một số công cụ dự đoán tạo điều kiện thuận lợi cho việc lập bản đồ chất lượng kênh trong toàn bộ môi trường. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật viễn thông: Ứng dụng thông tin vị trí sử dụng các thành phần đa đường trong dự báo kênh cho hệ thống truyền thông vô tuyến thế hệ mới

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Nguyễn Hồng Anh ỨNG DỤNG THÔNG TIN VỊ TRÍ SỬ DỤNG CÁC THÀNH PHẦN ĐA ĐƯỜNG TRONG DỰ BÁO KÊNH CHO HỆ THỐNG TRUYỀN THÔNG VÔ TUYẾN THẾ HỆ MỚI Ngành: Kỹ thuật viễn thông Mã số: 9520208 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG Hà Nội – 2022
Công trình được hoàn thành tại: Trường Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: PGS. TS. Nguyễn Văn Khang PGS. TS. Klaus Witrisal Phản biện 1: Phản biện 2: Phản biện 3: Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Trường họp tại Trường Đại học Bách khoa Hà Nội Vào hồi …….. giờ, ngày ….. tháng ….. năm ……… Có thể tìm hiểu luận án tại thư viện: 1. Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội 2. Thư viện Quốc gia Việt Nam
CHƯƠNG 1. GIỚI THIỆU 1.1. Lý do chọn đề tài Mạng truyền thông 5G và cao hơn sẽ phải đáp ứng được sự tăng trưởng nhanh của các mạng di động về số lượng người sử dụng, số lượng kết nối hay khối lượng dữ liệu được truyền tải. Thông tin về ngữ cảnh, môi trường nói chung và thông tin vị trí nói riêng được hình dung là có thể hỗ trợ các công nghệ truyền thống hay công nghệ đột phá trong việc giải quyết rất nhiều các thách thức còn tồn tại trong mạng 5G và sau 5G. Bên cạnh đó, các công nghệ định vị đã nhận được sự quan tâm và được phát triển trong mấy chục năm gần đây. Trong tương lai, phần lớn các thiết bị 5G sẽ được trang bị nhận thức về vị trí thông qua rất nhiều công nghệ, như là hệ thống vệ tinh GNSS, hệ thống định vị GPS. Kết hợp với hệ thống hỗ trợ mặt đất và hoạt động đa băng tần, các hệ thống này cung cấp độ chính xác khoảng 1m ở ngoài trời. Khi GNSS yếu hoặc không khả dụng, các công nghệ khác dựa trên radio cục bộ như là sóng băng thông siêu rộng (UWB), Bluetooth, ZigBee và nhận dạng tần số vô tuyến (RFID) sẽ bổ sung cho định vị dựa trên Wi-Fi. Kết hợp với nhau, chúng cũng sẽ tạo ra định vị với độ chính xác dưới 1m. Thông tin vị trí chính xác có thể được tận dụng ở tất cả các lớp giao thức để cải tiến hiệu suất của mạng [2]. Ở các lớp trên, thông tin vị trí có thể được sử dụng trực tiếp. Ở các lớp dưới (PHY, MAC, network, transport layer), một cơ sở dữ liệu của các chỉ số chất lượng kênh (CQM) và vị trí tương ứng được xây dựng. Từ cơ sở dữ liệu đó, khi đến một vị trí mới chưa biết, các CQM có thể được dự báo, các thay đổi ở các lớp giao thức có thể được thực hiện để thích nghi với môi trường mới và sử dụng tốt hơn tài nguyên mạng. Ở phần này, chúng ta sẽ bắt đầu bằng các nghiên cứu trong các ứng dụng khác nhau về truyền thông có nhận thức vị trí, tiếp theo là thảo luận về CQM và một số công cụ dự đoán tạo điều kiện thuận lợi cho việc lập bản đồ chất lượng kênh trong toàn bộ môi trường. 1.1.1. Nhận thức vị trí trong mmWave beamforming Hệ thống MIMO có ưu điểm là có khả năng tạo hình và định hướng các tia, điều này là cần thiết cho tín hiệu mmWave để bù cho sự suy giảm kênh lớn. May mắn thay, bước sóng nhỏ ở dải tần này cho 1
