2. UWB信道模型选择与多径环境仿真

为什么UWB信道模型不能直接套用窄带模型

UWB信号占用500 MHz以上带宽，其信道在频域呈现明显的频率选择性衰落，在时域表现为密集多径簇。窄带信道模型只给出一个复增益，无法描述UWB脉冲经过多径后产生的脉冲展宽与簇状到达结构。工程上常用IEEE 802.15.4a信道模型来仿真UWB多径环境，其核心参数包括：

• 簇到达率 Λ：单位时间内到达的簇数量，反映环境稀疏或密集程度。
• 簇内射线到达率 λ：每个簇内部射线的密集程度。
• 簇衰减时间常数 Γ：簇功率随延迟衰减的速度。
• 射线衰减时间常数 γ：簇内射线功率随延迟衰减的速度。
• 阴影衰落 σ：对数正态分布的随机波动。

不同场景对应不同参数集，例如CM1（室内视距0–4 m）、CM2（室内非视距0–4 m）、CM3（室内非视距4–10 m）、CM4（室内非视距10–20 m）。选择模型时，先根据场景的视距/非视距、距离范围、环境密度确定CM编号，再代入参数生成信道冲激响应。

用Python生成CM3信道冲激响应

下面以CM3（室内非视距4–10 m）为例，用Python实现IEEE 802.15.4a信道模型的离散冲激响应生成。代码直接可运行，输出每个多径分量的延迟与复幅度。

import numpy as np

def uwb_channel_cm3(num_realizations=1, fs=10e9, max_delay_ns=200):
    """
    生成IEEE 802.15.4a CM3信道冲激响应
    fs: 采样率(Hz)，默认10 GHz
    max_delay_ns: 最大延迟(ns)
    返回: delays_s(秒), amplitudes(复数), cluster_info
    """
    # CM3典型参数
    Lambda = 0.067   # 簇到达率 1/ns
    lam    = 2.4     # 射线到达率 1/ns
    Gamma  = 15.0    # 簇衰减时间常数 ns
    gamma  = 8.0     # 射线衰减时间常数 ns
    sigma  = 3.0     # 阴影衰落 dB

    results = []
    for _ in range(num_realizations):
        # 生成簇到达时间
        T = 0.0
        clusters = []
        while T < max_delay_ns:
            T += np.random.exponential(1.0 / Lambda)
            if T >= max_delay_ns:
                break
            # 簇内射线
            tau = 0.0
            rays = []
            while tau < max_delay_ns - T:
                tau += np.random.exponential(1.0 / lam)
                if tau >= max_delay_ns - T:
                    break
                # 平均功率（双指数衰减）
                power = np.exp(-T / Gamma) * np.exp(-tau / gamma)
                # 对数正态阴影
                shadow = 10 ** (np.random.normal(0, sigma) / 20.0)
                # 随机相位
                phase = np.random.uniform(0, 2 * np.pi)
                amp = np.sqrt(power) * shadow * np.exp(1j * phase)
                rays.append((T + tau, amp))
            clusters.append(rays)
        # 展平
        all_rays = [r for c in clusters for r in c]
        all_rays.sort(key=lambda x: x[0])
        delays = np.array([r[0] for r in all_rays]) * 1e-9  # ns -> s
        amps = np.array([r[1] for r in all_rays])
        results.append((delays, amps, len(clusters)))
    return results

# 生成一次实现
channels = uwb_channel_cm3(num_realizations=1)
delays, amps, n_clusters = channels[0]
print(f"簇数量: {n_clusters}")
print(f"多径分量总数: {len(delays)}")
print(f"首径延迟: {delays[0]*1e9:.2f} ns")
print(f"最大延迟: {delays[-1]*1e9:.2f} ns")
print(f"RMS时延扩展: {np.sqrt(np.sum((delays - np.average(delays, weights=np.abs(amps)**2))**2 * np.abs(amps)**2) / np.sum(np.abs(amps)**2))*1e9:.2f} ns")

结果判读与模型选择检查

生成信道后，重点观察三个指标：

• RMS时延扩展：CM3典型值约10–25 ns。若明显偏小，检查Λ和λ是否设得过大，导致多径过于密集但衰减过快。
• 簇数量：CM3在200 ns窗口内通常出现3–6个簇。若只有1个簇，说明Λ过小或max_delay_ns太短。
• 首径与最强径关系：非视距场景中，首径不一定是最强径，最强径可能出现在首个簇内稍晚到达的射线上。

实操：从场景描述到模型参数

给定一个具体场景：“办公室走廊，发射机与接收机之间有一堵石膏墙，距离约6 m，无直达路径。”按以下逻辑选择模型：

1. 距离6 m落在4–10 m范围 → 候选CM3。
2. 无直达路径 → 非视距，排除CM1。
3. 石膏墙属于轻质隔断，环境密度中等 → 采用CM3默认参数，无需切换到CM4（CM4对应更重衰减的工业环境）。
4. 若实测发现多径分量明显少于预期，可将Λ从0.067提高到0.1，模拟更密集的反射体。

完成参数选择后，用上面的代码生成100次实现，统计RMS时延扩展的均值和标准差，作为后续定位算法（如TOA估计）的输入条件。