Гуков_5G_УрФУ

1.

Исследование принципов распространения радиоволн в
системах сотовой связи 5G в условиях городской застройки
Докладчик: Гуков Егор Юрьевич
Группа РИ-421111
Инфокоммуникационные технологии и системы связи
Производственная практика, преддипломная
Руководитель: Саблина Н.Г.
Соруководитель: Ремизов Д.В.
11.03.02 Инфокоммуникационные технологиии системы связи
Екатеринбург 2026
1/16

2.

ЦЕЛЬ И ЗАДАЧИ
Цель практики
– Исследование принципов распространения радиоволн в системах сотовой связи 5G в условиях городской
застройки
Задачи
Изучить теоретические основы мобильности в сетях 5G и классификацию моделей каналов
распространения
Обосновать выбор программного инструментария (Sionna RT) для детерминированного моделирования
Разработать пять реалистичных 3D-моделей городской застройки г. Екатеринбурга на основе геоданных
OpenStreetMap
Провести симуляцию трассировки лучей и построить карты покрытия, CIR и CFR для каждой сцены
Верифицировать результаты со стандартом 3GPP TR 38.901 и проанализировать применимость подхода
2/16

3.

ЭФФЕКТЫ МОБИЛЬНОСТИ В 5G
Эффект Доплера
При движении UE несущая частота принятого сигнала смещается. На
частоте 28 ГГц при скорости 120 км/ч доплеровский сдвиг достигает
нескольких кГц → когерентное время канала ≈ единицы мс.
Нестационарность канала
В mmWave статистика канала (задержки, углы AoA/AoD, мощности
путей) меняется при перемещении пользователя на десятки сантиметров
Пространственная согласованность
Рис 1. — Иллюстрация эффекта Доплера
Параметры канала двух соседних позиций UE должны быть
коррелированы. Критично для Massive MIMO и beam-tracking. В 3GPP
реализуется через корреляционные фильтры.
Переходы LOS/NLOS
Блокировка зданием, транспортным средством или телом человека в
mmWave-диапазоне вызывает мгновенные потери сигнала 20–40 дБ.
Стохастические модели плохо предсказывают такие события.
Рис 2 . — Beam-tracking в Massive MIMO 5G
3/16

4.

КЛАССИФИКАЦИЯ МОДЕЛЕЙ КАНАЛОВ РАСПРОСТРАНЕНИЯ
Стохастические модели (3GPP TR 38.901, QuaDRiGa, NYUSIM)
Параметры канала (задержки, углы, мощности) генерируются случайно по статистическим распределениям.
Быстрый расчёт (мс) тысяч реализаций. Применяются для системных симуляций больших сетей.
Детерминированные модели — рейтрейсинг
Каждый луч от TX отражается, преломляется и рассеивается по геометрии реальной 3D-среды. Физически
точная картина для конкретной застройки. Высокая вычислительная сложность.
Переход: геометрически-стохастические модели (GBSM)
QuaDRiGa, NYUSIM — часть параметров детерминирована (привязана к кластерам), часть случайна.
Компромисс между точностью и скоростью.
Вывод
Для site-specific моделирования застройки Екатеринбурга выбран детерминированный рейтрейсинг (Sionna
RT): автоматическая пространственная согласованность, точное предсказание LOS/NLOS переходов.
4/16

5.

МЕТОДОЛОГИЯ СОЗДАНИЯ 3D-СЦЕН и ДН антенны
Источники геоданных и инструменты
OpenStreetMap (OSM) — полигоны зданий с атрибутами
высоты. Экспорт в формате .osm (XML).
Blender + плагин blender-osm — автопостроение зданий,
назначение материалов, экспорт в XML/Mitsuba.
Sionna RT — загрузка сцены, расстановка TX/RX, расчёт
рейтрейсинга.
Параметры материалов (ITU-R P.2040)
Бетон: ε_r = 5,31, σ = 0,0326 С/м
Кирпич: ε_r = 3,75, σ = 0,038 С/м
Асфальт: ε_r = 3,0, σ = 0,001 С/м
Базовая станция (модель)
3 TX расставлены вершинами равностороннего треугольника.
Антенная решетка 16×16, мощность 26 дБм, высота 10–40 м.
Рис 3. — Диаграмма направленности антенны 16 х
16 по стандарту 3GPP
5/16

6.

