Mất mát tín hiệu khác gì so với hiện tượng fading trong kênh truyền vô tuyến?

Mất mát tín hiệu hay suy hao đường truyền biểu thị mức suy giảm công suất trung bình theo khoảng cách quy mô lớn giữa máy phát và máy thu. Ngược lại, hiện tượng fading bao gồm hiện tượng che khuất quy mô trung bình do địa hình và fading đa đường quy mô nhỏ thay đổi nhanh chóng theo bước sóng do giao thoa giữa các tia sóng.

Mô hình thực nghiệm Hata áp dụng trong những phạm vi điều kiện nào?

Theo công bố của Hata (1980), mô hình được xác lập cho dải tần số từ 100 đến 1500 MHz, khoảng cách truyền sóng từ 1 đến 20 km, chiều cao ăng-ten trạm phát từ 30 đến 200 m và chiều cao ăng-ten thiết bị di động từ 1 đến 10 m trong môi trường đô thị.

Ưu điểm và nhược điểm chính của mô hình dò tia trong dự đoán suy hao là gì?

Mô hình dò tia (ray tracing) dựa trên quang hình học để mô phỏng chính xác từng tia sóng trực tiếp, phản xạ và nhiễu xạ theo tọa độ 3D của các tòa nhà, mang lại độ chính xác cục bộ rất cao. Tuy nhiên, phương pháp này đòi hỏi cơ sở dữ liệu bản đồ 3D chi tiết và tiêu tốn chi phí tính toán cực lớn, khó áp dụng cho quy hoạch mạng diện rộng theo thời gian thực.

Trí tuệ nhân tạo và học sâu hỗ trợ dự đoán suy hao đường truyền như thế nào?

Các mô hình học sâu hỗ trợ bằng vật lý kết hợp công thức truyền sóng tiêu chuẩn với mạng nơ-ron để học các đặc trưng phi tuyến phức tạp từ ảnh vệ tinh và bản đồ độ cao. Nghiên cứu của Thrane và cs. (2020) cho thấy kỹ thuật này giúp cải thiện độ chính xác dự đoán thêm khoảng 1 dB đến 4,7 dB tại các khu vực chưa từng khảo sát.

Dự đoán mất mát tín hiệu là gì? Mô hình và ứng dụng

Dự đoán mất mát tín hiệu (path loss prediction), còn được gọi là dự đoán suy hao đường truyền trong kỹ thuật vô tuyến, là quá trình ước tính mức suy hao công suất, định lượng qua tỷ số giữa công suất phát và công suất thu của sóng điện từ khi lan truyền từ ăng-ten máy phát đến ăng-ten máy thu qua môi trường không gian tự do hoặc môi trường thực tế. Bài viết này trình bày toàn diện cơ sở vật lý của hiện tượng suy hao sóng vô tuyến, phân loại các mô hình dự đoán từ thực nghiệm kinh điển đến học máy hiện đại, phân tích các tham số ảnh hưởng then chốt, cũng như các thách thức kỹ thuật và xu hướng phát triển trong mạng thông tin vô tuyến tương lai.

Khái niệm và bản chất vật lý của suy hao đường truyền

Trong hệ thống thông tin không dây, tín hiệu vô tuyến mang thông tin dưới dạng sóng điện từ. Khi sóng lan truyền ra xa nguồn phát, công suất của tín hiệu thu được giảm dần theo khoảng cách do sự mở rộng hình học của mặt cầu bức xạ và do tương tác phức tạp với môi trường vật chất xung quanh. Dự đoán mất mát tín hiệu là bài toán định lượng tỷ số giữa công suất bức xạ hiệu dụng tại đầu phát và công suất tín hiệu thu được tại đầu thu tại một vị trí địa lý xác định theo các chuẩn đo lường viễn thông quốc tế.

