5G NR无人机网络中依赖于高度的RSRP与RSRQ权衡

大家读完觉得有帮助记得关注和点赞！！！

摘要

在5G NR网络中，蜂窝连接的无人机所经历的传播和干扰条件随高度变化显著，且与地面用户存在本质差异。这主要是由5G NR网络中基站天线下倾角设计所致，导致无人机主要通过旁瓣（sidelobes）获得服务并受到干扰。本文开发了一个符合3GPP标准的系统级框架，用于在多站点三扇区部署中，结合真实天线方向图和视距（LOS）/非视距（NLOS）概率模型，对参考信号接收功率（RSRP）、参考信号接收质量（RSRQ）和信干噪比（SINR）等关键性能指标进行一致性的表征。仿真结果表明，空中用户在较高高度会经历从覆盖受限到干扰受限的关键转变。虽然RSRP主要受大尺度传播特性影响，并随高度和站点间距的增加而逐渐恶化，但由于LOS条件导致的干扰增加，SINR的恶化速度要快得多。相反，增加站点间距（ISD）虽然降低了接收功率，却因减少了干扰而改善了SINR和RSRQ。

I. 引言与相关研究

无人机与蜂窝网络的融合因其 Surveillance、应急响应[14]和数据收集[7, 8]等应用潜力而备受关注。特别是5G新空口（NR）网络，为利用现有地面基础设施实现广域无人机指挥控制连接提供了前景广阔的平台。然而，与地面用户设备（GUE）在二维平面运行不同，无人机在三维空间中运行，其传播特性和天线方向图随高度变化显著。这从根本上改变了蜂窝网络的覆盖和干扰行为。

与此同时，电子显影（Electronic Conspicuity, EC）框架强调了可靠检测和通信对于安全空域融合的必要性[15]。然而，现有的EC方法常受限于覆盖和干扰问题，尤其是在密集环境中。这些挑战促使人们利用蜂窝基础设施（如5G NR）来实现可靠的无人机连接，其性能关键取决于随高度变化的无线环境。

随着无人机高度的增加，其与地面基站建立视距的概率增加，导致可见的LOS链路增多，从而改变了接收信号特性。同时，无人机暴露在更多干扰小区的信号下，显著提升了小区间干扰[11]。无人机通常由基站旁瓣提供服务，导致期望信号强度较弱，而来自多个小区的干扰较强[16]。因此，无人机通信从低空的覆盖受限转变为高空的干扰受限。这种覆盖与干扰随高度耦合的特性，是实现可靠空中连接的主要挑战。

近期研究采用分析、测量和数据驱动的方法来探究无人机通信。基础性工作描述了无人机融入蜂窝网络的特性，并强调了覆盖和干扰的关键挑战[13, 5]，包括实际的无人机辅助基站部署研究，这些研究既证明了覆盖收益，也揭示了严重的空地干扰限制[17, 12]。基于3GPP模型的标准化和系统级评估为空中用户提供了现实的框架[2, 1, 12]。基于测量的研究揭示了依赖于高度的传播和干扰特性[11, 9]，包括实证信道特性研究，表明多径效应减弱且路径损耗随高度变化减小[10]。此外，关于无人机网络的全面综述强调了通信可靠性和网络融合的关键挑战，但主要提供定性见解，缺乏详细的系统级建模[4]。近期工作也分析了高空以LOS为主的干扰影响[6, 18]。数据驱动方法也被用于无人机信道建模和性能预测[3]。

然而，大多数现有工作独立分析参考信号接收功率或信干噪比等性能指标，缺乏一个统一的框架来一致地捕捉接收功率、干扰和噪声在RSRP、RSRQ和SINR等指标间的相互作用。此外，虽然天线方向图常被隐含考虑，但基站天线下倾及其导致的空中用户由旁瓣主导的连接特性，尚未在系统层面得到明确分析，这使得蜂窝网络中依赖于高度的干扰行为存在研究空白。本工作通过在符合3GPP标准的多小区5G NR网络中，明确建模空中用户的旁瓣驱动连接和多小区干扰，解决了这些局限。通过在统一公式中显式耦合接收功率、总干扰和噪声，所提出的框架能够对依赖于高度的覆盖-干扰权衡进行一致且物理意义明确分析，这对于需要干扰感知机制来确保可靠无人机连接的空中蜂窝网络设计与优化至关重要。

