基于FPGA的無人機非平穩信道動態模擬研究

房勝 毛開 王滿喜 華博宇 宋茂忠 朱秋明

摘 要：????? 針對無人機高速移動導致的信道狀態快速時變以及多普勒頻率起伏大的特點， 本文基于現場可編程門陣列平臺設計了無人機非平穩信道模擬方案。 該方案采用調頻諧波疊加方法產生非平穩信道衰落， 并提出了一種信道參數實時產生算法， 提高了信道模擬的實時性， 保證了信道狀態的實時更新。 同時， 針對多普勒頻率起伏大導致的功率隨機波動問題， 本文設計了一種自適應功率均衡模塊， 使得輸出功率最大波動僅為1.13%， 保證了衰落功率的穩定性。 最后， 硬件消耗資源結果表明， 相較于復播方案以及預存式方案， 本文方案對存儲資源的消耗分別降低了52.44%和9.31%， 更適合長時間無人機非平穩信道衰落的模擬。 同時， 實測分析結果表明， 相較于未均衡的模擬方案， 本文硬件模擬方案輸出的信道特性如路徑損耗和多普勒功率譜密度與理論結果更加吻合， 可用于無人機通信系統的設計、 優化等領域。

關鍵詞：???? 無人機； 非平穩信道； 信道模擬； 現場可編程門陣列； 路徑損耗； 動態場景

中圖分類號：??? ?TJ760

文獻標識碼：??? A

文章編號：??? ?1673-5048（2024）01-0089-08

DOI： 10.12132/ISSN.1673-5048.2023.0087

0 引? 言

無人機（Unmanned Aerial Vehicles， UAVs）憑借其高機動、 低成本及部署靈活等優點， 在第五代通信中發揮了關鍵作用， 并被認為是第六代通信的“空-天-地-?！币惑w化網絡中不可或缺的組成部分［1-2］。 無人機通信系統是無人機之間鏈接的紐帶， 也是保證整個無人機網絡正常運行的關鍵。 然而， 由于無人機的高速移動特性， 信道呈現非平穩特性， 信道狀態快速時變， 無人機通信系統的通信質量受到嚴重影響［3-5］。 無線信道模擬技術可在實驗室中對真實傳播環境下的無線信道特性進行復現， 具有可控、 可重復以及可視化等優點， 可用來評估和優化通信系統的性能［6］。 因此， 深入研究無人機非平穩信道的實時模擬技術具有重要意義。

目前， 針對平穩衰落模擬技術的研究已經較為成熟， 存在如馬爾可夫法［7］、 濾波法［8］以及復諧波疊加（Sum of Cisoids， SoC）法［9］等多種實現方法， 而針對非平穩衰落的模擬尚在研究中［10-12］。 若直接采用SoC方法對非平穩衰落進行模擬將導致信道輸出的相位不連續， 進而造成多普勒頻率值與理論值存在偏差［10-11］。 因此， 文獻［12］提出了調頻諧波疊加（Sum of Frequency Modulation， SoFM）方法， 以積分形式的相位代替了乘積形式， 保證模擬輸出的多普勒頻率值準確性。 除了準確性之外， 實時性也是信道模擬技術研究的關注要點之一， 由于現場可編程門陣列（Field Programmable Gate Array， FPGA）具有靈活性高、 實時性強和成本低的特點， 已經被廣泛應用于無線信道衰落的硬件模擬［8，10，12-14］。 然而， 目前大部分信道模擬器的信道參數是采用預先由軟件生成并存儲在隨機存取存儲器（Random Access Memory， RAM）中的預存式方案［11，13］， 該方案硬件實現簡單但是實時性差， 且需要消耗大量RAM資源， 不適用于長時間下高動態的無人機信道的實時模擬。 為了保證衰落模擬的實時性，文獻［14］提出了一種實時信道參數計算方法， 但其硬件結構復雜， 不易于硬件實現。 此外， 由于無人機運動速度快、 范圍廣， 因此無人機信道的多普勒頻率起伏范圍大。然而， 當多普勒頻率變化時， FPGA產生的諧波數也會隨之變化， 導致信道衰落的功率出現隨機波動， 無法準確的對衰落功率進行控制。