СЦЕНА 1 — ИРИТ-РТФ УрФУ
Размер: 330 х 330 метров
Тип застройки: университетский городок с П/Гобразными корпусами.
Карты покрытия подтверждают сильное
затенение за корпусами.
1 БС, высота 40 метров
Рис. 5 — 3D-сцена ИРИТ-РТФ в Blender
Рис. 4 — Карта SINR, ИРИТ-РТФ
Рис. 6 — Трассировка лучей, ИРИТ-РТФ (вид сверху)
6/16

7.

СЦЕНА 2 — АКАДЕМИЧЕСКИЙ РАЙОН
• Размер 500 х 500 метров
• 1 БС, высота 40 м.
Рис. 7 — Академический район в Blender (вид сверху)
• Одна БС обеспечивает покрытие большей
части 500 м сцены.
• Точечные высотки создают выраженные
вертикальные теневые зоны в NLOS.
Рис. 8 — Карта Path Gain, Академический район
7/16

8.

СЦЕНА 3 — УЛ. ВАЙНЕРА
Размер 300 х 300 метров
1 БС, 20 метров
Узкие улицы
RX0–RX1: вдоль улицы (LOS) — 6 путей, RMS
DS = 36,2 нс, макс. −79,3 дБ.
RX2–RX4: за углом здания (NLOS) — 2 пути,
RMS DS = 124,1 нс, макс. −128,0 дБ
Рис. 10— CIR, LOS
Рис. 9— Схема расстановки RX: LOS/NLOS (rx0–rx4)
Рис. 11— CIR, NLOS
8/16

9.

СЦЕНА 4 — УЛ. ШЕФСКАЯ (UMa)
Размер 500 х 500
1 БС, высота 10 метров
Широкая транспортная артерия с разреженной застройкой. Протяжённые
LOS-зоны вдоль проспекта.
RX на 200 м: 6 путей
RX на 300 м: 4 пути
RX на 500 м: 5 путей
Рис. 12 — 3D-сцена ул. Шефской в Blender
Рис. 13 — CFR ул. Шефская: LOS на 200/300/500 м
9/16

10.

СЦЕНА 5 — УРАЛМАШ
2 БС, размер 800 на 800 метров.
Промышленная и жилая территория
Симуляция в ограниченном режиме (только отражения,
без дифракции) из-за вычислительных ограничений.
Рис. 14 — 3D-сцена Уралмаш в Blender (вид сверху)
Рис. 15 — Трассировка лучей, Уралмаш
10/16

11.

Сравнение результатов: 3GPP TR 38.901 и SIONNA RT
Сравнение выполнено для сцены ул. Шефская (UMi-Street
Canyon, f = 3,5 ГГц):
Расстояние
PL_LOS (дБ)
PG_LOS (дБ)
PL_NLOS (дБ)
PG_NLOS (дБ)
100 м
70,1
−70,1
91,1
−91,1
200 м
76,4
−76,4
100,8
−100,8
300 м
80,2
−80,2
107,1
−107,1
500 м
85,4
−85,4
114,8
−114,8
Рис. 17 — Сравнение с 3GPP
Интерпретация результатов
Стабильное отклонение 7–8 дБ в LOS: 3GPP даёт медианное значение для «среднего» города; конкретная геометрия ул.
Шефской даёт несколько большие потери.
В NLOS на 500 м детерминированный рейтрейсинг фиксирует нулевое покрытие против −114,8 дБ по 3GPP. Включение
диффузного рассеяния сократило бы разрыв на 8–15 дБ.
11/16

12.

ЗАКЛЮЧЕНИЕ
Теоретический анализ:
Изучены эффекты мобильности 5G. Для mmWave и Massive MIMO детерминированные модели превосходят стохастические
в точности предсказания поведения канала в конкретной застройке.
Обоснование инструментария:
Sionna RT выбран как единственный инструмент с GPU, открытым кодом и дифференцируемым RT и интеграцией с ML.
Практическая реализация:
Созданы 5 уникальных 3D-сцен Екатеринбурга (ИРИТ-РТФ, Академический, Вайнера, Шефская, Уралмаш). Построены
карты покрытия, CIR и CFR.
Сравнение:
Отклонение Sionna RT от 3GPP TR 38.901 в LOS: 7–8 дБ. В NLOS на 500 м детерминированная модель фиксирует нулевое
покрытие против −114,8 дБ по стандарту.
Область применения:
Планирование 5G-сетей, оптимизация beam-tracking, создание цифровых двойников радиосреды для интеллектуальных
транспортных систем.
12/16

13.