phép nhiều phần tử ăng-ten được đóng gói trong một diện tích nhỏ. Tuy nhiên, không dễ dàng để khai thác được độ lợi trong điều hướng chùm tia vì đó là một quá trình khám phá rất phức tạp. Với định dạng chùm tia tương tự, cả trạm gốc và thiết bị của người dùng phải điều hướng các chùm ăng ten theo các hướng khác nhau trước khi tìm được hướng tối ưu. Trong khi đó, định dạng chùm tia kỹ thuật số sẽ linh hoạt hơn trong bài toán tìm kiếm hướng do người dùng có quyền truy cập vào các dữ liệu số từ tất cả các phần tử ăng ten [5]; tuy nhiên, do số lượng RF front end nhiều, nên đây là phương pháp khá tốn kém và không thực tế đối với thiết bị của người dùng. Vì vậy, định dạng chùm tia tương tự vẫn có lợi thế. Ngoài ra, các giải pháp lai giữa việc tạo hình chùm tương tự kết hợp với tiền mã hóa kỹ thuật số cũng là một phương án được quan tâm [6], [7]. Một cách tiếp cận chưa được khám phá đầy đủ là sử dụng các đặc điểm lan truyền của một môi trường cụ thể mà hệ thống được triển khai. Kiến thức này có thể được khai thác tại trạm gốc dưới dạng cơ sở dữ liệu đo được tại một số lượng lớn các điểm trong khu vực liên kết với vị trí của thiết bị người dùng [8]. Từ đó, hướng tốt nhất của trạm gốc và thiết bị của người dùng sẽ được ước lượng. Trong [9], công cụ ray-tracing được sử dụng, trong đó không chỉ các tia truyền thẳng và tia phản xạ mà cả các tia phân tán cũng được mô phỏng. Một sơ đồ định dạng chùm đơn giản hơn, trong đó các anten được hướng về một vài thành phần đa đường chính. Trong trường hợp có sự thay đổi kênh đột ngột, ví dụ, do bị chắn bởi con người, từ cơ sở dữ liệu được lưu trữ, (các) chùm tia có thể được sắp xếp lại nhanh chóng bằng cách tuyển dụng các thành phần đa đường không bị chặn khác. 1.1.2. Nhận thức vị trí trong truyền thông giữa các phương tiện giao thông Số lượng cảm biến trên xe và tỷ lệ dữ liệu mà chúng tạo ra ngày càng tăng. Bằng cách cảm nhận sự tồn tại, vị trí và vận tốc của các phương tiện hoặc vật thể khác, radar ô tô giúp bạn có thể điều khiển hành trình thích ứng, phát hiện điểm mù, hỗ trợ chuyển làn, hỗ trợ đỗ xe và hơn thế nữa. Một thách thức lớn liên quan đến nhiều công nghệ cảm biến là chúng có phạm vi hạn chế. Một giải pháp thay thế là sử dụng liên lạc không dây để cho phép ô tô trao đổi thông tin. Điều này có hai lợi ích 2
tiềm năng. Đầu tiên, ô tô có thể liên lạc trong các điều kiện không có tầm nhìn, ví dụ như xung quanh các góc. Thứ hai, nếu có sẵn liên kết truyền thông băng thông cao, ô tô có thể trao đổi dữ liệu cảm biến thô với tốc độ cao hơn, từ đó, ta có thể hướng đến lái xe hoàn toàn tự động, điều khiển bằng đám mây. Ở dạng đơn giản nhất, trong [15], các giao thức MAC dựa trên vị trí được đề xuất, theo đó các phương tiện chỉ phát thông tin đến các phương tiện khác khi chúng đi qua các khu vực truyền dẫn được khai thác trước. Khi lưu lượng giao thông tăng, các giao thức dựa trên vị trí được đề xuất có thời gian gửi tin nhắn nhỏ hơn so với các phương pháp truy cập ngẫu nhiên thông thường. Một ý tưởng tương tự được đề xuất trong [16], khi mà giao thức truy cập kênh dựa trên vị trí phi tập trung được nghiên cứu. Các kênh được phân bổ dựa trên vị trí địa lý tức thời của phương tiện và mỗi kênh được liên kết với một cell. Bằng cách sử dụng ánh xạ cell-to-channel được lưu trữ trước, các phương tiện biết khi nào cần truyền trên kênh nào, giảm bớt nhu cầu về một bộ điều phối tập trung. Điều này dẫn đến việc sử dụng băng thông khoa học và tránh các vấn đề về node ẩn. Với tiềm năng về tốc độ dữ liệu cao, mmWave là cách tiếp cận khả thi nhất để hỗ trợ chia sẻ dữ liệu cảm biến lớn trong các ứng dụng xe cộ. Thật không may, các chùm tia mmWave hẹp và tính di động cao đặc biệt trong bối cảnh xe cộ. Một codebook lớn phải được tìm kiếm toàn diện để căn chỉnh hướng của chùm tia trong các giải pháp đào tạo chùm tia hiện nay. Trong [17], một cơ sở dữ liệu đã được xây dựng bằng cách thu thập công suất nhận được tại mọi vị trí của máy thu và tại tất cả các cặp góc định hướng trong codebook. Sau đó, trong giai đoạn trực tuyến, từ thông tin vị trí thu được tại máy thu, cặp chùm tia tốt nhất có thể được chọn bằng cách tra cứu cơ sở dữ liệu finger-printing. Một hạn chế của nghiên cứu trong [17] và [18] là các thuật toán được đề xuất chỉ xem xét kiến thức về phương tiện mục tiêu, nhưng không xem xét vị trí của các phương tiện khác. Trong [19], một khung mô phỏng kết hợp phương pháp ray-tracing và mô phỏng giao thông đã được đề xuất để tạo ra các kênh xe cộ với quỹ đạo xe tương quan theo thời gian. Chỉ có phương tiện mục tiêu di chuyển trong khi các phương tiện khác (làm phân tán, chắn tín hiệu) đứng yên. Từ mô phỏng ray-tracing, sau khi cung cấp cho nó tất cả các chi tiết cần thiết, chẳng hạn như vị trí, 3
