Sự bùng nổ của Thiết bị bay không người lái (UAV/Drone) đang mở ra những hướng đi đột phá cho mạng viễn thông 5G nâng cao và 6G. Tuy nhiên, việc đưa các "trạm phát sóng bay" này vào hoạt động thực tế đòi hỏi chúng ta phải giải quyết một bài toán vô tuyến phức tạp: Mô hình hóa kênh truyền không gian 3D. Hôm nay, hãy cùng tìm hiểu cách các nhà nghiên cứu sử dụng toán học để mô hình hóa xác suất LoS (Line-of-Sight) và NLoS (Non-Line-of-Sight) trong truyền thông UAV.

Sự khác biệt của Kênh truyền Không - Mặt đất (A2G)

Trong các mạng di động truyền thống, cả trạm phát (BTS) và người dùng (User) đều nằm gần mặt đất. Kênh truyền chủ yếu chịu ảnh hưởng bởi hiện tượng đa đường (multipath) do tín hiệu phản xạ qua các tòa nhà, cây cối.

Khi sử dụng UAV làm trạm chuyển tiếp hoặc trạm gốc trên không, môi trường truyền dẫn thay đổi hoàn toàn thành kênh Air-to-Ground (A2G). Tùy thuộc vào độ cao của UAV và mật độ vật cản trên mặt đất, kết nối giữa UAV và người dùng sẽ rơi vào một trong hai trạng thái:

• LoS (Line-of-Sight - Tầm nhìn thẳng): Tín hiệu truyền trực tiếp không bị che khuất, chất lượng liên kết cực tốt.

• NLoS (Non-Line-of-Sight - Khuất tầm nhìn): Tín hiệu bị chặn bởi các tòa nhà, suy hao (Path loss) tăng mạnh.

Việc tính toán chính xác tỷ lệ xảy ra LoS và NLoS là chìa khóa để tối ưu hóa độ cao bay và vùng phủ sóng của UAV.

Mô hình hóa Xác suất LoS/NLoS theo Góc ngẩng

Theo các nghiên cứu chuẩn mực (đặc biệt là mô hình được ITU-R và Al-Hourani đề xuất), xác suất để một liên kết đạt trạng thái tầm nhìn thẳng (LoS) phụ thuộc mạnh mẽ vào môi trường đô thị và góc ngẩng (Elevation Angle - $\theta$) giữa người dùng và UAV.

Góc ngẩng $\theta$ (tính bằng độ) được xác định bởi:

$$\theta = \frac{180}{\pi} \arcsin\left(\frac{h}{d}\right)$$

Trong đó $h$ là độ cao của UAV và $d$ là khoảng cách 3D từ UAV đến thiết bị nhận.

Khi UAV bay càng cao hoặc đứng càng gần vị trí người dùng (theo phương ngang), góc ngẩng $\theta$ càng lớn, xác suất tín hiệu vượt qua được các mái nhà để truyền thẳng càng cao. Điều này được mô hình hóa qua hàm Sigmoid như sau:

$$P_{\text{LoS}} = \frac{1}{1 + a \exp(-b(\theta - a))}$$

Xác suất rơi vào trạng thái khuất tầm nhìn (NLoS) đơn giản là phần bù của $P_{\text{LoS}}$:

$$P_{\text{NLoS}} = 1 - P_{\text{LoS}}$$

Trong đó, các tham số môi trường là gì?

Các biến $a$ và $b$ được gọi là các tham số môi trường (S-curve parameters). Chúng không cố định mà thay đổi theo đặc thù khu vực địa lý:

• Khu vực ngoại ô (Suburban): Mật độ nhà thưa, $a$ và $b$ nhỏ, UAV chỉ cần bay ở độ cao vừa phải là đạt được xác suất LoS cao.

• Khu vực đô thị (Urban): Mật độ nhà cao, $a$ và $b$ lớn hơn.

• Khu vực đô thị sầm uất (Dense Urban): Nhiều nhà chọc trời, cần một góc ngẩng $\theta$ rất lớn (UAV phải bay rất cao hoặc ở ngay trên đỉnh đầu) thì $P_{\text{LoS}}$ mới tiến gần tới $1$.

Tác động đến Suy hao Đường truyền (Path Loss)

Khi đã tính toán được xác suất, bước tiếp theo trong mô hình hóa mạng UAV là ước lượng tổng suy hao đường truyền trung bình. Thay vì tính toán một con số tĩnh, suy hao đường truyền kỳ vọng ($\overline{L}$) là trung bình có trọng số của cả hai trạng thái:

$$\overline{L} = P_{\text{LoS}} \times L_{\text{LoS}} + P_{\text{NLoS}} \times L_{\text{NLoS}}$$

Công thức này cho thấy một sự đánh đổi (Trade-off) thú vị trong kỹ thuật:

1. Nếu UAV bay quá thấp, xác suất NLoS cao khiến tín hiệu bị chặn bởi nhiều tòa nhà, $\overline{L}$ tăng.

2. Nếu UAV bay quá cao, xác suất LoS đạt gần 100%, nhưng khoảng cách không gian (Free space distance) lại quá lớn, khiến $\overline{L}$ vẫn tăng.

Từ hệ phương trình này, các kỹ sư viễn thông có thể sử dụng đạo hàm để tìm ra Độ cao tối ưu ($h_{\text{opt}}$) giúp vùng phủ sóng trên mặt đất đạt bán kính cực đại đối với một mức ngân sách đường truyền (Link budget) cho trước.

Kết luận

Mô hình xác suất dựa trên LoS và NLoS không chỉ là những dòng công thức khô khan trên giấy, mà là nền tảng cốt lõi cho các thuật toán định tuyến, quy hoạch quỹ đạo (Trajectory optimization) và phân bổ năng lượng cho UAV trong thực tế.