Tools for ray tracing based radio channel modeling and simulation

Abstract

Ray tracing-based methods have become the state of the art for radio channel propagation modeling simulations. They provide a way to deterministically simulate field strength and multidispersive characteristics of the radio channel, and thus, offer a faster and easier alternative to measuring. Ray tracing is also an important tool for validating algorithms, and many applications can utilize the simulation results. As the wireless networks suffer from increasing complexity, the interest in machine learning and artificial intelligence solutions is increasing as well, and in this context the simulation results can be utilized as training data.

We introduce the relevant theory in radio propagation modeling in the context of ray tracing, followed by theory of graphics processing unit-based computing, architecture, and ray tracing. We present multiple existing graphics processing unit and ray tracing-based radio channel propagation modeling implementations from the literature. We then develop multiple optimized versions of an existing environment discretization-based path search implementation and develop a path refiner for refining the coarse paths generated by the path search. The path refiner computes the optimal paths, and then validates them by utilizing ray tracing. Experiments for the developed solutions are conducted with an indoor and an outdoor model on two different computer setups. We achieve on average over 25 times faster computation in the outdoor scene and over 4 times faster computation in the indoor scene when compared to the original path search implementation. The path refiner is able to find the optimal paths fulfilling the Fermat’s principle of least time on average for over 96% of the coarse paths in the outdoor scene, and for over 99% in the indoor scene. From these refined paths, on average about 62% pass the validation phase in the outdoor case, and around 30% in the indoor case. The results show that the path refinement combined with validation is essential for improving the quality of the paths found by the initial discretization-based search.

Säteenseurantaan perustuvat menetelmät ovat edistyneintä tekniikkaa radiokanavien etenemisen mallinnussimulaatioissa. Ne tarjoavat tavan deterministisesti arvioida radiokanavan kentänvoimakkuutta ja monidispersiivisiä ominaisuuksia ja siten tarjoavat nopeamman ja helpomman vaihtoehdon mittaamiselle. Säteenseuranta on myös tärkeä työkalu algoritmien validoinnissa ja useissa sovelluksissa voidaan hyödyntää simulointien tuloksia. Langattomien verkkojen monimutkaisuuden lisääntyessä myös kiinnostus koneoppimis- ja tekoälypohjaisiin ratkaisuihin lisääntyy, ja tässä yhteydessä simulointien tuloksia voidaan hyödyntää opetusdatana.

Tässä työssä esitellään teoriaa radiokanavan etenemisen mallinnuksesta säteenseurantaan perustuen, jonka jälkeen esitellään näytönohjainpohjaisen laskennan, arkkitehtuurin, sekä säteenseurannan teoriaa. Tämän jälkeen tarkastellaan useita olemassa olevia näytönohjain- ja säteenseurantapohjaisia radiokanavan etenemistä mallintavia toteutuksia. Työssä kehitetään useita optimoituja versioita olemassa olevasta ympäristön diskretisointiin perustuvasta polunetsintätoteutuksesta ja kehitetään poluntarkentaja tarkentamaan sen tuottamia epäoptimaalisia polkuja. Poluntarkentaja laskee optimaaliset polut ja validoi ne hyödyntämällä säteenseurantaa. Ratkaisuiden tehokkuutta arvioidaan sekä ulko- että sisätilan malleille tehtävillä laskennoilla kahdella eri tietokoneella. Paras polunetsintäversio saavuttaa keskimäärin yli 25 kertaa nopeamman laskennan ulkotilassa ja yli 4 kertaa nopeamman laskennan sisätilassa verrattaessa alkuperäiseen toteutukseen. Poluntarkentaja löytää optimaaliset polut, jotka täydentävät Fermat’n periaatteen lyhyimmästä ajasta keskimäärin yli 96 prosentille karkeista poluista ulkotilassa ja yli 99 prosentille sisätilassa. Näistä tarkennetuista poluista keskimäärin noin 62 prosenttia pääsee läpi validoinnista ulkotilassa ja noin 30 prosenttia sisätilassa. Tulokset osoittavat, että polkujen tarkennus ja validointi ovat tärkeitä alkuperäisen diskretisointipohjaisen haun löytämien polkujen laadun parantamiseksi.