Khái niệm suy hao đường truyền cần được phân biệt rõ với hai thành phần suy hao ngẫu nhiên khác trong kênh truyền vô tuyến: hiện tượng che khuất (shadowing hay large-scale fading) do các vật cản địa hình quy mô lớn tạo ra vùng bóng râm vô tuyến, và hiện tượng nhiều đường (multipath fading hay small-scale fading) xuất hiện do giao thoa kết hợp hoặc triệt tiêu giữa các tia sóng đến máy thu theo các lộ trình khác nhau. Trong khi hiện tượng nhiều đường thay đổi nhanh chóng theo từng phần của bước sóng, suy hao đường truyền biểu thị xu hướng suy giảm trung bình theo khoảng cách quy mô lớn, đóng vai trò nền tảng cho việc xác định vùng phủ sóng của trạm gốc.

Cơ chế suy giảm công suất sóng vô tuyến

Quá trình lan truyền của sóng vô tuyến chịu sự chi phối của bốn cơ chế điện từ cơ bản sau đây:

Lan truyền không gian tự do: Năng lượng sóng bức xạ từ nguồn điểm lan tỏa đồng đều trên diện tích mặt cầu tăng theo bình phương khoảng cách, dẫn đến suy giảm mật độ công suất theo định luật nghịch đảo bình phương.
Phản xạ: Xảy ra khi sóng điện từ chạm vào bề mặt vật thể có kích thước lớn hơn nhiều so với bước sóng (như bề mặt trái đất, tường nhà bê tông cốt thép hoặc mặt nước), làm đổi hướng lan truyền và suy giảm một phần biên độ theo hệ số phản xạ Fresnel.
Nhiễu xạ: Hiện tượng sóng uốn cong qua các cạnh sắc của vật cản địa hình hoặc mép nóc các tòa nhà cao tầng theo nguyên lý Huygens-Fresnel, cho phép tín hiệu vô tuyến đi vào vùng khuất quang học sau vật cản.
Tán xạ: Xuất hiện khi bề mặt vật cản gồ ghề hoặc môi trường chứa nhiều vật thể nhỏ có kích thước tương đương hoặc nhỏ hơn bước sóng (như tán lá cây, cột đèn, biển báo giao thông), khiến năng lượng sóng bị phân tán thành nhiều chùm tia nhỏ theo các hướng ngẫu nhiên.

Mô hình suy hao trong không gian tự do

Trong điều kiện lý tưởng không có bất kỳ vật cản hay bề mặt phản xạ nào, công suất thu được tính theo công thức truyền sóng Friis. Mức suy hao đường truyền không gian tự do biểu diễn ở dạng tỷ số tuyến tính, ký hiệu là $FSPL_{\text{linear}}$ , thông qua mối quan hệ toán học:

FSPL_{\text{linear}} = \left(\frac{4 \pi d}{\lambda}\right)^2 = \left(\frac{4 \pi d f}{c}\right)^2

Trong công thức trên, đại lượng $FSPL_{\text{linear}}$ là suy hao không gian tự do dạng tỷ số công suất phát trên công suất thu, đại lượng $d$ là khoảng cách giữa máy phát và máy thu tính bằng mét (m), đại lượng $\lambda$ là bước sóng điện từ tính bằng mét, đại lượng $f$ biểu thị tần số sóng mang tính bằng đơn vị hertz (Hz), và đại lượng $c$ là tốc độ ánh sáng trong chân không.

Khi chuyển đổi sang thang đo decibel (dB), công thức suy hao đường truyền không gian tự do, ký hiệu là $FSPL_{\text{dB}}$ , được biểu diễn dưới dạng hàm logarithm:

FSPL_{\text{dB}} = 20 \log_{10}(d) + 20 \log_{10}(f) + 20 \log_{10}\left(\frac{4\pi}{c}\right)

với $d$ là khoảng cách và $f$ là tần số sóng mang. Mối quan hệ toán học này cho thấy rõ ràng: mỗi khi khoảng cách truyền sóng tăng lên gấp đôi thì mức suy hao tăng thêm một lượng xác định theo quy luật hàm logarithm; tương tự, mỗi khi tần số sóng mang tăng lên gấp đôi thì mức suy hao công suất sóng điện từ trong không gian tự do cũng tăng tương ứng.