為了解決上述問題， 本文基于FPGA平臺給出了無人機非平穩信道衰落的硬件模擬方案， 提出了一種簡化的信道參數實時計算算法， 實現了信道衰落的實時模擬。 此外， 本文基于自適應思想設計了功率均衡模塊， 保證了輸出信道衰落功率的一致性。 最后， 將所研制的無人機非平穩信道模擬器的輸出結果和理論結果相對比， 驗證了信道仿真器的有效性。

1 信道模型及系統方案

1.1 信道模型

基于電磁傳播理論， 信號由不同的路徑到達接收端， 接收信號為多條不同時延和入射方向的散射支路的疊加， 通常包含視距路徑（Line of Sight， LoS）和反射、 散射及障礙物衍射等造成的非視距路徑（Non-Line of Sight， NLoS）［15-17］。 同時， 由于無人機高速移動， 信道不在滿足廣義平穩（Wide Sense Stationary， WSS）條件， 信號到達接收端的多徑數目、 時延、 入射方向等不斷變化， 則信道單位沖激響應可以表示為

移動收發端之間的相對運動會產生多普勒效應， 為信號疊加上一個多普勒頻移。 對于LoS而言， 若收發端之間的相對速度為v（t）， 則多普勒頻率為

式中： fc， c和αLoS（t）分別為載波頻率、 光速及直射徑的入射角； fmax（t）為入射角為0時的最大多普勒頻率。 對于NLoS路徑， 需要考慮無人機本身的遮擋和散射環境中的障礙物引起的陰影效應及多徑效應影響， 一般可表示為復合衰落形式， 即

式中： βn（t）為陰影衰落因子， 表示收發端之間障礙物遮擋造成的衰落影響， 其幅度服從對數正態分布。

由于接收信號為不同相位的信號疊加， 其幅度隨機變化， 一般可認為服從瑞利分布：

其中， x≥0， σγ為瑞利分布的標準差。

在頻域上， 受到多普勒效應影響， 每條支路的信號都具有不同的多普勒頻移， 當各支路信號疊加起來后導致頻譜發生展寬的現象稱為多普勒擴展。 用于描述多普勒擴展的最直觀統計量為多普勒功率譜密度（Doppler Power Spectral Density， DPSD）， 可通過維納-辛欽關系獲得

1.2 系統方案

本文基于FPGA平臺設計的非平穩信道衰落模擬方案如圖1所示。 在該方案中， 上位機負責配置信道狀態參數， 并通過快速外設組件互連標準（Peripheral Component Interconnect Express，? PCIE）總線將參數下發到硬件平臺。 FPGA端負責對經模擬數字轉換器（Analog to Digital Converter， ADC）輸入的基帶信號進行時延處理， 并疊加非平穩衰落后由數字模擬轉換器（Digital to Analog Converter， DAC）輸出。 其中， 信道實時模擬單元為整個方案的核心， 其內部的參數產生模塊實時計算生成信道模擬參數； 復合信道衰落產生模塊采用時分復用架構實時產生非平穩信道衰落； 功率均衡模塊采用自適應方案保證輸出功率穩定。

2 非平穩信道實時模擬

2.1 復合衰落產生

式中： μβ（t）， μγ1（t）， μγ2（t）為相互獨立的高斯隨機變量。

式中： M為諧波總數； cm， fm和θm分別為第m條諧波的增益、 頻率及初始相位， θm服從U～［0，2π）的均勻分布； Ts為硬件采樣時鐘周期。 基于隨機變量理論可知， μ（ξ）的幅度分布概率密度函數為

