为何通道导向模型不足以预测私有 5G 网络的端到端性能：一次测量活动与案例研究

通信感知的机器人规划需要准确预测无线网络性能。当前方法依赖于信道级别的指标，如接收信号强度和信噪比，假设这些指标可靠地转化为端到端吞吐量。我们通过在私有 5G 工业环境中的测量活动，挑战了这一假设。我们评估了来自商业雷达追踪模拟器以及基于高斯过程回归模型的吞吐量预测，这些模型是使用移动机器人收集的测量数据进行评估的。该研究在地下、屏蔽的设施中使用商用用户设备，配有详细的 3D 模型，代表了预测准确性的最佳情形。雷达追踪模拟器捕捉室内传播的空间结构，并以合理的保真度预测信道级别的指标。然而，它系统性地高估了吞吐量，即使在直线视距区域也是如此。显示主要误差来源是对可持续 MIMO 空间层的高估：模拟器假设近乎均匀的四层传输，而测量结果显示在 1 到 3 层之间存在显著的适应性调整。即使在信道指标准确的情况下，这种不匹配也会导致预测吞吐量被高估。相比之下，采用理性二次核函数的高斯过程模型通过直接从测量数据学习端到端吞吐量，实现了约二分之一的预测误差降低，并实现近乎零偏差。这些发现表明，良好的信道条件并不保证高吞吐量；依赖仅靠信道导向预测的通信感知规划器风险会导致过于乐观的轨迹，这些轨迹可能违反可靠性要求。 accurate 吞吐量预测 5G 系统需要对链路层模型进行大量校准，或采用能够捕捉真实系统行为的数据驱动方法。