Phân loại các phương pháp dự đoán suy hao đường truyền

Theo tổng quan toàn diện của Phillips và cộng sự (2013), các phương pháp dự đoán suy hao đường truyền trong lịch sử nghiên cứu hơn sáu thập kỷ được phân loại thành bốn nhóm tiếp cận kinh điển: mô hình lý thuyết thuần túy, mô hình thực nghiệm thống kê, mô hình quang học tia tiền định và phương pháp dựa trên đo đạc trực tiếp.

Nhóm phương pháp	Nguyên lý tiếp cận	Ưu điểm nổi bật	Hạn chế chính
Mô hình lý thuyết thuần túy	Giải hệ phương trình Maxwell hoặc xấp xỉ trường bức xạ lý thuyết	Độ chính xác cao về mặt giải tích, cung cấp hiểu biết sâu về bản chất sóng	Đòi hỏi điều kiện biên đơn giản, khó áp dụng cho đô thị phức tạp
Mô hình thực nghiệm thống kê	Xây dựng hàm hồi quy từ các tập dữ liệu đo đạc thực tế tại thực địa	Tính toán nhanh, đơn giản, dễ tích hợp vào phần mềm quy hoạch mạng	Kém chính xác ngoài phạm vi đo, phụ thuộc chặt chẽ vào địa hình khảo sát
Mô hình quang học tia tiền định	Ứng dụng kỹ thuật dò tia (ray tracing) dựa trên quang hình học và bản đồ 3D	Mô phỏng chi tiết từng lộ trình sóng, độ chính xác vị trí rất cao	Đòi hỏi dữ liệu bản đồ 3D chi tiết, chi phí tính toán cực lớn
Phương pháp dựa trên đo đạc trực tiếp	Thu thập trực tiếp mức tín hiệu tại thực địa kết hợp thuật toán nội suy không gian	Phản ánh chuẩn xác điều kiện kênh truyền tại các điểm đo thực tế	Chi phí đo kiểm lớn, không dự đoán được trước khi triển khai trạm phát

Bên cạnh bốn nhóm tiếp cận kinh điển trên, sự bùng nổ của tính toán hiệu năng cao trong những năm gần đây đã mở ra hướng tiếp cận thứ năm: ứng dụng học máy và học sâu. Hướng tiếp cận mới này kết hợp dữ liệu đo kiểm thực địa với tri thức bản đồ số và các quy luật truyền sóng vật lý để tự động học các quy luật phi tuyến phức tạp trong môi trường đô thị hiện đại.

Các mô hình thực nghiệm kinh điển

Trước khi các công cụ tính toán hiệu năng cao và trí tuệ nhân tạo trở nên phổ biến, các mô hình thực nghiệm thống kê đóng vai trò xương sống trong toàn bộ ngành công nghiệp viễn thông để quy hoạch các thế hệ mạng di động từ 2G đến 4G.

Mô hình Okumura và mô hình Hata

Dựa trên các chiến dịch đo đạc quy mô lớn của Okumura tại Nhật Bản, Hata (1980) đã thiết lập công thức thực nghiệm kinh điển biểu diễn suy hao đường truyền trong môi trường đô thị dưới dạng toán học tổng quát:

L = A + B \log_{10}(R)

Trong đó $L$ là suy hao đường truyền tính bằng decibel (dB), $R$ là khoảng cách truyền sóng bắt buộc tính bằng kilômét (km), còn $A$ và $B$ là các hàm số phụ thuộc vào tần số sóng mang tính bằng megahertz (MHz) và chiều cao hiệu dụng của các ăng-ten tính bằng mét (m). Mô hình Hata (1980) được xác lập với các giới hạn điều kiện biên nghiêm ngặt nhằm đảm bảo sai số công thức nhỏ:

Dải tần số công tác áp dụng: từ 100 đến 1500 MHz, bao trùm các hệ thống vô tuyến di động mặt đất băng tần VHF và UHF.
Khoảng cách truyền sóng giữa trạm phát và máy thu: từ 1 đến 20 km.
Chiều cao hiệu dụng của ăng-ten trạm phát (trạm gốc): từ 30 đến 200 m.
Chiều cao ăng-ten của thiết bị di động (ăng-ten xe cơ động): từ 1 đến 10 m.