鉴于近期利用5G NR网络服务无人机的浓厚兴趣[15]，本文的主要贡献总结如下：

• 我们开发了一个符合3GPP标准的系统级框架，用于评估5G NR网络中依赖于高度的无人机性能，融合了真实的部署几何、天线方向图、干扰条件以及概率性的LOS/NLOS传播模型。

• 我们建立了一致的KPI公式，联合捕捉接收功率、干扰和噪声，确保RSRP、RSRQ和SINR的对齐。

• 我们刻画了从覆盖受限到干扰受限操作的依赖于高度的转变，并量化了其对于空中链路性能的影响。

• 我们揭示了一个反直觉的站点间距权衡：增加ISD虽然降低了RSRP，但通过减少干扰改善了SINR和RSRQ。

• 我们证明了RSRQ可作为干扰主导的实用指标，并能捕捉空中网络中的覆盖-干扰解耦现象。

本文其余部分组织如下：第二节介绍系统模型，包括网络拓扑、天线配置和传播建模。第三节定义性能指标和KPI表征。第四节提供数值结果，并讨论关于依赖于高度的覆盖与干扰权衡的关键观察。最后，第五节总结全文。

II. 系统模型

本节讨论蜂窝部署几何、天线方向图和信道模型。

II-A 网络拓扑

我们考虑一个19小区的六边形蜂窝部署，以站点间距作为控制参数来研究性能权衡。每个基站站点配备三个扇区，方位角间隔120度。这总共产生N=57个扇区，每个扇区由索引s∈{1,2,…,N}标识。图1展示了网络几何结构，其中中心小区用作无人机性能评估的区域，而周边小区产生小区间干扰。为确保边界效应和干扰一致性，采用了环绕几何，使得边缘用户经历的干扰等同于无限蜂窝布局中的情况[2][1]。

图 1：​ 采用环绕几何的19小区六边形蜂窝部署，每个基站为三扇区配置。

II-B 空中用户几何

无人机置于高度h处，在网络的中心小区内运行，考虑了三个确定的水平位置(x,y)，分别位于小区中心、小区中部和小区边缘。这使得空中用户位置能经历来自多个扇区的不同天线增益和干扰条件。设无人机位置为 u​ = [x, y, h]^T，对于基站高度h_b，扇区s与无人机之间的二维和三维距离分别为：

其中扇区的水平位置由(x_s, y_s)表示。那么，相对于基站b的俯仰角(θ_s)和方位角(φ_s)分别为：

图 2：​ 无人机-基站链路几何，展示了城市与农村环境中的三维距离、俯仰角以及来自相邻扇区的干扰。

图2展示了无人机-基站链路。与展示整体网络布局的图1不同，图2聚焦于无人机与周围基站扇区之间的链路级关系。除了俯仰角外，它还展示了下倾的天线方向图，其中主瓣主要服务地面用户，而无人机作为空中用户，通常通过旁瓣获得服务。因此，无人机暴露在来自多个相邻扇区的强干扰下，包括直接的旁瓣辐射和地面反射分量。此外，低空无人机在城市环境中常因建筑物、在农村环境中常因树木而处于NLOS条件。该图还直观展示了空中用户接收信号强度与信号质量之间的权衡。虽然较高的无人机高度可能因遮挡减少和LOS链路概率增加而改善RSRP，但也使无人机暴露于更多干扰扇区，从而恶化RSRQ。这种权衡是空中蜂窝通信的一个关键特征，并激发了对依赖于高度的性能进行细致分析的必要性。

II-C 扇区天线方向图

每个基站扇区采用3GPP复合天线模型[2]，该模型在水平和垂直平面上表征方向性增益。天线由电下倾角θ_tilt、垂直和水平3dB波束宽度θ_3dB和φ_3dB以及最大增益G_max定义。