式中： J0（·）為第一類零階貝塞爾函數。 結合式（7）～（9）可得離散陰影衰落因子βn（ξ）為

幅度分布概率密度函數為

幅度分布概率密度函數為

尋址后得到數據速率為fs/M的陰影衰落βn（ξ）。 最后， 將陰影衰落進行開方并與多徑衰落相乘即可得到復合衰落。 同時， 為了匹配其他模塊的數據速率， 需要使用級聯積分器梳狀濾波器對復合衰落進行M倍插值。 需要指出的是， LoS路徑衰落可以將其看作復合衰落的特例。 此時， M組頻率與初始相位中僅一組有效， 其余均為0。

2.2 信道參數實時產生

由式（11）和（13）可得， 在產生陰影衰落因子與多徑衰落因子時， 需要確定諧波頻率fβm（ξ）、 fγm（ξ）的取值。 對于非平穩信道而言， 可以將其劃分為若干個準平穩區間， 在每個準平穩區間內可認為信道衰落滿足WSS條件［18-19］。 由于硬件采樣周期遠小于準平穩區間， 因此可假設信道衰落保持平穩的時間為Tq=I·Ts， 在Tq內有

式中： i=1，2，…， I； fγm，q為第q個準平穩區間內各諧波的頻率， 也即各支路多普勒頻移的頻率， 則多普勒功率譜可表示為

可以看出， 輸出信號的多普勒功率譜分布在離散的頻點上， 因此， 實際中可利用已知的多普勒功率譜來計算離散多普勒頻率fγm，q。

考慮到硬件運算的離散化以及定點化特點， 本文首先將多普勒功率譜S（f）進行頻域采樣后得到離散功率譜S（fk）， 多普勒功率譜密度面積可以表示為

式中： k=1，2，…， K， K為多普勒功率譜密度的頻域采樣點數； fk=k·Δf/K+f1為各采樣點的頻率值， Δf=fK－f1為多普勒功率譜的多普勒擴展， fK、 f1分別為離散多普勒功率譜的邊界處的頻點值， 即為最大和最小多普勒頻率。 可得， 在fγm－1，q

引入輔助函數：

結合式（18）～（19）， 可以得到Gm（fγm，q）=0， 則對于所有m， 若Gm的反函數（以G-1m表示）存在， 則有fγm，q=G-1m（0）。 在此基礎上， 本文提出了一種離散多普勒頻率的硬件產生算法。 該算法的關鍵在于對使得Gm（fk）=0的頻點fk的尋找， 由于fk與頻點索引值k存在直接關系， 因此， 對每個m而言只要找到Gm（fk）=0對應的索引值km即可獲得對應的多普勒離散頻率fγm，q。

該算法本質上是對構成多普勒功率譜的離散頻點的逼近， 其結果的準確性與頻域采樣點數K的取值有關。 為了驗證所提算法的可靠性， 圖4中仿真了3種不同頻域采樣點數K下離散多普勒頻率產生算法輸出的Jakes譜多普勒頻點值。 同時， Jakes譜對應的理論值為［20］

圖4（a）為3種不同頻域采樣點數K下的離散頻點分布圖， 圖4（b）給出了在3種不同頻域采樣點數K下離散頻點誤差比較， 從圖可以看出隨著K值的增加， 輸出頻點與理論頻點的誤差越來越小， 當頻域采樣數為512時算法輸出頻點與理論值已經較為吻合。

對于陰影衰落因子βn（t）參數fβm，q的取值， 只需保證

本文設計的參數計算模塊硬件實現框架如圖5所示， 由上位機配置并更新包括離散多普勒功率譜Sfk及邊界多普勒頻率f1、 fK等信道狀態信息， 在初始化模塊離散多普勒功率譜累加后得到G1（fk）在寄存器中， 而后在數據判斷模塊中進行處理得到Gm（fk）數據并找到最小值記錄對應索引值km。 同時， 根據輸入的邊界頻點值計算獲得多普勒擴展Δf。 最后， 根據頻點索引值與頻率值的關系即可獲得多普勒離散頻率fγm，q， 根據公式（21）即可獲得陰影衰落諧波頻率f βm，q。 同理， 對于LoS路徑衰落而言， 可令fK=f1=fLoSq進行模擬產生， fLoSq為準平穩區間中直射徑多普勒頻率。