Mô hình mở rộng COST Hata

Khi các mạng thông tin di động thế hệ thứ hai phát triển lên các dải tần số cao hơn, giới hạn trên của mô hình Hata gốc không còn đáp ứng được yêu cầu thiết kế mạng tế bào. Ủy ban Nghiên cứu Khoa học và Công nghệ châu Âu thuộc dự án COST đã phát triển mô hình mở rộng COST Hata, mở rộng phạm vi tần số hoạt động lên các băng tần vô tuyến mới. Mô hình bổ sung các hệ số hiệu chỉnh đặc thù cho trung tâm đô thị mật độ cao với các dãy nhà cao tầng san sát, giúp cải thiện độ chính xác dự đoán vùng phủ sóng.

Ứng dụng học sâu và trí tuệ nhân tạo trong dự đoán suy hao

Bước sang kỷ nguyên mạng 5G và hướng tới 6G, việc sử dụng các dải tần số cao như sóng milimét và dải trung làm tăng tính chất cục bộ của môi trường truyền sóng. Các vật cản kiến trúc đô thị, vật liệu xây dựng và cấu trúc địa hình vi mô tạo ra những biến động suy hao mạnh mẽ mà các mô hình thực nghiệm truyền thống không thể nắm bắt chính xác.

Để giải quyết thách thức này, các phương pháp học sâu (deep learning) kết hợp tri thức vật lý (physics-informed machine learning) đã được phát triển mạnh mẽ. Thay vì coi mạng nơ-ron như một hộp đen thuần túy, các mô hình học sâu hỗ trợ bằng vật lý (model-aided deep learning) tích hợp các công thức suy hao chuẩn làm đường cơ sở, sau đó để mạng nơ-ron học phần dư sai lệch phát sinh từ hình học môi trường thực tế.

Nghiên cứu của Thrane và cộng sự (2020) đã chứng minh tính hiệu quả của phương pháp học sâu kết hợp dữ liệu ảnh vệ tinh quang học tại tần số 2,6 GHz. Kết quả thực nghiệm cho thấy việc đưa đặc trưng từ ảnh vệ tinh giúp tăng hiệu năng dự đoán suy hao thêm khoảng 0,8 dB. Bên cạnh đó, việc áp dụng kỹ thuật hỗ trợ bằng mô hình vật lý mang lại mức cải thiện xấp xỉ 1 dB so với mô hình học sâu đơn thuần. So với các mô hình kênh truyền thống đường cơ sở (baseline stochastic và ray-tracing models), mô hình của Thrane và cộng sự (2020) cho thấy khả năng tổng quát hóa tại các vị trí chưa từng khảo sát trước đó, cải thiện độ chính xác dự đoán suy hao thêm khoảng 1 dB ở tần số 811 MHz và khoảng 4,7 dB ở tần số 2630 MHz.

Tiếp tục mở rộng sang các dải tần số vô tuyến mới, Nguyen và cộng sự (2023) đã nghiên cứu mô hình học sâu hỗ trợ bằng vật lý để dự đoán suy hao đường truyền tại tần số 7 GHz, đại diện cho dải tần 6 GHz trong môi trường đô thị. Nghiên cứu sử dụng tập dữ liệu đo đạc thực tế phong phú thu thập tại 4 địa điểm đô thị khác nhau. Băng tần 6 GHz đang nhận được sự quan tâm đặc biệt trên quy mô toàn cầu do nhu cầu chia sẻ phổ tần giữa các thiết bị không cấp phép và các dịch vụ viễn thông đương nhiệm; tại đây, hệ thống điều phối tần số tự động (automated frequency coordination, AFC) yêu cầu các mô hình dự đoán suy hao có độ chính xác cao nhằm bảo vệ các tuyến truyền dẫn cố định hiện hữu khỏi can nhiễu độc hại.