СПИСОК ИСПОЛЬЗОВАНННЫХ ИСТОЧНИКОВ
1. Wang C.-X. A Survey of 5G Channel Measurements and Models / C.-X. Wang [и др.] // IEEE Communications Surveys & Tutorials. – 2018. – Vol. 20, No. 4. – P.
3142–3181. – DOI: 10.1109/COMST.2018.2841965 [Электронный ресурс]. – URL: https://ieeexplore.ieee.org/document/8370785 (дата обращения: 26.02.2026).
2. Cheng X. Channel Nonstationarity and Consistency for Beyond 5G and 6G: A Survey / X. Cheng [и др.] // IEEE Communications Surveys & Tutorials. – 2022. – Vol.
24, No. 3. – P. 1633–1660. – DOI: 10.1109/COMST.2022.3184049 [Электронный ресурс]. – URL: https://ieeexplore.ieee.org/document/9799999 (дата обращения: 26.02.2026).
3. Bian J. A General 3D Non-Stationary Wireless Channel Model for 5G and Beyond / J. Bian [и др.]. – arXiv:2101.06610, 2021 [Электронный ресурс]. – URL:
https://arxiv.org/abs/2101.06610 (дата обращения: 26.02.2026).
4. Ge X. User Mobility Evaluation for 5G Small Cell Networks Based on Individual Mobility Model / X. Ge [и др.]. – arXiv:1512.03149, 2015 [Электронный ресурс]. –
URL: https://arxiv.org/abs/1512.03149 (дата обращения: 26.02.2026).
5. Assiimwe E. A Mobility Model for a 3D Non-Stationary Geometry Cluster-Based Channel Model for High Speed Trains in MIMO Wireless Channels / E. Assiimwe [и
др.] // Sensors. – 2022. – Vol. 22, No. 24. – DOI: 10.3390/s22249791 [Электронный ресурс]. – URL: https://www.mdpi.com/1424-8220/22/24/9791 (дата обращения:
26.02.2026).
6.
3GPP
TR
38.901
V17.0.0.
Study
on
channel
model
for
frequencies
from
0.5
to
100
GHz
[Электронный
ресурс].
–
URL:
https://www.3gpp.org/ftp/Specs/archive/38_series/38.901/ (дата обращения: 26.02.2026).
7. Jaeckel S. QuaDRiGa: A 3-D Multi-Cell Channel Model with Time Evolution for Enabling Virtual Field Trials / S. Jaeckel [и др.] // IEEE Transactions on Antennas and
Propagation. – 2014. – Vol. 62, No. 6. – P. 3242–3256. – DOI: 10.1109/TAP.2014.2313567 [Электронный ресурс]. – URL: https://ieeexplore.ieee.org/document/6783985 (дата
обращения: 26.02.2026).
13/16

14.

СПИСОК ИСПОЛЬЗОВАНННЫХ ИСТОЧНИКОВ
8. Sun S. A Novel Millimeter-Wave Channel Simulator NYUSIM and Applications for 5G Wireless Communications / S. Sun [и др.] // 2017 IEEE International Conference on
Communications (ICC). – 2017. – DOI: 10.1109/ICC.2017.7996496 [Электронный ресурс]. – URL: https://ieeexplore.ieee.org/document/7996496 (дата обращения: 26.02.2026).
9. Poddar H. A Tutorial on NYUSIM: Sub-Terahertz and Millimeter-Wave Channel Simulator for 5G, 6G and Beyond / H. Poddar [и др.] // IEEE Communications Surveys & Tutorials.
– 2023. – DOI: 10.1109/COMST.2023.3344671 [Электронный ресурс]. – URL: https://ieeexplore.ieee.org/document/10012345 (дата обращения: 26.02.2026).
10.
IST-WINNER
Project.
WINNER
II
Channel
Models.
Deliverable
D1.1.2
V1.2,
2008
[Электронный
ресурс].
–
URL:
http://signserv.signal.uu.se/Publications/WINNER/WIN2D112.pdf (дата обращения: 26.02.2026).
11. Pang L. Investigation and Comparison of 5G Channel Models: From QuaDRiGa, NYUSIM, and MG5G Perspectives / L. Pang [и др.] // IET Communications. – 2022. – DOI:
10.1049/cje.2021.00.103 [Электронный ресурс]. – URL: https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/cje.2021.00.103 (дата обращения: 26.02.2026).
12 Tariq S. Stochastic versus Ray Tracing Wireless Channel Modeling for 5G and V2X Applications: Opportunities and Challenges / S. Tariq [и др.] // Wireless Sensor Networks –
Design, Deployment and Applications. – IntechOpen, 2021. – DOI: 10.5772/intechopen.96224 [Электронный ресурс]. – URL: https://www.intechopen.com/chapters/96224 (дата обращения:
26.02.2026).
13 Yun Z. The Design and Applications of High-Performance Ray-Tracing Simulation Platform for 5G and Beyond Wireless Communications: A Tutorial / Z. Yun, M. F. Iskander //
IEEE Communications Surveys & Tutorials. – 2018. – DOI: 10.1109/COMST.2018.2865724 [Электронный ресурс]. – URL: https://ieeexplore.ieee.org/document/8436789 (дата обращения:
26.02.2026).
14. Hoydis J. Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling / J. Hoydis [и др.]. – arXiv:2303.11103, 2023 [Электронный ресурс]. – URL:
https://arxiv.org/abs/2303.11103 (дата обращения: 26.02.2026).
15.
Sionna
Documentation.
Ray
Tracing
(RT)
Package
&
Tutorial
on
Mobility.
–
NVIDIA/Sionna
v1.2+,
2023–2025
[Электронный
ресурс].
–
URL:
https://nvlabs.github.io/sionna/rt/index.html (дата обращения: 26.02.2026).
16. Eertmans J. Fully Differentiable Ray Tracing via Discontinuity Smoothing for Radio Network Optimization / J. Eertmans [и др.]. – arXiv:2401.11882, 2024 [Электронный ресурс].
– URL: https://arxiv.org/abs/2401.11882 (дата обращения: 26.02.2026).
14/16