设ψ_s表示扇区s的方位角主瓣指向。无人机方向与扇区主瓣之间的方位角和俯仰角偏移分别为：

垂直和水平衰减分别为：

其中SLA_v是垂直旁瓣衰减极限，A_m是最大衰减。扇区s朝向无人机的在高度h处的总衰减A_s(h)和天线增益G_s(h)为：

II-D 传播与信道建模

无人机与蜂窝扇区之间的大尺度传播采用3GPP TR 38.901[2]建模。接收信号衰减由距离相关的路径损耗、概率性的LOS或NLOS传播以及对数正态阴影衰落组成。我们考虑城市宏蜂窝和农村宏蜂窝环境。

II-D1 城市宏蜂窝路径损耗

对于城市部署，LOS传播采用双斜率路径损耗模型建模，在指定距离处有一个断点。该结构捕捉了从自由空间主导的传播区域到受地面反射分量影响的区域的转变：

其中f_c是载波频率，LFSUMa​代表水平距离d2D​低于断点距离dBPUMa​时的自由空间主导衰减。超过dBPUMa​后，路径损耗为：

其中LGRUMa​捕捉了在较长链路距离下变得主导的双径地面反射效应导致的更强衰减。dBPUMa​定义为：

其中c是光速，h_e = 1 m代表周围散射体的有效环境平均高度。因此，UMa的LOS路径损耗为：

因此，(11)式捕捉了短距离和长距离LOS链路的传播行为。对于UMa NLOS传播，路径损耗为：

其中

II-D2 农村宏蜂窝路径损耗

对于RMa，断点距离为：

因此，RMa的LOS路径损耗为：

其中，对于平均建筑高度h_blg = 5 m，

和

RMa NLOS路径损耗为：

其中，对于平均街道宽度W = 20，

LNLoSRMa′​=161.04−7.1log10​(W)+7.5log10​(hbl​)−(24.37−3.7(hbl​/hb​)2)log10​(hb​)+(43.42−3.1log10​(hb​))(log10​(d3D​)−3)+20log10​(fc​)−(3.2(log10​(11.75h))2−4.97).(19)

II-D3 LOS概率与传播状态

虽然确定性路径损耗在(8)-(18)中已确定，但基站与无人机之间的传播条件必须确定为LOS或NLOS。因此，LOS概率建模为水平距离d2D​的函数。对于RMa和UMa场景，LOS概率分别定义为：

其中

然而，(20)和(21)式代表的是RMa和UMa场景下LOS的可能性，而非实际的传播条件。因此，使用伯努利随机变量来生成扇区s的传播状态Z_s。设U ∼ U(0,1)为均匀分布随机变量。则：

扇区s的路径损耗则为：

为捕捉环境遮挡引起的大尺度信号波动，应用对数正态阴影衰落：

其中σ_s取决于传播状态和场景。无人机与扇区s之间的有效大尺度衰减变为：

这种概率实现在蒙特卡洛试验中重复进行，以捕捉城市和农村环境中空地蜂窝传播阻塞条件的随机性。

III. 性能指标与KPI表征

本节定义性能指标及其用于无人机通信分析的统计表征。

III-A 接收功率与最佳小区关联

来自每个基站扇区s的接收功率为：

其中Ptx,s​是基站发射功率，Gs​(θ,φ)代表扇区朝向无人机的天线增益，Limpl​计入实现损耗。

每个扇区s的参考信号接收功率（RSRP, ℛ）通过将接收功率Prx​相对于资源元素数量NRB​归一化获得：

对于每个无人机位置，在高度h处的服务扇区s⋆(h)由最大的瞬时ℛ_s选择：

III-B SINR与RSRQ计算

虽然RSRP是LTE和5G中小区选择和切换决策的主要指标，但它不能单独捕捉实际信号质量[3]。因此，需要信干噪比和参考信号接收质量测量。每个扇区朝向无人机的SINR γ_s(h)在线性标度（毫瓦）下计算为：