Quy trình thực hiện dự đoán suy hao trong quy hoạch mạng

Trong thực tiễn kỹ thuật viễn thông, quá trình dự đoán suy hao đường truyền được tiến hành theo chu trình chuẩn hóa gồm các bước sau:

Thu thập dữ liệu địa hình và công trình: Xây dựng cơ sở dữ liệu số hóa về mô hình độ cao số (DEM), lớp phủ mặt đất (clutter grid) và các tệp vectơ 3D của các công trình xây dựng trong khu vực mục tiêu.
Cấu hình thông số thiết bị vô tuyến: Nhập thông số kỹ thuật của trạm phát bao gồm tọa độ vị trí, chiều cao cột ăng-ten, công suất phát, đồ thị bức xạ ăng-ten theo góc ngẩng và góc phương vị, cùng độ nhạy thu của thiết bị người dùng.
Lựa chọn và hiệu chuẩn mô hình truyền sóng: Chọn mô hình phù hợp với môi trường (đô thị, nông thôn, trong nhà) và dải tần hoạt động. Tiến hành hiệu chuẩn mô hình (model calibration) bằng cách so khớp kết quả dự đoán với dữ liệu đo kiểm thực địa (drive-test data) nhằm tối thiểu hóa sai số căn quân phương (RMSE).
Mô phỏng vùng phủ sóng và tính toán can nhiễu: Phần mềm chuyên dụng tính toán mức thu dự kiến (Rx Level / RSRP) cho từng điểm ảnh trên bản đồ, từ đó xác định ranh giới vùng phủ sóng, tỷ số tín hiệu trên can nhiễu (SINR) và dự đoán dung lượng thông lượng toàn mạng.

Hạn chế kỹ thuật và thách thức nghiên cứu còn mở

Mặc dù các kỹ thuật dự đoán mất mát tín hiệu đã đạt được nhiều tiến bộ vượt bậc, các kỹ sư và nhà nghiên cứu vẫn phải đối mặt với nhiều rào cản kỹ thuật quan trọng:

Sự đánh đổi giữa độ chính xác và chi phí tính toán: Mô hình dò tia tiền định và mạng nơ-ron học sâu nhiều lớp đạt độ chính xác cao nhưng đòi hỏi tài nguyên tính toán đồ sộ, khó áp dụng tức thời cho các bài toán tối ưu hóa mạng tự động hóa (self-organizing networks, SON) trong thời gian thực tính bằng mili-giây.
Khả năng tổng quát hóa của mô hình học máy: Một mô hình học sâu huấn luyện trên dữ liệu của một thành phố có thể suy giảm độ chính xác rõ rệt khi triển khai tại một đô thị khác có mật độ kiến trúc và vật liệu xây dựng hoàn toàn khác biệt nếu không được tinh chỉnh (fine-tuning) phù hợp.
Hiện tượng hấp thụ khí quyển ở dải tần số siêu cao: Khi chuyển dịch lên dải tần terahertz trong mạng 6G, sóng điện từ chịu thêm suy hao hấp thụ cộng hưởng từ các phân tử hơi nước và oxy trong khí quyển, đòi hỏi các mô hình dự đoán phải tích hợp dữ liệu khí tượng vi mô theo thời gian thực.
Tác động của bề mặt phản xạ thông minh (RIS): Sự xuất hiện của các bề mặt phản xạ thông minh có khả năng tái cấu trúc môi trường truyền sóng nhân tạo làm thay đổi căn bản giả định truyền thống rằng môi trường truyền sóng là thụ động và không thể kiểm soát.