Quasi-deterministic channel modeling and experimental validation in cooperative and massive MIMO deployment topologies

Das enorme Wachstum des mobilen Datenaufkommens wird zu substantiellen Veränderungen in mobilen Netzwerken führen. Neue drahtlose Funksysteme müssen alle verfügbaren Freiheitsgrade des Übertragungskanals ausnutzen um die Kapazität zu maximieren. Dies beinhaltet die Nutzung größerer Bandbreiten, getrennter Übertragungskanäle, Antennenarrays, Polarisation und Kooperation zwischen Basisstationen. Dafür benötigt die Funkindustrie Kanalmodelle, welche das wirkliche Verhalten des Übertragungskanals in all diesen Fällen abbilden. Viele aktuelle Kanalmodelle unterstützen jedoch nur einen Teil der benötigten Funktionalität und wurden nicht ausreichend durch Messungen in relevanten Ausbreitungsszenarien validiert. Es ist somit unklar, ob die Kapazitätsvorhersagen, welche mit diesen Modellen gemacht werden, realistisch sind. In der vorliegenden Arbeit wird ein neuen Kanalmodell eingeführt, welches korrekte Ergebnisse für zwei wichtige Anwendungsfälle erzeugt: Massive MIMO und Joint-Transmission (JT) Coordinated Multi-Point (CoMP). Dafür wurde das häufig verwendete WINNER Kanalmodell um neue Funktionen erweitert. Dazu zählen 3-D Ausbreitungseffekte, sphärische Wellenausbreitung, räumliche Konsistenz, die zeitliche Entwicklung von Kanälen sowie ein neues Modell für die Polarisation. Das neue Kanalmodell wurde unter dem Akronym "QuaDRiGa" (Quasi Deterministic Radio Channel Generator, dt.: quasideterministischer Funkkanalgenerator) eingeführt. Um das Modell zu validieren wurden Messungen in Dresden und Berlin durchgeführt. Die Messdaten wurden zunächst verwendet um die Modellparameter abzuleiten. Danach wurden die Messkampagnen im Modell nachgestellt um die Reproduzierbarkeit der Ergebnisse nachzuweisen. Essentielle Leistungsindikatoren wie z.B. der Pfadverlust, die Laufzeitstreuung, die Winkelstreuung, der Geometriefaktor, die MIMO Kapazität und die Dirty-Paper-Coding Kapazität wurden für beide Datensätze berechnet. Diese wurden dann miteinander sowie mit Ergebnissen aus dem Rayleigh i.i.d. Modell und dem 3GPP-3D Kanalmodell verglichen. Für die Messungen in Dresden erzeugt das neue Modell nahezu identische Ergebnisse wenn die nachsimulierten Kanäle anstatt der Messdaten für die Bestimmung der Modellparameter verwendet werden. Solch ein direkter Vergleich war bisher nicht möglich, da die vorherigen Modelle keine ausreichend langen Kanalsequenzen erzeugen können. Die Kapazitätsvorhersagen des neuen Modells sind zu über 90% korrekt. Im Vergleich dazu konnte das 3GPP-3D Model nur etwa 80% Genauigkeit aufweisen. Diese Vorhersagen konnten auch für das Messszenario in Berlin gemacht werden, wo mehrere Basisstationen zeitgleich vermessen wurden. Dadurch konnten die gegenseitigen Störungen mit in die Bewertung eingeschlossen werden. Die Ergebnisse bestätigen die generelle Annahme, dass es möglich ist den Ausbreitungskanal sequenziell für einzelne Basisstationen zu vermessen und danach Kapazitätsvorhersagen für ganze Netzwerke mit der Hilfe von Modellen zu machen. Das neue Modell erzeugt Kanalkoeffizienten welche ähnliche Eigenschaften wie Messdaten haben. Somit können neue Algorithmen in Funksystemen schneller bewertet werden, da es nun möglich ist realistische Ergebnisse in einem frühen Entwicklungsstadium zu erhalten.

The tremendous growth of mobile data traffic will lead to substantial architectural changes in wireless networks. New wireless systems need to exploit all available degrees of freedom in the wireless channel such as wider bandwidth, multi-carrier operation, large antenna arrays, polarization, and cooperation between base stations, in order to maximize the performance. The wireless industry needs channel models that reproduce the true behavior of the radio channel in all these use cases. However, many state-of-the-art models only support parts of the required functionality and have not been thoroughly validated against measurements in relevant propagations scenarios. It is therefore unclear if the performance predictions made by these models are realistic. This thesis introduces a new geometry-based stochastic channel model that creates accurate results for two important use cases: massive multiple-input multiple-output (MIMO) and joint transmission (JT) coordinated multi-point (CoMP). For this, the popular WINNER channel model was extended to incorporate 3-D propagation, spherical wave propagation, spatial consistency, temporal evolution of channels, and a new model for the polarization. This model was introduced under the acronym ``QuaDRiGa'' - quasi deterministic radio channel generator. To validate the model, measurements were done in downtown Dresden, Germany, and downtown Berlin, Germany. Those were used to derive the model parameters. Then, the measurements were resimulated with the new channel model and benchmarked against the Rayleigh i.i.d. model and the 3GPP-3D channel model. Essential performance indicators such as path gain, shadow fading, delay spread, angular spreads, geometry factor, single-link capacity, and the dirty-paper coding capacity were computed from both the measured and resimulated data. In Dresden, the resimulated channels produce almost identical results as the measured channels. When using the resimulated channels to derive the model parameters, the same results can be obtained as when using the measurement data. Such a direct comparison was not possible with the previous models because they cannot produce sufficiently long sequences of channel data. The performance predictions from the new model are more than 90% accurate whereas only 80% accuracy could be achieved with the 3GPP-3D model. In Berlin, accurate performance predictions could also be made in a multi-cellular environment where the mutual interference between the base stations could be studied. This confirms that it is generally sufficient to use single-link measurements to parameterize channel models that are then used to predict the achievable performance in wireless networks. The new model can generate channel traces with similar characteristics as measured data. This might speed up the evaluation of new algorithms because it is now possible to obtain realistic performance results already in an early stage of development.

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten