ردیابی پرتو (Ray Tracing) در مدل‌سازی کانال 5G: از هندسه تا دوقلوی دیجیتال

21/10/2026
14-دقیقه زمان مطالعه

فهرست مطالب

مقدمه

ردیابی پرتو (Ray Tracing) روشی است که مسیر امواج رادیویی را در یک مدل سه‌بعدی از محیط واقعی دنبال می‌کند و کانال را برای همان مکان، همان ساختمان و همان چیدمان محاسبه می‌کند. این ویژگی «وابسته به مکان» (site-specific) همان چیزی است که مدل‌های آماری کلاسیک ندارند.

هر تصمیمی در شبکه 5G، از زمان‌بندی در لایه MAC تا شکل‌دهی پرتو (Beamforming)، روی یک فرض درباره کانال بنا شده است: سیگنال از کدام مسیرها، با چه تأخیر، چه زاویه و چه توانی به گیرنده می‌رسد. مدل کانال این فرض را به عدد تبدیل می‌کند.

در باندهای زیر ۶ گیگاهرتز، مدل‌های آماری کار را راه می‌انداختند. اما با ورود 5G به موج میلی‌متری (FR2)، آرایه‌های بزرگ آنتن و حالا باند میانی ۷ تا ۲۴ گیگاهرتز برای 6G، جزئیات هندسی محیط تعیین‌کننده شده است. یک ستون بتنی، یک قفسه فلزی یا حتی بدن انسان می‌تواند لینک را قطع کند.

در این نوشته اصول فیزیکی ردیابی پرتو، الگوریتم‌های اصلی، خروجی‌ها، کاربردها در 5G و 6G، ابزارهای رایج و محدودیت‌های آن را مرور می‌کنیم.

مدل آماری یا مدل قطعی؟

مدل‌های آماری کانال را برای «یک محیط نوعی» می‌سازند و ردیابی پرتو برای «همین محیط مشخص». هر دو لازم‌اند و امروز بیش از هر زمان دیگری با هم ترکیب می‌شوند.

مدل‌های آماری مبتنی بر هندسه (GBSM)، مانند 3GPP TR 38.901، کانال را از توزیع‌های آماری پارامترها می‌سازند: احتمال دید مستقیم (LoS)، افت مسیر، گسترش تأخیر و گسترش زاویه. این مدل‌ها برای سناریوهای استاندارد مانند UMi، UMa، InH و کارخانه داخلی (InF) کالیبره شده‌اند.

ویژگی	مدل آماری (GBSM، مانند TR 38.901)	ردیابی پرتو (قطعی)
ورودی	سناریو، فرکانس، فاصله، ارتفاع آنتن	مدل سه‌بعدی محیط، جنس مواد، الگوی آنتن، موقعیت‌ها
خروجی	خوشه‌ها و پرتوهای تصادفی با آمار درست	مسیرهای مشخص با تأخیر، زاویه و ضریب مختلط
وابستگی به مکان	ندارد	دارد: همین خیابان، همین سالن تولید
پیوستگی مکانی و زمانی	تقریبی، با مدل‌های جانبی	ذاتی، از خود هندسه
هزینه محاسبات	کم	زیاد؛ با اندازه صحنه و عمق تعامل رشد می‌کند
کاربرد اصلی	مقایسه منصفانه الگوریتم‌ها و استانداردسازی	برنامه‌ریزی شبکه، دوقلوی دیجیتال، تولید داده برای یادگیری ماشین

مرز این دو خانواده کم‌رنگ شده است. خود TR 38.901 یک مدل ترکیبی مبتنی بر نقشه (Map-based hybrid channel model) را به‌عنوان روش جایگزین تعریف می‌کند که ردیابی پرتو روی نقشه دیجیتال را با مؤلفه‌های تصادفی ترکیب می‌کند.

در مطالعه Release 19 برای باند ۷ تا ۲۴ گیگاهرتز (دسامبر ۲۰۲۳ تا ژوئن ۲۰۲۵)، داده‌های ردیابی پرتو در کنار اندازه‌گیری‌های میدانی به 3GPP ارائه شد. انگیزه این مطالعه آن بود که بیش از ۸۰ درصد داده‌های پایه TR 38.901 از باندهای زیر ۶ و بالای ۲۴ گیگاهرتز آمده بود.

اصول فیزیکی: اپتیک هندسی برای امواج رادیویی

ردیابی پرتو بر یک تقریب فرکانس بالا تکیه دارد: وقتی ابعاد اجسام بسیار بزرگ‌تر از طول موج باشد، موج را می‌توان مانند دسته‌ای از پرتوها دنبال کرد. طول موج در ۳٫۵ گیگاهرتز حدود ۸٫۶ سانتی‌متر و در ۲۸ گیگاهرتز حدود ۱٫۱ سانتی‌متر است؛ پس ساختمان، دیوار و ماشین‌آلات صنعتی در این باندها «بزرگ» به حساب می‌آیند.

پایه نظری دو بخش دارد: اپتیک هندسی (Geometrical Optics، GO) برای مسیرهای مستقیم، بازتابی و عبوری، و نظریه یکنواخت پراش (Uniform Theory of Diffraction، UTD) برای پراش از لبه‌ها. سازوکارهای اصلی برهم‌کنش موج با محیط این‌ها هستند:

دید مستقیم (LoS): مسیر بی‌مانع میان فرستنده و گیرنده؛ افت آن از فرمول فضای آزاد فریس پیروی می‌کند.
بازتاب آینه‌ای (Specular reflection): زاویه تابش برابر زاویه بازتاب است. دامنه و قطبش پرتو بازتابی با ضرایب فرنل تعیین می‌شود که به گذردهی و رسانایی ماده بستگی دارند.
پراش (Diffraction): پرتوی که به لبه یک جسم می‌خورد روی «مخروط کلر» (Keller cone) پخش می‌شود و سیگنال را به ناحیه سایه می‌رساند. در موج میلی‌متری پراش ضعیف‌تر است و نقش آن در پوشش کاهش می‌یابد.
پراکندگی پخشی (Diffuse scattering): سطوح زبر بخشی از انرژی را در جهات مختلف پخش می‌کنند. با بالا رفتن فرکانس، زبری سطح نسبت به طول موج بزرگ‌تر می‌شود و این سازوکار اهمیت بیشتری پیدا می‌کند؛ مدل‌های رایج آن لامبرتی (Lambertian) و جهت‌دار (Directive) هستند.
عبور و شکست (Transmission/Refraction): عبور از دیوار، شیشه یا پارتیشن، با تضعیفی که به جنس و ضخامت لایه وابسته است.

خروجی نهایی ردیابی پرتو مجموعه‌ای از $N$ مسیر است. هر مسیر $i$ یک ضریب مختلط $a_i$ و یک تأخیر $\tau_i = \ell_i / c$ دارد که $\ell_i$ طول کل مسیر است. پاسخ ضربه کانال (CIR) و پاسخ فرکانسی (CFR) مستقیماً از همین فهرست ساخته می‌شوند:

h(\tau) = \sum_{i=1}^{N} a_i \, \delta(\tau - \tau_i), \qquad H(f) = \sum_{i=1}^{N} a_i \, e^{-j 2\pi f \tau_i}

ضریب هر مسیر از حاصل‌ضرب الگوی آنتن‌ها و ماتریس انتقال آن مسیر به دست می‌آید:

a_i = \frac{\lambda}{4\pi} \, \mathbf{C}_R^{\mathsf{H}}(\theta_{R,i}, \varphi_{R,i}) \, \mathbf{T}_i \, \mathbf{C}_T(\theta_{T,i}, \varphi_{T,i})

در این رابطه $\mathbf{C}_T$ و $\mathbf{C}_R$ الگوی قطبیده آنتن فرستنده و گیرنده در جهت خروج و ورود پرتو هستند. $\mathbf{T}_i$ یک ماتریس ۲×۲ است که اثر تمام برهم‌کنش‌ها (ضرایب فرنل، ضرایب UTD) و ضرایب گسترش موج را در طول مسیر جمع می‌کند. اگر فرستنده، گیرنده یا اجسام حرکت کنند، هر مسیر جابه‌جایی داپلر خودش را هم می‌گیرد.

دقت این محاسبات به پارامترهای الکترومغناطیسی مواد وابسته است. توصیه‌نامه ITU-R P.2040 مدل‌های وابسته به فرکانس گذردهی و رسانایی را برای موادی مانند بتن، آجر، شیشه، چوب و فلز ارائه می‌کند و ابزارهایی مانند Sionna RT در نسخه 2.1.0 مدل‌های خود را به ویرایش P.2040-4 به‌روز کرده‌اند.

الگوریتم‌ها: روش تصویر، SBR و ردیابی مشتق‌پذیر

هسته هر ردیاب پرتو یک مسئله جست‌وجوست: پیدا کردن همه مسیرهای معتبر میان فرستنده و گیرنده تا یک عمق مشخص از برهم‌کنش‌ها. سه رویکرد اصلی برای این کار وجود دارد.

روش تصویر (Image Method): برای هر سطح، تصویر آینه‌ای فرستنده ساخته می‌شود و نقطه بازتاب به‌صورت دقیق به دست می‌آید. دقت آن بالاست، اما تعداد ترکیب‌ها با تعداد سطوح و مرتبه بازتاب به‌صورت نمایی رشد می‌کند (تقریباً $M^k$ برای $M$ سطح و $k$ بازتاب).
پرتاب و بازتاب پرتو (Shooting and Bouncing Rays، SBR): از فرستنده تعداد زیادی پرتو در جهات تقریباً یکنواخت پرتاب و برخورد هر پرتو با صحنه دنبال می‌شود. این روش مقیاس‌پذیر است، اما مسیرها تقریبی‌اند و انتساب پرتو به گیرنده با «کره دریافت» (reception sphere) می‌تواند مسیرهای تکراری یا جاافتاده بسازد. یک ارزیابی روی مدل SBR متلب نشان داد که حتی با راهکارهای اصلاحی، کم‌شماری مسیرها باقی می‌ماند و SBR از روش تصویر کم‌دقت‌تر است.
روش ترکیبی: SBR نامزدهای مسیر را سریع پیدا می‌کند و روش تصویر آن‌ها را دقیق می‌کند. Sionna RT برای پاسخ ضربه کانال دقیقاً همین کار را انجام می‌دهد و مسیرهای تکراری را با یک سازوکار درهم‌سازی (hashing) حذف می‌کند؛ نقشه رادیویی (radio map) را اما فقط با SBR می‌سازد. مدل X3D در Wireless InSite هم انتخاب میان SBR و روش Eigenray مبتنی بر تصویر را می‌دهد.

در چند سال اخیر ردیابی پرتو مشتق‌پذیر (Differentiable Ray Tracing) هم به این فهرست اضافه شده است. با مشتق‌گیری خودکار، می‌توان گرادیان پاسخ ضربه کانال و نقشه‌های رادیویی را نسبت به خواص مواد، الگوی آنتن، هندسه آرایه و موقعیت و جهت فرستنده و گیرنده محاسبه کرد. نتیجه عملی آن، کالیبره کردن پارامترهای مواد با داده اندازه‌گیری و بهینه‌سازی جهت آنتن‌ها با گرادیان نزولی است.

سرعت هم دیگر گلوگاه سابق نیست. ساختارهای شتاب‌دهنده مانند BVH و اجرای موازی روی GPU، ردیابی میلیون‌ها پرتو را روی یک GPU معمولی عملی کرده‌اند. بازنویسی Sionna RT روی Mitsuba 3 و Dr.Jit در نسخه 1.0 سرعت محاسبه مسیر و نقشه رادیویی را مرتبه‌ای افزایش داد.

flowchart TB inputs["ورودی‌ها: مدل سه‌بعدی، مواد، آنتن‌ها، موقعیت‌ها"] search["جست‌وجوی مسیر: روش تصویر، SBR یا ترکیبی"] field["محاسبه میدان: GO، UTD، ضرایب فرنل"] outputs["خروجی‌ها: فهرست مسیرها، CIR، CFR، نقشه رادیویی"] consumers["مصرف‌کننده‌ها: شبیه‌ساز لینک و شبکه، یادگیری ماشین، دوقلوی دیجیتال"] meas["اندازه‌گیری میدانی"] calib["کالیبراسیون پارامترهای مواد"] inputs --> search --> field --> outputs --> consumers outputs -.-> calib meas -.-> calib calib -.-> inputs

ورودی‌ها از بالا به پایین به رد کانال تبدیل می‌شوند؛ مقایسه خروجی با اندازه‌گیری میدانی، پارامترهای مواد را به‌روز می‌کند و حلقه بسته می‌شود.

خروجی‌ها: از فهرست مسیرها تا پارامترهای کانال

خروجی خام ردیابی پرتو یک فهرست مسیر است و همه پارامترهای آشنای کانال از همین فهرست به دست می‌آیند. هر مسیر این اطلاعات را دارد: ضریب مختلط (با قطبش)، تأخیر، زاویه خروج و ورود در سمت و ارتفاع (AoD، ZoD، AoA، ZoA)، جابه‌جایی داپلر و دنباله برهم‌کنش‌ها (مثلاً بازتاب، سپس پراش).

خروجی	چه چیزی را نشان می‌دهد	کاربرد رایج
پاسخ ضربه کانال (CIR)	مسیرها در حوزه تأخیر	شبیه‌سازی سطح لینک، طراحی پیشوند چرخه‌ای (CP)
پاسخ فرکانسی (CFR)	کانال روی هر زیرحامل OFDM	تخمین کانال، پیش‌کدگذاری، زمان‌بندی وابسته به کانال
پروفایل توان-تأخیر و گسترش تأخیر	پراکندگی زمانی انرژی	انتخاب numerology و فاصله زیرحامل
زوایا و گسترش زاویه‌ای	ساختار فضایی کانال	مدیریت پرتو، طراحی codebook، مکان‌یابی
ضریب K رایسی	نسبت توان مسیر مستقیم به بقیه مسیرها	پیش‌بینی شدت محوشدگی
ماتریس کانال MIMO	کانال میان تک‌تک عناصر آنتن	Massive MIMO، میدان نزدیک در آرایه‌های بسیار بزرگ
نقشه رادیویی (Radio map)	بهره مسیر، توان دریافتی یا SINR روی یک شبکه نقاط	برنامه‌ریزی پوشش و جانمایی سایت

برای مثال، گسترش تأخیر RMS با وزن‌دهی توان مسیرها ( $P_i = |a_i|^2$ ) محاسبه می‌شود:

\sigma_\tau = \sqrt{ \frac{\sum_i P_i \tau_i^2}{\sum_i P_i} - \left( \frac{\sum_i P_i \tau_i}{\sum_i P_i} \right)^2 }

برای استفاده در شبیه‌سازهای سطح سیستم مانند ns-3 یا OMNeT++/Simu5G، معمولاً ردیابی پرتو یک بار برای مسیر حرکت کاربران اجرا می‌شود و CIR یا CFR هر لحظه به‌صورت «رد کانال» (channel trace) ذخیره می‌شود. شبیه‌ساز شبکه سپس این ردها را به‌جای مدل آماری می‌خواند؛ این کار هزینه ردیابی را از حلقه شبیه‌سازی بیرون می‌برد.

کاربردها در 5G و 6G

ردیابی پرتو جایی به کار می‌آید که جواب به کانال در همان مکان مشخص وابسته باشد:

پوشش موج میلی‌متری و جانمایی سایت: در FR2 مسدودشدگی تعیین‌کننده است و چند متر جابه‌جایی یک سلول کوچک می‌تواند پوشش یک خیابان را عوض کند. ابزارهایی مانند Site Viewer در MATLAB ساختمان‌ها را از OpenStreetMap می‌خوانند و پوشش را با SBR محاسبه می‌کنند.
مدیریت پرتو و طراحی codebook: دانستن جهت مسیرهای غالب در هر نقطه، امکان انتخاب پرتو وابسته به مکان و کاهش سربار جاروب پرتو (beam sweeping) را فراهم می‌کند.
آرایه‌های بسیار بزرگ و میدان نزدیک: با بزرگ شدن آرایه‌ها، فرض موج تخت و ایستایی فضایی در طول آرایه از بین می‌رود. TR 38.901 در Release 19 مدل‌های میدان نزدیک و ناایستایی فضایی را اضافه کرد؛ ردیابی پرتو با محاسبه جداگانه برای هر عنصر آنتن این پدیده‌ها را به‌طور طبیعی بازتولید می‌کند.
RIS، ISAC و مکان‌یابی: ردیابی پرتو ابزار رایج پژوهش 6G در سطوح هوشمند بازپیکربندی‌پذیر، حسگری و ارتباطات یکپارچه و مکان‌یابی کاربر است. TR 38.901 اکنون یک مدل کانال ویژه ISAC با تفکیک کانال هدف و کانال پس‌زمینه دارد.
شبکه‌های صنعتی و NPN: سالن تولید پر از فلز، بازتاب‌های قوی و اجسام متحرک مانند AGV و بازوهای رباتیک است. برای سرویس‌های URLLC و یکپارچه‌سازی 5G-TSN، مهم است که بدانیم مسدودشدگی در کدام نقطه از مسیر AGV رخ می‌دهد، نه فقط احتمال متوسط آن. Wireless InSite برای نمونه تحلیل پوشش 5G NR در طبقات مختلف کارخانه و شبیه‌سازی تحرک وابسته به زمان را ارائه می‌کند.
تولید داده برای یادگیری ماشین: مدل‌های AI-native در RAN به داده زیاد و برچسب‌دار نیاز دارند. ردیابی پرتو داده کانال واقع‌گرایانه و قابل تکرار برای هر سناریو تولید می‌کند.
دوقلوی دیجیتال شبکه: NVIDIA Aerial Omniverse Digital Twin کانال‌های ردیابی‌شده را به لایه‌های PHY و MAC یک RAN نرم‌افزاری اعمال می‌کند و استخراج داده از هر نقطه پشته پروتکل را ممکن می‌سازد. NVIDIA از مفهوم دوقلوی عملیاتی هم صحبت می‌کند که موازی با شبکه زنده اجرا می‌شود تا نرم‌افزار پیش از استقرار آزموده شود.

ابزارها و یک نمونه کد

برای پژوهش، Sionna RT گزینه متن‌باز و رایگان است و برای پروژه‌های صنعتی، ابزارهای تجاری مانند Wireless InSite و MATLAB پرکاربردند.

ابزار	نوع	ویژگی شاخص
Sionna RT (NVIDIA)	متن‌باز، پایتون	مشتق‌پذیر؛ مبتنی بر Mitsuba 3 و Dr.Jit؛ بازتاب آینه‌ای و پخشی، شکست، و پراش از نسخه 1.2؛ نسخه 2.2.0 در سپتامبر ۲۰۲۶
Wireless InSite (Remcom)	تجاری	مدل X3D با شتاب GPU؛ انتخاب SBR یا Eigenray؛ قابلیت‌های ویژه MIMO
MATLAB (MathWorks)	تجاری	توابع raytrace و siteviewer؛ SBR به‌صورت پیش‌فرض؛ ساختمان‌های OpenStreetMap و مدل‌های سه‌بعدی داخلی
Aerial Omniverse Digital Twin (NVIDIA)	پلتفرم دوقلوی دیجیتال	حل‌گر الکترومغناطیسی با بازتاب، پراش و پراکندگی پخشی جهت‌دار؛ اتصال مستقیم به RAN نرم‌افزاری

نمونه زیر با Sionna RT یک صحنه شهری را در ۲۸ گیگاهرتز بارگذاری می‌کند، مسیرها را میان یک gNB و یک کاربر می‌یابد و سپس پاسخ ضربه کانال و نقشه رادیویی را محاسبه می‌کند. کد بر اساس API کلاس‌های PathSolver و RadioMapSolver است که از نسخه 1.0 جایگزین روش‌های قدیمی شده‌اند.

import sionna.rt as rt
from sionna.rt import (load_scene, PlanarArray, Transmitter,
                       Receiver, PathSolver, RadioMapSolver)

# Example urban scene, FR2 carrier
scene = load_scene(rt.scene.munich)
scene.frequency = 28e9

# 8x8 array at the gNB, single isotropic element at the UE
scene.tx_array = PlanarArray(num_rows=8, num_cols=8,
                             vertical_spacing=0.5, horizontal_spacing=0.5,
                             pattern="tr38901", polarization="V")
scene.rx_array = PlanarArray(num_rows=1, num_cols=1,
                             vertical_spacing=0.5, horizontal_spacing=0.5,
                             pattern="iso", polarization="V")

scene.add(Transmitter(name="gnb", position=[8.5, 21, 27]))
scene.add(Receiver(name="ue", position=[45, 90, 1.5]))

# Paths: LoS + up to 5 interactions, with diffraction enabled
paths = PathSolver()(scene, max_depth=5, los=True,
                     specular_reflection=True, refraction=True,
                     diffraction=True)

# Channel impulse response: complex gains a, delays tau
a, tau = paths.cir(normalize_delays=True, out_type="numpy")

# Radio map on a 1 m x 1 m grid
rm = RadioMapSolver()(scene, max_depth=5, cell_size=(1.0, 1.0),
                      samples_per_tx=10**7)

از اینجا a و tau را می‌توان به CFR تبدیل کرد، به یک شبیه‌ساز سطح لینک داد، یا به‌صورت رد کانال برای شبیه‌ساز شبکه ذخیره کرد.

چالش‌ها و محدودیت‌ها

دقت ردیابی پرتو هرگز از دقت ورودی‌هایش بیشتر نیست؛ در عمل، بزرگ‌ترین منبع خطا صحنه است، نه الگوریتم.

دقت هندسه: ساختمان‌های OpenStreetMap معمولاً حجم‌های ساده‌ای بدون جزئیات نما، پوشش گیاهی، خودرو و مبلمان هستند. برای محیط‌های داخلی و صنعتی به مدل CAD یا BIM یا اسکن LiDAR نیاز است و در موج میلی‌متری حتی اجسام کوچک هم اهمیت دارند.
پارامترهای مواد: گذردهی و رسانایی واقعی دیوارها معمولاً معلوم نیست و دیوارهای چندلایه با یک ماده ساده مدل نمی‌شوند. مقادیر ITU-R P.2040 نقطه شروع خوبی‌اند، اما کالیبراسیون با اندازه‌گیری، که ردیابی مشتق‌پذیر آن را ساده‌تر کرده، دقت را به‌طور جدی بهتر می‌کند.
پراکندگی پخشی: مدل‌های آن به پارامترهای تجربی مانند ضریب پراکندگی و پهنای الگو وابسته‌اند که برای بیشتر مواد و فرکانس‌ها به‌خوبی اندازه‌گیری نشده‌اند.
محدوده اعتبار اپتیک هندسی: وقتی ابعاد اجسام قابل مقایسه با طول موج باشد، یا در پوشش گیاهی و میدان نزدیک آنتن، تقریب‌های GO و UTD ضعیف می‌شوند. در این موارد روش‌های تمام‌موج مانند FDTD لازم‌اند که هزینه بسیار بیشتری دارند.
هزینه محاسبات و صحنه‌های پویا: هزینه با اندازه صحنه، عمق برهم‌کنش و تعداد نقاط گیرنده رشد می‌کند. در صحنه‌های پویا مانند کارخانه با AGVهای متحرک، ردیابی باید برای هر لحظه تکرار شود.
تکرارپذیری: در SBR جهت پرتوها نمونه‌برداری می‌شود و نتایج می‌تواند به seed وابسته باشد. Sionna RT در نسخه 2.1.0 گزینه تولید قطعی مسیرها (deterministic) را اضافه کرده است.
حجم داده: CFR برای هر زیرحامل، هر عنصر آنتن و هر لحظه زمانی به‌سرعت به گیگابایت‌ها داده می‌رسد. اتصال آن به شبیه‌ساز سطح سیستم معمولاً به فشرده‌سازی یا انتزاع (مثلاً نگاشت SINR به نرخ خطا) نیاز دارد.
اعتبارسنجی: هیچ ردیاب پرتوی بدون مقایسه با اندازه‌گیری قابل اعتماد نیست. نتایج ردیابی پرتو را باید ابزاری برای تقویت اندازه‌گیری دانست، نه جایگزین کامل آن.

آینده و جمع‌بندی

ردیابی پرتو دیگر فقط ابزار برنامه‌ریزی شبکه نیست و در طراحی 6G هم جای خود را پیدا کرده است. این‌ها به نظرم ارزش دنبال کردن دارند:

دوقلوی دیجیتال کالیبره‌شده: ترکیب ردیابی مشتق‌پذیر با داده اندازه‌گیری، صحنه و مواد را به‌طور پیوسته با شبکه واقعی هم‌تراز می‌کند.
باند ۷ تا ۲۴ گیگاهرتز (FR3): با آغاز مطالعات 6G در Release 20 از اوت ۲۰۲۵، نیاز به مدل‌های دقیق برای این باند جدی‌تر شده و داده ردیابی پرتو همین حالا بخشی از ورودی‌های استانداردسازی است.
مدل‌های ترکیبی: مرز میان مدل آماری و قطعی کم‌رنگ‌تر می‌شود؛ ردیابی پرتو برای مؤلفه‌های غالب و مؤلفه‌های تصادفی برای جزئیات مدل‌نشده.
ردیابی پرتو در حلقه RAN: پلتفرم‌هایی مانند AODT کانال ردیابی‌شده را مستقیم به پشته PHY و MAC می‌دهند و الگوریتم‌های زمان‌بندی و مدیریت پرتو را در شرایط واقع‌گرایانه می‌آزمایند.

ردیابی پرتو کانال را از یک فرض آماری به یک محاسبه فیزیکی برای مکانی مشخص تبدیل می‌کند. برای موج میلی‌متری، آرایه‌های بزرگ و شبکه‌های صنعتی، این تفاوت تعیین‌کننده است. کیفیت نتیجه اما به سه چیز بستگی دارد: هندسه و مواد دقیق، کالیبراسیون با اندازه‌گیری، و انتخاب سطح انتزاع درست برای اتصال به شبیه‌ساز شبکه.

منابع

پست های مشابه

صرفه‌جویی در زمان شبیه‌سازی: ابزار تولید موقعیت UE من برای OMNeT++ و Simu5G

شبکه‌های بی‌سیم 5G 6G Ray Tracing مدل‌سازی کانال Sionna RT 3GPP