Ray tracing is a powerful tool that can be used to predict wireless channel characteristics, reducing the need for extensive channel measurements for channel characterization, evaluation of performance of sensing applications such as position location, and wireless network deployment. In this work, NYURay, a 3D mmWave and sub-THz ray tracer, is introduced, which is calibrated to wireless channel propagation measurements conducted at 28, 73, and 140 GHz, in indoor office, outdoor, and factory environments. We present an accurate yet low-complexity calibration procedure to obtain electrical properties of materials in any environment by modeling the reflection coefficient of building materials to be independent of the angle of incidence, a simplification shown to be quite effective in [1] over 30 years ago. We show that after calibration, NYURay can accurately predict individual directional multipath signal power. The standard deviation in the error of the directional multipath power predicted by the ray tracer compared to the directional measured power was less than 3 dB in indoor office environments and less than 2 dB in outdoor and factory environments.


翻译:Ray追踪是一个强大的工具,可用于预测无线频道特性,减少对频道特征进行广泛频道测量的必要性,评估定位位置和无线网络部署等遥感应用的性能,为此采用了NYURay、3DmmWave和次THz射线跟踪器,该跟踪器可校准为在室内办公室、室外和工厂环境中以28、73和140GHz进行无线频道传播测量,从而减少对频道特征进行广泛频道测量的必要性,减少对位置定位和无线网络部署等遥感应用的性能进行评估的必要性。我们提出了一个精确但低复杂性校准程序,通过模拟建筑材料的反射系数,使其独立于事件角度,在[1]30多年前显示的简化非常有效。我们表明,在校准后,NYURay可以准确预测单个方向多路信号能量。在射线跟踪器预测的方向多路电量与测向能量之间,标准偏差在室内办公室环境中低于3 dB,在户外和工厂环境中低于2 dB。</s>

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
专知会员服务
159+阅读 · 2020年1月16日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
15+阅读 · 2022年1月24日
Arxiv
19+阅读 · 2021年6月15日
Arxiv
12+阅读 · 2019年1月24日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员