kích thước, vật liệu, v.v. của bộ tán xạ, bộ chặn, công suất nhận được tại bộ thu mục tiêu ứng với mỗi một cặp chùm tia có thể được mô phỏng. Học máy đã được áp dụng cho cơ sở dữ liệu mô phỏng để cung cấp cặp chùm tia tốt nhất tại vị trí của máy thu mới đã biết. Tương tự, trong [20], không chỉ cặp chùm tia tốt nhất mà cả công suất chùm tia cũng được tối ưu hóa. 1.1.3. Nhận thức vị trí trong truyền thông thích nghi, lập lịch và điều hướng Trong [8], thông tin liên lạc di động thích ứng nhận biết vị trí đã được thiết kế. Một cơ sở dữ liệu finger-print đã được xây dựng trước. Khi tại thời điểm người dùng báo cáo các vị trí được dự đoán trong tương lai cho cơ sở dữ liệu, bằng cách sử dụng tính nhất quán của kênh và chuyển động không gian, cường độ tín hiệu nhận tương ứng và do đó dung lượng kênh được dự đoán. Tốc độ truyền sau đó được điều chỉnh để nhỏ hơn dung lượng kênh dự đoán, dẫn đến độ lợi dung lượng kênh lớn hơn so với các sơ đồ điều chế thích ứng hiện đại cho độ trễ phản hồi từ trung bình đến lớn. Trong [21], một thuật toán lập lịch tổng hợp được hỗ trợ vị trí để tái sử dụng tần số một phần đã được đề xuất. Bằng cách chia sẻ tài nguyên tạm thời giữa người dùng ở trung tâm và ở rìa của cell, tổng thông lượng được chứng minh là cao hơn, các phản hồi yêu cầu ngày càng ít so với phương pháp thông thường. Cơ sở dữ liệu CQM được sử dụng để tính SINR giữa máy phát sơ cấp, máy thu sơ cấp và máy phát thứ cấp nếu biết vị trí của chúng. Nếu SINR dưới một ngưỡng nhất định, tài nguyên có thể được chia sẻ. [22] nghiên cứu lập lịch kết hợp kiểm soát công suất có nhận biết vị trí cho IEEE 802.15.3, dẫn đến độ trễ thấp hơn và thông lượng cao hơn so với cơ chế lập lịch kiểu roundrobin truyền thống. Một mô hình lan truyền không gian tự do đơn giản được giả định, cho phép tính toán tín hiệu nhận được ở bất kỳ vị trí nào, do đó không cần cơ sở dữ liệu CQM. Bộ điều phối piconet sẽ quyết định công suất của các nút và cho phép truyền song song giữa các cặp truyền / nhận riêng biệt miễn là chúng không gây nhiễu. Các kỹ thuật hỗ trợ vị trí, đặc biệt là sử dụng thông tin di động để dự báo dung lượng kênh cho thiết bị di động, có vai trò quan trọng khi chuyển giao tạm thời theo chiều dọc cho các hệ thống có dung lượng 4
kênh lớn hơn để tải dữ liệu. Các hệ thống công suất lớn như vậy có thể có cơ hội ngắn do phạm vi hạn chế của chúng. 1.1.4. Chỉ số chất lượng kênh (CQM) Các CQM là các tham số chỉ chất lượng kênh, bao gồm công suất thu, độ trễ bình phương trung bình, mức nhiễu, hoặc độ trải của góc và rank cho các hệ thống multiantenna [8, 2, 21]. Trong các ứng dụng nhận biết vị trí, một cơ sở dữ liệu CQM kết hợp vị trí được lập, từ đó, CQM ở vị trí khác có thể được suy ra. Ngoài ra, có một khái niệm tương tự, được gọi là bản đồ môi trường vô tuyến (REM), ban đầu được sử dụng trong mạng vô tuyến nhận thức, nơi thông tin đa miền bao gồm phần tử vô tuyến, môi trường và bối cảnh [23] được mô tả. Trong mạng IoT, các đặc điểm môi trường có thể được lập bản đồ bằng cách thu thập một lượng lớn dữ liệu cảm biến cùng với thông tin vị trí phổ biến do các tác nhân di động di chuyển xung quanh đóng góp. Trong luận án này, chúng tôi chỉ quan tâm đến việc lập bản đồ các CQM liên quan đến RF để xây dựng REM. Ở dạng đơn giản nhất, CQM có thể được dự đoán bằng cách sử dụng cơ sở dữ liệu finger-printing [17]. Trong [19, 20], học máy được sử dụng để học từ cơ sở dữ liệu công suất thu biết thông tin về AOA, AOD, độ trễ của các liên kết đa đường thu được từ các mô phỏng ray- tracing. Trong [24], hồi quy quy trình Gaussian (GPR) được đề xuất sử dụng, vì nó cho phép phát triển các thuật toán suy luận mà độ phức tạp của nó không tăng theo số lượng quan sát [25]. 