2.3 功率均衡

在硬件仿真實現中， 信道衰落因子的輸出功率會受到陰影衰落均值、 方差以及產生多徑衰落的諧波數的影響， 變化復雜且隨機波動。 因此， 為保證復合衰落輸出的衰落功率穩定， 需要對輸出信號進行功率均衡。

在硬件實現中， 通常采用查找表（Look Up Table， LUT）來產生SoFM方法中的調頻諧波， LUT方法具有實時性好且硬件易于實現的優點， 但是其存在一個最低的頻率產生下限， 即頻率分辨率。 若產生諧波的頻率為fclk， LUT的存儲深度為2N， 頻率分辨率為

則當諧波頻率小于fLUT時， LUT無法正常產生諧波。 假定產生諧波的定點化位寬為W， LUT能正常產生的諧波數為M′， 在準平穩區間Tq內多徑衰落的平均功率為

陰影衰落的平均功率為

Pβ=E（β（ξ））=exp（mβ+（σβ）2/2+Δ）（24）

式中： Δ為陰影衰落定點化后造成的偏差， 僅與開方存儲表的位寬、 深度有關。 可以發現， 陰影衰落的功率會受到其均值和方差的影響， 多徑衰落的功率會受到有效諧波數M′的影響。 其中， 均值和方差為上位機輸入的信道參數， 可以提前預知， 而有效諧波數則與不同時刻的諧波頻率值有關。 由于無人機運動速度快且運動范圍廣， 因此無人機信道的多普勒頻率起伏范圍大， 各諧波的頻率值也隨之變化， 從而導致輸出的復合功率存在較大的隨機波動。

為了驗證功率均衡模塊的可靠性， 取多徑衰落諧波位寬為16， 陰影衰落對數表位寬為20， 對數表深度為13， 在硬件上對不同有效諧波下多徑衰落功率及不同均值和標準差下的陰影衰落功率進行了統計分析， 其中衰落功率的估計值可以表示為

3 數值仿真與分析

3.1 硬件資源消耗

本文所設計的信道模擬器， 諧波數目M=16， 頻域采樣點數K=512。 表3給出了系統時鐘為200 MHz情況下， 更新時間為5 ms， 總仿真為1 s時， 不同信道模擬方案的FPGA資源消耗情況。 從表中可以看出， 在3種方案中消耗資源比例最大的均為Block RAM即內存資源。 其中， 復播方案［8］消耗最多， 因為其原理是將現場采集或軟件生成的信道衰落存儲到硬件中進行復播， 信道模擬時長受存儲資源的限制， 且復播的信道數據始終固定不變， 實時性差； 預存式方案［11，13］僅需存儲每個準平穩區間的信道參數， 消耗的存儲資源少于復播方案， 但其信道模擬時長仍受存儲資源限制， 且在模擬過程中無法隨時修改信道狀態， 實時性依然較差； 本文采用的硬件參數實時產生方案可以做到硬件實時產生信道參數， 無需存儲大量信道數據， 對存儲資源的消耗僅為7.42%， 相較前兩種方案分別降低了52.44%和9.31%， 信道模擬時長不受限制， 且信道狀態實時可變。 因此， 本文信道模擬方案更適合長時間無人機非平穩信道衰落的模擬。

3.2 仿真案例驗證

為了驗證所設計的無人機非平穩信道模擬系統的準確性， 本文設定了一個無人機空地傳播的仿真場景， 將該場景下硬件模擬輸出的實測結果與軟件理論仿真結果進行對比。 在空地傳播場景中， LoS路徑與地面反射路徑占據了總能量的大部分［21］， 因此， 在仿真案例中將信道模型可以簡化為雙徑模型。 具體仿真場景設置如下： 基站與無人機均采用歸一化全向天線， 無人機沿x軸正方向（15+4t） m/s做勻加速運動， 載波頻率、 仿真時長等仿真參數如表4所示。 另外， 由于實際環境中無法實現多徑從各個方向到達接收機， 因此可假設多普勒功率譜為Jakes譜的截斷形式， 邊界處多普勒頻率分別為fK=fmax（t）（1－0.1t）， f1=fmax（t）（0－0.1t）， 其中fmax（t）為不同時刻的理論最大多普勒頻率。

根據上述仿真設置， 利用自由空間傳播損耗模型得到LoS路徑損耗為

P0［dB］=10lgP0（t）=32.45+20lgfc+20lgd（t）（27）

式中： d（t）為基站與無人機的實時距離。 NLoS徑的功率損耗可以表示為直射路徑損耗疊加上額外損耗的形式Pn［dB］=Pn［dB］+X， 其中X～N（3，1）。

不同時刻的路徑損耗的理論仿真曲線與硬件模擬結果如圖7所示， 圖7（a）為LoS路徑損耗測量結果， 圖7（b）為NLoS路徑損耗測量結果， 圖中的路徑損耗測量值為分別對有均衡模塊的信道模擬系統以及無均衡的信道模擬系統進行測量得到。 由圖可以看出： （1）隨著時間的演進， 無人機與基站之間的距離先近后遠， 整體路徑損耗隨之呈現先降后升的趨勢； （2）對于LoS路徑而言， 有均衡模塊的路徑損耗測量值與無均衡模塊的路徑損耗測

量值偏差不大， 且均與理論值一致， 其中理論值與有均衡模塊的測量值平均偏差為0.08 dB， 理論值與無均衡模塊的測量值平均偏差為0.11 dB； （3）對于NLoS路徑而言， 有均衡模塊的路徑損耗測量值與理論值一致， 平均偏差為0.19 dB， 而無均衡模塊的路徑損耗測量值與理論值存在較大偏差， 平均偏差為1.43 dB。

造成上述（2）（3）現象的原因是LoS路徑中僅有一條直射徑且無陰影衰落影響， 復合衰落輸出功率穩定， 有無均衡影響不大， 而NLoS徑中存在多個諧波且受陰影衰落影響嚴重， 若無均衡模塊， 復合衰落輸出功率受多普勒頻率影響隨機變化， 導致最終的路徑損耗與理論值存在較大的誤差。

不同時刻的DPSD的理論仿真分布與硬件模擬結果如圖8所示， 其中， 圖8（a）為仿真場景下的理論DPSD分布圖， 圖8（b）為使用頻譜分析儀觀測的信道模擬器的DPSD實測結果圖。 由圖可以看出： （1）隨著時間的演進， LoS路徑的多普勒頻移逐漸由正轉負， 在5 s附近即無人機越過基站正上方時變化最為劇烈； （2）NLoS路徑的多普勒擴展隨著速度的增大而變大， 與標準Jakes譜不同， 多普勒頻率也存在正負變化過程； （3）在不同仿真時刻硬件模擬的實測結果與理論值的形狀以及變化趨勢基本保持一致。

綜上所述， 可以發現實測結果與理論值吻合良好， 本文所設計的模擬器能夠按照需求準確可控的產生具有特定功率、 特定DPSD形狀的信道衰落， 可有效模擬無人機非平穩信道。

