مقاله مدل کانال هوشمند چندوجهی پهپاد-به-خودرو برای ادغام حسگری-ارتباطی 6G

این مقاله یک مدل کانال نوین پهپاد به خودرو (U2V) برای ادغام حسگری-ارتباطی هوشمند نسل ششم (6G) را بر اساس پیش‌بینی پراکنده‌ساز سه‌بعدی (3D) پیشنهاد می‌کند. برای بررسی رابطه نگاشت بین محیط فیزیکی و فضای الکترومغناطیسی، یک مجموعه داده شبیه‌سازی ادغام حسگری-ارتباطی مختلط با وفاداری بالا برای سناریوهای جاده عریض با تراکم‌های مختلف ترافیک خودرو (VTDs) و ارتفاعات مختلف پهپاد ساخته شده است. بر اساس مجموعه داده ساخته شده، الگوریتم نوین پیش‌بینی پراکنده‌ساز و تخمین توزیع سه‌بعدی (3D-SPADE) پیشنهاد می‌شود که از ابر نقاط LiDAR برای پیش‌بینی دقیق توزیع فضایی پراکنده‌سازها بهره می‌برد. علاوه بر این، خوشه‌بندی پراکنده‌سازها و طبقه‌بندی متعاقب آن‌ها به انواع پویا و ایستا برای سناریوهای بسیار پویا U2V طراحی شده است، ضمن کاهش پیچیدگی محاسباتی و بهبود دقت مدل‌سازی. از آنجایی که ابر نقاط LiDAR با گذشت زمان تغییر می‌کنند، خوشه‌های پویا و ایستا از طریق 3D-SPADE تکامل می‌یابند و امکان مدل‌سازی دقیق عدم ایستایی و سازگاری کانال را فراهم می‌کنند. نتایج شبیه‌سازی نشان می‌دهد که در سناریوی جاده عریض با VTDs و ارتفاعات مختلف پهپاد، 3D-SPADE پیشنهادی به طور مداوم عملکرد بالایی در تشخیص اشغال پراکنده‌ساز در شبکه وکسلی (voxel grid) به دست می‌آورد. به طور خاص، در پیکربندی‌های مطلوب، بازیابی (recall) به 93.26% و دقت (precision) به 95.74% می‌رسد که قابلیت اطمینان 3D-SPADE را برجسته می‌کند. ویژگی‌های آماری کلیدی کانال شبیه‌سازی و تحلیل شده‌اند. این ویژگی‌ها از آزمایش‌های شبیه‌سازی با نتایج ردیابی پرتو (ray-tracing) سازگاری بالایی دارند و توافق بهتری نسبت به مدل استاندارد و مدل ناسازگار نشان می‌دهند، که ضرورت بررسی رابطه نگاشت و اثربخشی مدل پیشنهادی را تأیید می‌کند.

This paper proposes a novel UAV-to-Vehicle (U2V) channel model for sixth-generation (6G) intelligent sensing-communication integration, based on three-dimensional (3D) scatterer prediction. To explore the mapping relationship between physical environment and electromagnetic space, a new high-fidelity mixed sensing-communication integration U2V simulation dataset under wide-lane scenarios with different vehicular traffic densities (VTDs) and UAV heights is constructed. Based on the constructed dataset, a novel 3D Scatterer Prediction and Distribution Estimation (3D-SPADE) algorithm is proposed, which leverages LiDAR point clouds to accurately predict the spatial distribution of scatterers. Furthermore, the clustering of scatterers and the subsequent classification into dynamic and static types are meticulously designed for highly dynamic U2V scenarios, while reducing computational complexity and improving modeling accuracy. As LiDAR point clouds vary over time, dynamic and static clusters evolve via 3D-SPADE, enabling precise modeling of channel non-stationarity and consistency. Simulation results demonstrate that, in the wide-lane scenario with varying VTDs and UAV heights, the proposed 3D-SPADE consistently achieves high scatterer occupancy detection performance within the voxel grid. In particular, under favorable configurations, recall reaches 93.26%, and precision reaches 95.74%, highlighting the reliability of 3D-SPADE. Key channel statistical characteristics are simulated and analyzed. These characteristics from the simulation experiments are highly consistent with ray-tracing results and exhibit better agreement than with the standardized model and inconsistent model, validating the necessity of exploring the mapping relationship and the effectiveness of the proposed model.