1.2. Những thách thức và cơ hội Nó được chỉ ra trong Phần 1.1 rằng để thực hiện các thay đổi trong các lớp dưới, tức là PHY, MAC, lớp mạng hoặc lớp truyền tải, để thích ứng với môi trường mới tại vị trí mới, cần phải xây dựng cơ sở dữ liệu chất lượng kênh ánh xạ tới các địa điểm. Các kỹ thuật xây dựng hiện tại thường dành cho tín hiệu băng hẹp [24] hoặc dựa trên mô phỏng ray-tracing [19, 20], hoặc sử dụng một mô hình suy hao đường đơn giản [22]. Phương pháp ray-tracing thường phức tạp và đòi hỏi thông tin rất chi tiết về môi trường, do đó có thể không thích ứng được với những thay đổi, như là những chướng ngại vật / con người mới. Hơn nữa, bên cạnh AOA, AOD và độ trễ, biên độ của các thành phần đa đường riêng lẻ vẫn chưa được sử dụng. Mặt khác trong số nhiều kỹ thuật định vị hiện tại, có một nhánh nghiên cứu xử lý kênh UWB theo nhiều MPC riêng biệt. Các thuật 5
toán theo dõi và lập bản đồ của các MPC riêng lẻ này sử dụng thiết bị RF UWB thương mại đã được phát triển [26, 27, 28]. Do đó, việc xây dựng cơ sở dữ liệu dựa trên đa đường nhắm mục tiêu các tín hiệu mmWave hoặc UWB sẽ khả thi hơn, đơn giản hơn và tự động hơn trong việc xử lý các chướng ngại vật. Ngoài ra, để các ứng dụng có nhận thức vị trí hoạt động tốt hơn, các thuật toán định vị phải được phát triển hơn nữa. Một số đáng kể các thách thức trong xử lý tín hiệu cần phải được giải quyết bao gồm: 1) chuyển giao, hợp nhất và tích hợp các công nghệ định vị khác nhau; 2) đối phó với các lỗi do môi trường lan truyền khắc nghiệt và nhiễu; và 3) phân quyền và giảm độ phức tạp. 1.3. Mục tiêu nghiên cứu Đối tượng nghiên cứu của luận án này là khả năng khai thác thông tin vị trí để giúp cải thiện hiệu suất hoạt động của mạng không dây. Mục đích của luận án này là đề xuất một mô hình lan truyền để dự đoán CQM của các MPC riêng lẻ ở bất kỳ vị trí mới nào bằng cách sử dụng cơ sở dữ liệu đo được. Một thuật toán sẽ được đề xuất để chứng minh tính hữu ích của thông tin vị trí trong mạng không dây. Phạm vi của luận án được giới hạn trong các mạng truyền thông không dây trong nhà sử dụng tín hiệu mmWave hoặc UWB. Trong bản luận án này, môi trường đang được giả sử là tĩnh, tức là không có sự thay đổi về môi trường, như là thêm các vật cản, v... v. 1.4. Các giả thiết nghiên cứu Giả thiết 1: Trong một kênh đa đường thưa thớt (tín hiệu mmWave hoặc UWB), một phương pháp dự báo các CQM một cách có cấu trúc dựa trên các liên kết đa đường riêng lẻ có thể được xây dựng, để quá trình học / dự đoán được dễ dàng và chính xác hơn. Giả thiết 2: Các tham số chỉ chất lượng kênh có thể được thống kê trên quy mô lớn để giảm overhead hay là thời gian trễ của hệ thống. Giả thiết 3: Các CQM có thể đóng vai trò như các thông tin phụ, giúp cho một thuật toán định vị dựa trên đa đường hoạt động hiệu quả hơn. 6
CHƯƠNG 2. MÔ HÌNH TÍN HIỆU VÀ HỆ THỐNG 2.2. Mô hình hệ thống 2.2.1. Biểu diễn các bề mặt phản xạ bởi virtual anchor (VA) Virtual anchor (VA) là khái niệm chính được sử dụng. Môi trường / vật phản xạ đã biết trước - Vị trí VA chính xác Các vị trí VA được tính toán với sơ đồ mặt bằng chính xác. Bằng cách phản chiếu vị trí anchor với các tường phản xạ, VA bậc nhất được xây dựng. VA bậc cao hơn được tính bằng cách lấy ảnh của VA bậc thấp hơn so với các bề mặt phản xạ khác [47,49]. Hình 2.1 minh họa mô hình hình học. Vật phản xạ / môi trường đã biết trước nhưng không chắc chắn - Vị trí VA theo xác suất Trên thực tế, sơ đồ mặt bằng biết trước có thể không chính