4 總? 結

本文提出了一種基于SoFM方法的無人機非平穩信道衰落模擬系統的方案， 該方案采用時分復用架構， 降低了硬件資源消耗。 同時， 提出了一種信道參數實時計算算法并給出了實現架構， 在保證信道模擬器實時性的同時降低了模擬器對硬件RAM資源的需求。 此外， 本文還設計了自適應功率均衡模塊， 保證了信道衰落輸出功率的一致性。 最后， 將所研制的無人機非平穩信道模擬器的輸出結果和理論仿真結果相對比， 驗證了信道模擬器輸出結果的準確性， 進一步證明信道模擬器能夠對無人機非平穩信道衰落進行有效的模擬。 因此， 本文設計的非平穩信道模擬系統可用于準確復現無人機非平穩信道， 可用于輔助無人機通信系統的方案設計、 算法優化和性能評估。

參考文獻：

［1］ 朱秋明， 倪浩然， 華博宇， 等. 無人機毫米波信道測量與建模研究綜述［J］. 移動通信， 2022， 46（12）： 2-11.

Zhu Qiuming， Ni Haoran， Hua Boyu， et al. A Survey of UAV Millimeter-Wave Channel Measurement and Modeling［J］. Mobile Communications， 2022， 46（12）： 2-11.（in Chinese）

［2］ Geraci G， Garcia-Rodriguez A， Azari M M， et al. What Will the Future of UAV Cellular Communications Be？ A Flight from 5G to 6G［J］. IEEE Communications Surveys & Tutorials， 2022， 24（3）： 1304-1335.

［3］ Ma Z F， Ai B， He R S， et al. A Wideband Non-Stationary Air-to-Air Channel Model for UAV Communications［J］. IEEE Transactions on Vehicular Technology， 2020， 69（2）： 1214-1226.

［4］ Jin K， Cheng X， Ge X H， et al. Three Dimensional Modeling and Space-Time Correlation for UAV Channels ［C］∥IEEE 85th Vehi-cular Technology Conference （VTC Spring）， 2017： 1-5.

［5］ Gulfam S， Nawaz S， Ahmed A， et al. A Novel 3D Analytical Scattering Model for Air-to-Ground Fading Channels［J］. Applied Sciences， 2016， 6（8）： 207.

［6］ 朱秋明， 華博宇， 毛開， 等. 無人機毫米波信道建模進展和挑戰［J］. 數據采集與處理， 2020， 35（6）： 1049-1059.

Zhu Qiuming， Hua Boyu， Mao Kai， et al. Advances and Challenges of UAV Millimeter-Wave Channel Modeling ［J］. Journal of Data Acquisition and Processing， 2020， 35（6）： 1049-1059.（in Chinese）

［7］ Li J R， Niu Y G， Yang Y K. Output-Feedback Control under Hidden Markov Analog Fading and Redundant Channels［J］. IEEE Transactions on Circuits and Systems II： Express Briefs， 2021， 68（8）： 2922-2926.

［8］ Chaudhari A， Braun M. A Scalable FPGA Architecture for Flexible， Large-Scale， Real-Time RF Channel Emulation ［C］∥13th International Symposium on Reconfigurable Communication-Centric Systems-on-Chip （ReCoSoC）， 2018： 1-8.

［9］ Green P J. Implementation of a Real-Time Rayleigh， Rician and AWGN Multipath Channel Emulator［C］∥ TENCON 2017 - 2017 IEEE Region 10 Conference， 2017： 35-39.

［10］ Ghiaasi G， Ashury M， Vlastaras D， et al. Real-Time Vehicular Channel Emulator for Future Conformance Tests of Wireless ITS Modems［C］∥10th European Conference on Antennas and Propagation （EuCAP）， 2016： 1-5.

［11］ Dahech W， Ptzold M， Gutiérrez C A， et al. A Non-Stationary Mobile-to-Mobile Channel Model Allowing for Velocity and Trajectory Variations of the Mobile Stations［J］. IEEE Transactions on Wireless Communications， 2017， 16（3）： 1987-2000.

［12］ Zhu Q M， Li H， Fu Y， et al. A Novel 3D Non-Stationary Wireless MIMO Channel Simulator and Hardware Emulator［J］. IEEE Transactions on Communications， 2018， 66（9）： 3865-3878.