其中N_0代表接收机噪声功率，高度h处的总干扰为：

其中ρ ∈ [0,1]是干扰缩放因子。参考信号接收质量（RSRQ, 𝒬_s(h)）计算为：

其中ℐ_s'(h)是接收信号强度指示（RSSI），它计入包括服务信号、干扰和噪声在内的总接收信号强度，并由下式给出：

III-C 统计性KPI表征

本工作的目标是表征在多小区5G NR网络中，无人机关键蜂窝性能指标随高度变化的行为，特别强调地面基站下倾和旁瓣驱动的空中覆盖的影响。具体而言，对于给定的无人机位置u，我们在真实的传播、天线和干扰条件下，评估服务扇区的RSRP、RSRQ和SINR作为高度函数的统计行为：

由于无人机通常通过下倾基站天线的旁瓣获得服务，同时经历来自多个相邻扇区的干扰，这些指标表现出强烈的依赖性。由于LOS/NLOS传播的随机性、阴影衰落、天线和旁瓣效应，产生的KPI是随机变量。因此，我们专注于它们在蒙特卡洛实现中的统计表征，包括平均值和百分位行为（受篇幅限制未显示）作为高度的函数。

IV. 数值结果

本节展示结果并评估RSRP、SINR和RSRQ之间依赖于高度的权衡。

IV-A 仿真设置

表I总结了整个评估中使用的关键仿真参数。考虑了多站点三扇区蜂窝部署，所有站点在同一载波频率上运行，并采用相同的天线配置。对于每个高度和水平距离，进行多次蒙特卡洛试验以捕捉阴影衰落和小区选择可变性的影响。

表 I：仿真参数

参数

值 / 符号

IV-B 覆盖与信号强度分析

如图3所示，由于路径损耗增加和有效天线增益降低（因为无人机主要通过下倾基站天线的旁瓣获得服务），RSRP随高度逐渐下降。在低空，尽管是基于旁瓣的覆盖，但由于链路距离较短和部分天线增益，观察到相对较强的RSRP。

(a)

(b)

图 3：​ 不同ISD下平均RSRP随无人机高度的变化。

IV-C 干扰与SINR分析

图4显示了不同ISD值下SINR随高度的变化。与RSRP不同，由于对多个基站的LOS可见度增加，显著提升了小区间干扰，SINR随高度迅速恶化。

(a)

(b)

图 4：​ 不同ISD下平均SINR随无人机高度的变化。

IV-D RSRQ分析

如图5所示，随着干扰比期望信号功率增长更快，RSRQ随高度下降，反映了向干扰受限操作的转变。

(a)

(b)

图 5：​ 不同ISD下平均RSRQ随无人机高度的变化。

IV-E 覆盖-质量权衡分析

为了理解信号强度与干扰之间的相互作用，我们联合分析RSRP和RSRQ作为ISD的函数。在下倾的蜂窝网络中，无人机主要通过旁瓣而非主瓣获得服务，这导致期望信号功率适中，同时使无人机暴露在来自多个相邻基站的干扰下。图6显示，由于传播距离更大，RSRP随ISD增加而减小。相反，随着ISD增加，由于基站间距增大导致小区间干扰减少，RSRQ得到改善。这种相反的行为凸显了旁瓣驱动的空中链路的一个关键特征，即干扰而非信号强度成为主导因素。在更高高度，对多个基站增加的LOS可见度进一步放大了旁瓣干扰，使系统成为干扰受限。这些结果表明，仅凭覆盖不足以表征无人机性能，必须联合考虑信号强度和干扰。

(a)

(b)

图 6：​ 多个无人机高度下，RSRP（红色实线）和RSRQ（蓝色虚线）随ISD的变化。

V. 结论

本文对5G NR网络中蜂窝连接无人机的依赖于高度的性能进行了符合3GPP标准的分析，融合了真实的部署几何、天线方向图和概率性的LOS/NLOS传播。我们的结果清晰地展示了从低空的覆盖受限行为到高空的干扰受限操作的转变。虽然RSRP主要反映大尺度传播并随高度和ISD增加而降低，但由于暴露于小区间干扰的程度增加，SINR恶化得更快。相反，更大的ISD通过减少干扰改善了SINR和RSRQ，尽管接收功率较弱。RSRQ有效地捕捉了这种覆盖-质量的解耦，并凸显了干扰随高度增加的影响。这些发现表明，仅靠基于覆盖的指标对于空中用户是不够的，干扰感知的设计对于实现可靠的无人机连接至关重要。