xác. Do đó, ta có một mô hình xác suất của VA như Hình 2.2, mở rộng từ mô hình hình học chính xác trên. 2.2.2. Sơ đồ mặt bằng / thông tin môi trường cho các ứng dụng nhận biết vị trí Chúng tôi giả định rằng mọi thiết bị RF đều có khả năng cung cấp vị trí của chính nó hoặc thông qua hợp tác với các thiết bị khác. Hãy xem xét một môi trường trong nhà, sơ đồ mặt bằng (hay các vật cản) có thể được biểu diễn tốt bởi vị trí các VA. Sơ đồ mặt bằng có thể được biết trước hoặc không. Trong trường hợp thứ hai, một thuật toán vẽ bản đồ, ví dụ là SLAM [52] sẽ được sử dụng để vẽ sơ đồ mặt bằng và vị trí các VA sử dụng các tín hiệu RF giữa máy phát và máy thu. Trong luận án này, chúng tôi chưa xét đến trường hợp vị trí VA chưa được biết chính xác. Song, việc mở rộng sang trường hợp này là hoàn toàn có thể sử dụng mô hình xác suất cho vị trí của VA [52]. 7
Hình 2.1: Minh họa hình học đa đường sử dụng VA để truyền giữa PA và tác nhân di động với thông tin sơ đồ mặt bằng chính xác Hình 2.2: Minh họa các VA cho PA và một tác nhân (agent) với PDF p (VA) và p (tác nhân), tương ứng. VA false đại diện cho việc phát hiện sai VA 8
2.3. Mô hình tín hiệu kết hợp hình học / ngẫu nhiên Hình 2.3: Sơ đồ mặt bằng của kịch bản. Chúng tôi xem xét các môi trường trong nhà nơi các PA giao tiếp với một thiết bị di động bằng các tín hiệu RF. Hình 2.3 minh họa kịch bản được xem xét, trong đó một PA tại vị trí 𝐚1 , thiêt bị cần được định vị 𝐩 đặt tại các vị trí tạo thành một đường nét liền chia thành các phân đoạn với màu sắc khác nhau và một số VA 𝐚 𝑘 lên đến bậc hai được hiển thị. VA có thể coi là nguồn phát đối với các thành phần SMC gây ra bởi sự phản xạ của tín hiệu trên các bề mặt. Do đó, VA có thể được sử dụng để xác định về độ trễ, AoA và AoD của các SMC này. Chúng tôi mô tả kênh vô tuyến từ PA nằm ở vị trí 𝐚1 và thiết bị di động nằm ở vị trí 𝐩 thông qua mô hình kênh ngẫu nhiên dựa trên hình học (GSCM) như sau: 𝐾 ℎ(𝑡; 𝐩) = ∑ 𝑘=1 𝛼 𝑘 (𝐩)𝛿(𝑡 − 𝜏 𝑘 (𝐩)) + 𝜈(𝑡; 𝐩) (2.1) Số hạng đầu tiên ở RHS của (2.1) là tổng của K SMC với biên độ 𝛼 𝑘 và độ trễ 𝜏 𝑘 được mô tả như các hàm của vị trí 𝐩. Độ trễ 𝜏 𝑘 (𝐩) = ∥ 𝐩 − 𝐚 𝑘 ∥/𝑐, trong đó c là tốc độ ánh sáng. Số hạng thứ hai biểu thị đa đường khuếch tán (DM) 𝜈(𝑡), được mô hình hóa như một quá trình ngẫu nhiên Gaussian có trung bình không. Chúng tôi giả định sự tán 9
xạ không tương quan dọc theo trục thời gian trễ, do đó hàm tự tương quan (ACF) của 𝜈(𝑡) được cho bởi: 𝐾 𝜈 (𝑡, 𝑢; 𝐩) = 𝔼{𝜈(𝑡; 𝐩)𝜈 ∗ (𝑢; 𝐩)} = 𝑆 𝜈 (𝑡; 𝐩)𝛿(𝑡 − 𝑢) (2.2) trong đó 𝑆 𝜈 (𝑡; 𝐩) là power delay profile (PDP) của DM tại vị trí 𝐩. Quá trình DM được giả định là bán tĩnh trong miền không gian, tức là 𝑆 𝜈 (𝑡; 𝐩) không thay đổi trong vùng lân cận của 𝐩 [53]. Tín hiệu băng gốc s(t) được truyền ở tần số sóng mang 𝑓𝑐 . Sau đó, đường bao phức của tín hiệu nhận được là: 𝐾 𝑟(𝑡; 𝐩) = ∑ 𝑘=1 𝛼 𝑘 (𝐩)𝑠(𝑡 − 𝜏 𝑘 (𝐩)) + (𝑠 ∗ 𝜈)(𝑡; 𝐩) + 𝑤(𝑡)(2.3) trong đó, số hạng thứ hai ở RHS mô tả tích chập của s(t) và thành phần DM 𝜈(𝑡; 𝐩) và số hạng thứ ba là nhiễu đo w(t) được mô hình hóa dưới dạng AWGN với mật độ phổ công suất hai mặt là 𝑁0 . Để giảm thiểu nhiễu giữa các ký hiệu, các xung root raised cosine (RRC) được sử dụng cho tín hiệu được truyền, với độ rộng xung Ts. Năng lượng của s(t) được chuẩn hóa, tức là ∫ |𝑠(𝑡)|2 𝑑𝑡 = 1. 2.4. Các tham số chỉ chất lượng kênh (CQM) 2.4.1. Biên độ SMC Đối với sóng UWB với độ rộng xung rất nhỏ, có thể giả sử rằng các tín hiệu SMC 𝑠 𝑘 (𝑡) = 𝑠(𝑡 − 𝜏 𝑘 (𝒑)) là tương đối phân biệt với nhau trong miền thời gian trễ và do đó xấp xỉ là trực giao với nhau. 𝑇 ̂ 𝑘 (𝒑) = ∫ 𝑟(𝑡; 𝒑)𝑠 ∗𝑘 (𝑡)𝑑𝑡 = 𝛼 𝑘 (𝒑) + 𝜈 𝑘 (𝒑) + 𝑤 𝑘 𝛼 0 (2.5) Phương sai của biên độ thu được sau khi ước lượng được tính như trong Phụ lục B 𝑣𝑎𝑟[𝛼 𝑘 (𝒑)] = 𝑆 𝜈 (𝜏 𝑘 ; 𝒑)𝑇 𝑝 + 𝑁0 ̂ (2.6) trong đó 𝑇 𝑝 là độ rộng xung hiệu dụng. Do đó, biên độ ước lượng được phân phối theo ̂ 𝑘 (𝒑) ∼ 𝒞𝒩(𝛼 𝑘 (𝒑), 𝑆 𝜈 (𝜏 𝑘 ; 𝒑)𝑇 𝑝 + 𝑁0 ) 𝛼 (2.7) 2.4.2. SINR SINR cho SMC thứ k được định nghĩa là: |𝛼 𝑘 |2 SINR 𝑘 = (2.8) 𝑁0 +𝑇 𝑝 𝑆 𝜈 (𝜏 𝑘 ) và có thể được ước tính bằng phương pháp MOM: −1 ̂ 1,𝑘 𝑚 SINR 𝑘 = ( − 1) (2.9) ̂2 ̂ √𝑚1,𝑘 −𝑚2,𝑘 10