［13］ Hua J Y， Yang J F， Lu W D， et al. Design of Universal Wireless Channel Generator Accounting for the 3-D Scatter Distribution and Hardware Output［J］. IEEE Transactions on Instrumentation and Measurement， 2015， 64（1）： 2-13.

［14］ Zhu Q M， Zhao Z K， Mao K， et al. A Real-Time Hardware Emulator for 3D Non-Stationary U2V Channels［J］. IEEE Transactions on Circuits and Systems I： Regular Papers， 2021， 68（9）： 3951-3964.

［15］ Pang M H， Zhu Q M， Wang C X， et al. Geometry-Based Stochastic Probability Models for the LoS and NLoS Paths of A2G Channels under Urban Scenarios［J］. IEEE Internet of Things Journal， 2023， 10（3）： 2360-2372.

［16］ Zhu Q M， Jiang K L， Chen X M， et al. A Novel 3D Non-Stationary UAV-MIMO Channel Model and Its Statistical Properties［J］. China Communication， 2018， 15（12）： 147-158.

［17］ Zhu Q M， Wang Y W， Jiang K L， et al. 3D Non-Stationary Geo-metry-Based Multi-Input Multi-Output Channel Model for UAV-Ground Communication Systems［J］. IET Microwaves， Antennas & Propagation， 2019， 13（8）： 1104-1112.

［18］ Ma Z F， Ai B， He R S， et al. A Non-Stationary Geometry-Based MIMO Channel Model for Millimeter-Wave UAV Networks［J］. IEEE Journal on Selected Areas in Communications， 2021， 39（10）： 2960-2974.

［19］ Huang Z W， Bai L， Cheng X， et al. A Non-Stationary 6G V2V Channel Model with Continuously Arbitrary Trajectory［J］. IEEE Transactions on Vehicular Technology， 2023， 72（1）： 4-19.

［20］ Ptzold M， Castillo J V， Gutiérrez C A， et al. An Exact Solution for the Level-Crossing Rate and the Average Duration of Fades of the Envelope of Sum-of-Cisoids Processes［J］. Procedia Technology， 2012， 3： 30-40.

［21］ Zhu Q M， Mao K， Song M Z， et al. Map-Based Channel Modeling and Generation for U2V mmWave Communication［J］. IEEE Transactions on Vehicular Technology， 2022， 71（8）： 8004-8015.

Research on Dynamic Emulation of Non-Stationary Channel of

Unmanned Aerial Vehicles Based on FPGA

Abstract： Considering the rapid time-varying channel conditions and large Doppler frequency fluctuations caused by high-speed movement of unmanned aerial vehicles， this paper proposes a non-stationary channel emulation scheme for Unmanned Aerial Vehicles（UAVs） using a field-programmable gate array platform. The proposed scheme adopts the sum of frequency modulation method to generate non-stationary channel fading and proposes a real-time algorithm for generating channel parameters to improve the real-time performance of channel emulation and ensure the real-time updating of channel status. In addition， to address the issue of power random fluctuation caused by large Doppler frequency fluctuations， this paper designs an adaptive power equalization module that ensures the stability of fading power by limiting the maximum fluctuation to only 1.13%. Finally， the results of hardware resource consumption analysis demonstrate that the proposed approach in this study significantly reduces the utilization of storage resources compared to replay-based and pre-stored solutions， with reductions of 52.44% and 9.31%， respectively. This makes the proposed approach well-suited for simulating long-duration non-stationary channel fading in UAV scenarios. Additionally， the measured analysis results demon-strate that the channel characteristics output by the proposed hardware emulation scheme， such as path loss and Doppler power spectrum density，closely align with theoretical results when compared to the emulation scheme without the equalizer. This research? can be applied to the design and optimization of UAVs communication systems.

Key words： UAVs； non-stationary channel； channel emulation； field-programmable gate array； path loss; dynamic scene