15.

СПИСОК ИСПОЛЬЗОВАНННЫХ ИСТОЧНИКОВ
17. Jin Y. SANDWICH: Towards an Offline, Differentiable, Fully-Trainable Wireless Neural Ray-Tracing Surrogate / Y. Jin [и др.]. – IEEE Conference, 2025 [Электронный ресурс]. – URL:
https://arxiv.org/pdf/2411.08767v1 (дата обращения: 26.02.2026).
18. NVIDIA Research. Learning Radio Environments by Differentiable Ray Tracing, 2024 [Электронный ресурс]. – URL: https://research.nvidia.com/publication/2024-10_learning-radioenvironments-differentiable-ray-tracing (дата обращения: 26.02.2026).
19. Saleem A. A Critical Review on Channel Modeling: Implementations, Challenges and Applications / A. Saleem [и др.] // Electronics. – 2023. – Vol. 12, No. 9. – DOI:
10.3390/electronics12092014 [Электронный ресурс]. – URL: https://www.mdpi.com/2079-9292/12/9/2014 (дата обращения: 26.02.2026).
20. 3GPP Release 19 Study Overview. Overview of 3GPP Release 19 Study on Channel Modeling Enhancements to TR 38.901 for 6G. – arXiv:2507.19266, 2025 [Электронный ресурс]. –
URL: https://arxiv.org/abs/2507.19266 (дата обращения: 26.02.2026).
21. Singh O. EPMR: Energy Proficient Mobile Routing for Scalable Wireless Sensor Networks / O. Singh, V. Rishiwal, M. Yadav // Wireless Personal Communications. – 2024. – Vol. 138. –
P. 1985–2011. – DOI: 10.1007/s11277-024-11589-z [Электронный ресурс]. – URL: https://link.springer.com/article/10.1007/s11277-024-11589-z (дата обращения: 26.02.2026).
22. Optomet GmbH. The Doppler Effect: Physics and Applications [Электронный ресурс] // Optomet. – 2024. – URL: https://www.optomet.com/knowledge-technology/doppler-effect/ (дата
обращения: 26.02.2026).
23. Ramalingam M. Strong Reflected (NLOS) Signal – a Secret Sauce of mmWave Based 5G Systems (Part-4) [Электронный ресурс] // LinkedIn. – 2022. – URL:
https://www.linkedin.com/pulse/strong-reflected-nlos-signal-secret-sauce-mmwave-based-ramalingam (дата обращения: 26.02.2026).
24. Ramalingam M. 5G NR Beam Management and Beam Scheduling (everything about the beams) [Электронный ресурс] // LinkedIn. – 2021. – URL: https://www.linkedin.com/pulse/5g-nrbeam-management-scheduling-everything-beams-ramalingam (дата обращения: 26.02.2026).
15/16

16.

БЛАГОДАРЮ ЗА ВНИМАНИЕ
Гуков Егор Юрьевич
Эл.почта: egorka387@mail.ru
16/16