trong đó ̂ 1,𝑘 và ̂ 2,𝑘 là bậc nhất và bậc hai của mẫu năng lượng 𝑚 𝑚 |𝛼 𝑘 (𝒑 𝑙 )|. 2.4.3. Dung lượng kênh a. Đóng góp của một SMC Theo mô hình kênh của chúng tôi từ (2.1), độ lợi kênh ℎ 𝑘 là một biến ngẫu nhiên Gaussian, 𝐾 ℎ 𝑘 = 〈 ∑ 𝛼 ′𝑘 𝑠(𝑡 − 𝜏 ′𝑘 ) + (𝜈 ∗ 𝑠)(𝑡) , 𝑠(𝑡 − 𝜏 𝑘 )〉 = 𝛼 𝑘 + 𝜈 𝑘 𝑘 ′ =1 Dung lượng của thành phần kênh này là: 𝐸 𝐶 𝑘 = log 2 (1 + 𝑁 𝑠 |ℎ 𝑘 |2 ) (2.15) 0 b. Đóng góp của tất cả các SMC Giả sử rằng máy thu có thể lấy mẫu ở tất cả K SMC. Khi đó, hệ thống có thể được xem như một kênh SIMO. Kênh này có dung lượng [58]: 𝐸 𝐶 𝑎𝑙𝑙 = log 2 (1 + 𝑁 𝑠 ∥ 𝒉 ∥2 ) (2.18) 0 2.4.4. Position error bound (PEB) PEB cho bài toán định vị được hỗ trợ bởi đa đường là Cramer- Rao Lower Bound của sai số vị trí, căn bậc hai của trace của ma trận con 2 x 2 phía trên bên trái của ma trận thông tin Fisher nghịch đảo (FIM) 𝐉 𝝍 [50, eq (17)] 𝒫{𝐩} = √𝑡𝑟 {[𝐉 −1 ] 𝝍 } = √𝑡𝑟{𝐉 −1 } 𝐩 (2.22) 2×2 𝑇 𝑇 𝑇] 𝑇 trong đó 𝝍 = [𝐩 ℛ𝜶 ℐ𝜶 là vectơ tham số chứa vị trí chưa biết của thiết bị di động và biên độ phức của SMC. 𝐉 𝐩 là FIM tương đương (EFIM). Ta có 8𝜋2 𝛽 2 𝐾 𝐉𝐩 = ∑ 𝑘=1 SINR 𝑘 𝐉 𝑟 (𝜙 𝑘 ) (2.23) 𝑐2 2 2 |𝑆(𝑓)|2 trong đó 𝛽 = ∫ 𝑓 𝑑𝑓 là băng thông hiệu dụng. Thông tin về trễ của SMC thứ k hướng tới VA thứ k, được biểu thị bằng cos2 (𝜙 𝑘 ) cos 𝜙 𝑘 sin 𝜙 𝑘 𝐉 𝒓 (𝜙 𝑘 ) = [ ] (2.24) cos 𝜙 𝑘 sin 𝜙 𝑘 sin2 (𝜙 𝑘 ) 11
CHƯƠNG 3. QUY TRÌNH HỒI QUY GAUSS CHO BIÊN ĐỘ CỦA SMC 3.1. Các nghiên cứu liên quan Điều kiện tiên quyết để thực hiện nhận biết vị trí là khả năng ước lượng vị trí chính xác và lập bản đồ CQM. Các thuật toán định vị và lập bản đồ đồng thời (SLAM) nổi tiếng có thể được sử dụng để xây dựng mô hình hình học từ các tín hiệu đã nhận trước, đồng thời xác định vị trí người dùng di động [67,52,68]. Liên quan mật thiết đến các công trình đó là các bài báo về hệ thống định vị vô tuyến khai thác thông tin bản đồ. Ví dụ: các tham số mô tả cấp thấp của kênh, chẳng hạn như RSS, ToF, AoA được ánh xạ tới vị trí bằng cách sử dụng các mô hình hình học cố định và phương pháp triangulation/ trilateration [71, 72]. Trong tài liệu tham khảo [49], thông tin về độ trễ của các thành phần đa đường SMC được sử dụng để nâng cao tính mạnh mẽ và giảm nhu cầu về cơ sở hạ tầng của hệ thống định vị UWB [41]. Những công trình này chỉ ra mối liên hệ chặt chẽ giữa bản đồ và thông tin vị trí. Do đó, ta có thể tách các SMC này và sử dụng các mô hình hình học để mô tả các tham số của chúng. Ngược lại, SMC cho phép dự đoán các thông số kênh này, với các mô hình hình học có sẵn. Khác với mô hình độ trễ và góc bằng các SMC, việc mô hình hóa biên độ của các SMC khó đạt hơn nhiều. Điều này là do nhiều yếu tố. Mô phỏng sử dụng ray-tracing là một nỗ lực để giải quyết thách thức này [76, 34, 77]. Tuy nhiên, cách tiếp cận này cần có các thông tin chính xác của vật liệu xây dựng, do đó nó không khả thi khi sử dụng trong dự đoán kênh trực tuyến. Trong chương này, chúng tôi tiếp cận theo hướng sử dụng tập dữ liệu để giải quyết vấn đề, trong đó hồi quy quy trình Gaussian (GPR) được sử dụng để mô hình hóa biên độ của các SMC. 3.2. Mô hình lan truyền của SMC SMC: SMC thứ k được đặc trưng bởi độ trễ 𝜏 𝑘 (𝐩) và biên độ phức tạp 𝛼 𝑘 (𝐩). Độ trễ được mô hình hóa một cách xác định như một hàm của vị trí 𝐩 như trên. Biên độ phức 𝛼 𝑘 (𝐩) ∈ ℂ được cho là: 𝐴(𝜙 𝑘 (𝐩))Γ 𝑘 (𝜙 𝑘 (𝐩)) 𝑗2𝜋𝑓 𝑐 𝑑 𝑘 (𝐩) 𝛼 𝑘 (𝐩) = exp {− } (3.1) 𝑑 𝑘 (𝐩) 𝑐 12
trong đó 𝐴(𝜙 𝑘 (𝐩)) bao gồm độ lợi của anten TX và RX và suy hao đường truyền ở khoảng cách tham chiếu 𝑑0 = 1m. Độ lợi của anten được tham số hóa bởi góc định hướng 𝜙 𝑘 (𝐩) = ∠(𝐩 − 𝐚 𝑘 ). Γ 𝑘 (𝜙 𝑘 (𝐩)) mô tả hệ số phản xạ của bề mặt (phẳng) ứng với VA 𝐚 𝑘 . 3.3. Mô hình GP của biên độ SMC Từ (3.1) ta thấy rằng sự phụ thuộc của 𝛼 𝑘 (𝐩) vào khoảng cách được biểu diễn một cách tường minh, trong khi mối quan hệ với góc phụ thuộc vào nhiều yếu tố khó thể hiện ở dạng công thức thông thường. Do đó, chúng tôi đề xuất sử dụng mô hình hồi quy Gauss (GPR) để mô tả (phần phụ thuộc góc của) 𝛼 𝑘 (𝐩), tức là 𝛾 𝑘 (𝜙 𝑘 (𝐩)). Chúng tôi tách các biên độ phức thành các giá trị tuyệt đối và pha có giá trị thực. Mô hình GPR sẽ được sử dụng để mô hình các hàm số: 𝑎𝑏𝑠 𝑎𝑏𝑠 𝜓(𝜙 𝑘 (𝐩)) ≔ |𝛾 𝑘 (𝜙 𝑘 (𝐩))| + 𝑛 𝜈,𝑘 = |𝛼 𝑘 (𝐩)|𝑑 𝑘 (𝐩) + 𝑛 𝜈,𝑘 (3.3) 𝑝ℎ 2𝜋𝑓 𝑐 𝜍(𝜙 𝑘 (𝐩)) ≔ ∠𝛾 𝑘 (𝜙 𝑘 (𝐩)) + 𝑛 𝜈,𝑘 = ∠𝛼 𝑘 (𝐩) + 𝑐 𝑑 𝑘 (𝐩) + 𝑝ℎ 𝑛 𝜈,𝑘 (3.4) 𝑝ℎ 𝑝ℎ 2 trong đó 𝑛 𝜈,𝑘 với phương sai 𝜎 𝜈,𝑘 2 và 𝑎𝑏𝑠 𝑎𝑏𝑠 𝑛 𝜈,𝑘 với phương sai 𝜎 𝜈,𝑘 đại diện cho thành phần DM của biên độ và pha tương ứng. 3.4. Hồi quy quy trình Gauss 3.4.1. Mô hình Đối với thành phần giá trị tuyệt đối của biên độ 𝜓(𝜙 𝑘 (𝐩)) ∼ 𝒢𝒫 (𝜇 𝐺𝑃 (𝜙 𝑘 (𝐩)), 𝑐 𝐺𝑃 (𝜙 𝑘 (𝐩), 𝜙 𝑘 (𝐩′ ))) (3.5) trong đó 𝜇 𝐺𝑃 (𝜙 𝑘 (𝐩)) biểu diễn hàm giá trị trung bình, 𝑐 𝐺𝑃 (𝜙 𝑘 (𝐩), 𝜙 𝑘 (𝐩′ )) biểu diễn hàm hiệp phương sai. Ở đây, giá trị trung bình được mô hình hóa bởi hằng số: 𝜇 𝐺𝑃 (𝜙 𝑘 (𝐩)) = 𝑚 𝑘𝑎𝑏𝑠 (3.6) 𝑝ℎ (và 𝑚 𝑘 cho pha của biên độ). Một hàm mũ bình phương được sử dụng cho hiệp phương sai, 2 (𝜙 𝑘 (𝐩)−𝜙 𝑘 (𝐩′ )) 𝑐 𝐺𝑃 (𝜙 𝑘 (𝐩), 𝜙 𝑘 (𝐩′ )) = 𝜎 𝑘𝑎𝑏𝑠 2 exp (− )+ 2𝑎 𝑘 2 𝑎𝑏𝑠 𝜎 𝜈,𝑘 2 𝛿(𝐩 − 𝐩′ ) 𝑎𝑏𝑠 (3.7) 13
trong đó 𝜎 𝑘𝑎𝑏𝑠 là độ lệch chuẩn của kernel tương quan, 𝑎 𝑘𝑎𝑏𝑠 là góc 𝑎𝑏𝑠 tương quan đặc trưng và 𝜎 𝜈,𝑘 là độ lệch chuẩn gây ra do DMC như 𝑝ℎ 𝑝ℎ 𝑝ℎ trong (3.1) (và 𝜎 𝑘 , 𝑎 𝑘 ,và 𝜎 𝜈,𝑘 đối với pha). Ta có các bộ tham số cần ước lượng sau: 𝑇 𝜽 𝑘 = [𝑎 𝑘𝑎𝑏𝑠 , 𝜎 𝑘𝑎𝑏𝑠 , 𝜎 𝜈,𝑘 , 𝛽 𝑘𝑎𝑏𝑠 ] 𝑎𝑏𝑠 𝑎𝑏𝑠 (3.8) 𝑝ℎ 𝑝ℎ 𝑝ℎ 𝑝ℎ 𝑝ℎ 𝑇 𝜽𝑘 = [𝑎 𝑘 , 𝜎𝑘 , 𝜎 𝜈,𝑘 , 𝛽𝑘 ] (3.9) 3.4.2. Dự báo Sau khi các tham số được ước lượng, giá trị trung bình và phương sai của biên độ 𝜓(𝜙 𝑘 (𝐩∗ )) (hoặc pha 𝜍(𝜙 𝑘 (𝐩∗ ))) tại vị trí thử 𝐩∗ được thể hiện dưới dạng công thức như trong [80]. 3.5. Thí nghiệm và kết quả 3.5.1. Xử lý trước phép đo Trong quá trình thí nghiệm, vị trí chính xác của thiết bị di động vẫn chưa được biết. Do đó, trong bước xử lý ban đầu, chúng tôi đã sử dụng thuật toán SLAM [27, 52] để ước tính vị trí quỹ đạo {𝐩} và vị trí (1) (1) (1) của các VA {𝐚 𝑘 }. Đối với Anchor 1, có các VA 𝐚2 , 𝐚4 và 𝐚5 được chỉ ra bởi chỉ số chỉ số trên (1) , tương ứng với các phản xạ một lần (2) trên EPB, WW và NGW. Tương tự, đối với Anchor 2, có các VA 𝐚2 , (2) (2) 𝐚3 và 𝐚4 . Với vị trí ước tính của PA và VA, độ trễ dự kiến 𝜏 𝑘 (𝐩) được xác định. Biên độ ̂ 𝑘 (𝐩) được ước lượng sử dụng (2.4). Góc định 𝛼 hướng 𝜙 𝑘 (𝐩) = ∠𝐩 − 𝐚 𝑘 cũng được tính toán. Từ đó ta có một số tập dữ liệu, được biểu thị là 𝒟 𝑘 = {𝜙 𝑘 (𝐩), 𝑦 𝑘 (𝐩)}. Trên cơ sở các tập dữ liệu này, hàm hồi quy GP fitrgp và hàm dự đoán predict tích hợp sẵn của Matlab (Matlab R2018a) được sử dụng. 3.5.2. GPR trên biên độ SMC (a) (b) 14
(c) (d) (e) (1) Hình 3.1. Quy trình hồi quy Gauss trên biên độ SMC ứng với VA (a) 𝒂1 , (b) (1) (2) (3) (1) 𝒂2 , (c) 𝒂2 , (d) 𝒂2 , (e) 𝒂5 . 3.5.3. GPR trên pha của SMC (1) (2) Hình 3.4: Hồi quy quy trình Gauss cho pha của SMC ứng với (a) 𝐚2 , (b) 𝐚2 , (1) (c) 𝐚5 . 15
CHƯƠNG 4. BẢN ĐỒ MÔI TRƯỜNG VÔ TUYẾN CHO MÔ HÌNH LAN TRUYỀN Ở MỘT ĐỊA ĐIỂM CỤ THỂ 4.1. Các nghiên cứu liên quan Chất lượng của một liên kết truyền thông trong mạng thông tin không dây di động thay đổi từ đường truyền này sang đường truyền tiếp theo, một phần do tính di động của các thiết bị đầu cuối giao tiếp và môi trường động mà chúng phải hoạt động. Một cách tiếp cận phổ biến là chọn các tham số truyền dẫn để cung cấp hiệu suất thích hợp cho các điều kiện kênh xấu nhất để đảm bảo thông tin liên lạc. Một hệ thống truyền dẫn như vậy làm cho việc sử dụng năng lượng và thời gian truyền kém khi các điều kiện kênh thuận lợi hơn. Giao thức truyền dẫn thích ứng cũng có thể cung cấp thông tin liên lạc đáng tin cậy qua các kênh kém nhất, nhưng nó có thể điều chỉnh các thông số truyền để giảm năng lượng và rút ngắn thời gian truyền khi điều kiện kênh thuận lợi hơn. Một hệ thống có thể là vòng mở hoặc vòng kín, tức là không có hoặc có phản hồi CSI. Thích ứng hệ thống dựa trên phản hồi CSI thường hoạt động tốt hơn. Tuy nhiên, sự cải tiến đi kèm với chi phí phần cứng lớn hơn và tỷ lệ phản hồi CSI tăng, độ trễ phản hồi tăng. Độ trễ phản hồi, dẫn đến kiến thức kênh đã lỗi thời ở máy phát, đặc biệt rắc rối. Các thay đổi dựa trên thông tin lỗi thời để chọn ăng-ten phát hoặc điều chỉnh tốc độ truyền / công suất, v.v. có thể gây bất lợi, làm tăng xác suất lỗi ký hiệu (SEP) và tỷ lệ lỗi bit (BER). Tất nhiên, điều này có ý nghĩa quan trọng hơn trong các kênh mờ nhanh, nơi mà sự chậm trễ của liên kết trả về có thể làm cho bất kỳ thông tin kênh nào hoàn toàn lỗi thời vào thời điểm quá trình thích ứng thực sự diễn ra. Dự đoán kênh dựa trên CSI từ phản hồi đã được nghiên cứu kỹ lưỡng. Kalman fltering và các phương pháp ước tính kênh thích ứng khác thường được sử dụng, trong đó một hệ số được ước lượng tại một thời điểm. Một phương pháp dự đoán phạm vi dài thích ứng (LRP) cho ﬂat fading cũng được đề xuất trong [82, 83], trong đó toàn bộ một dải các hệ số tương lai có thể được ước tính. Ý tưởng về dự đoán kênh dài đã được mở rộng cho các kênh nhảy tần đa đường tắt dần chọn lọc tần số sử dụng phát hiện nhất quán [84]. 16
Trong luận án này, độ lợi kênh, SINR được dự đoán cho một môi trường cụ thể với các vị trí PA, VA, hệ số phản xạ … đã biết. Mặc dù dự đoán bị hạn chế đối với SMC, nó cũng có thể được mở rộng cho DM [86]. Trong chương này, chúng tôi sẽ chỉ ra cách có thể dự đoán biên độ, SINR của các SMC riêng lẻ cũng như PEB ở quy mô lớn, tức là trên toàn bộ mặt bằng. 4.2. Bản đồ môi trường vô tuyến (REM) sử dụng GPR 𝑎𝑏𝑠 Từ tập dữ liệu 𝒟 𝑘 và siêu tham số 𝜽 𝑘 , ta có thể ước lượng giá 𝑎𝑏𝑠 trị trung bình 𝔼{𝜓(𝜙 𝑘 (𝐩 ∗))|𝒟 𝑘 , 𝜽 𝑘 } và phương sai 𝑎𝑏𝑠 𝕍{𝜓(𝜙 𝑘 (𝐩 ∗))|𝒟 𝑘 , 𝜽 𝑘 } của biên độ SMC đã được chuẩn hóa tại vị trí 𝐩∗ bất kỳ, từ đó suy ra SINR 𝑘 (𝐩∗ ) và và PEB 𝒫(𝐩∗ ), cũng chính là các tham số sẽ được tạo bản đồ môi trường REM trong chương này. Ta có: 𝑎𝑏𝑠 𝔼2 { 𝜓(𝜙 𝑘 (𝐩 ∗))| 𝒟 𝑘 , 𝜽 𝑘 } SINR 𝑘 (𝐩∗ ) ≈ 𝑎𝑏𝑠 (4.2) 2𝕍{ 𝜓(𝜙 𝑘 (𝐩 ∗))| 𝒟 𝑘 , 𝜽 𝑘 } 4.3. Biên độ SMC Hình 4.2: Biên độ SMC dự đoán 𝛼 𝑘 (𝒑) cho toàn bộ mặt bằng cho các SMC khác nhau: (a) LOS, (b) phản xạ trên EPB, (c) phản xạ trên WW, (d) phản xạ SW. 17
4.4. SINR Như được trình bày trong [54], SINR 𝑘 (𝐩) được giả định là không thay đổi trong toàn bộ mặt bằng. Trong luận án này, chúng tôi đề xuất một phương pháp dự đoán SINR của SMC thứ k tại vị trí cụ thể, sẽ giúp nâng cao hiệu suất của tracking filter trong [49] và cả một ứng dụng khác như được trình bày trong phần 4.2.4. Hình 4.3: SINR được dự đoán cho toàn bộ mặt bằng cho: (a) LOS, (b) phản xạ trên EPB, (c) phản xạ trên WW, (d) phản xạ trên SW ... SINR được thu thập bằng cách áp dụng GPR trên CIRs thu được từ phép đo tại 595 điểm dọc theo quỹ đạo, như thể hiện trong Hình 8.2. Cùng một thang đo dB được sử dụng. 4.5. Position error bound Trong [87], một bản đồ môi trường vô tuyến định hướng dựa trên các đường truyền đa đường được phân giải, sử dụng PEB đã được đơn giản hóa đã được đề xuất. Trong đó, PEB có thể được sử dụng làm thước đo để lựa chọn các ăng ten định hướng nhất định cho thuật toán định vị sử dụng một anchor SALMA. Tuy nhiên, PEB được suy ra từ SINR được cho là như nhau trên toàn bộ mặt phản xạ. Trong luận án này, bằng cách sử dụng GPR, SINR cho từng SMC có thể được dự đoán / tính toán tại bất kỳ vị trí cụ thể nào trong toàn bộ môi trường, tức là đạt được REM có độ phân giải cao hơn. 18