UAV localization in 5G networks: a ray-tracing based fingerprinting approach using NVIDIA Sionna

The rapid proliferation of Unmanned Aerial Vehicles (UAVs) introduces significant airspace management and security challenges, requiring reliable methods to ensure they remain within authorized zones. To address this, an experimental campaign at the Tallinn University of Technology (TalTech) demonstrated that 5G millimeter-wave (mmWave) networks can detect and classify UAVs based on beam-specific radio signal features. The reference experiment involved a drone navigating a campus environment to capture physical layer measurements from 5G radio units. However, conducting such real-world measurement campaigns is highly resource-intensive and constrained by safety regulations for low-altitude flights. To overcome these logistical constraints, this thesis proposes a simulation-based approach leveraging a Digital Twin to reproduce the TalTech experiment. Utilizing the NVIDIA Sionna library, a high-fidelity Ray Tracing simulation of the campus environment was implemented to generate synthetic Channel Impulse Responses (CIRs). This multipath propagation data was processed to construct a fingerprinting database, associating spatial locations with physical layer features, specifically signal strength (RSRP) and quality (SINR). Position estimation is then achieved using a Weighted k-Nearest Neighbors (W-kNN) algorithm, which assigns influence based on signal similarity to effectively filter out multipath-induced noise. Experimental results demonstrate that the proposed system achieves a positioning accuracy of approximately 3.9 meters in a dense urban scenario. This validates the use of ray-tracing simulations to generate reliable training data, offering a scalable, safe, and cost-effective alternative to physical flight campaigns for the development of future UAV localization and monitoring systems.

La rapida proliferazione dei veicoli aerei senza pilota (UAV) introduce sfide significative per la gestione e la sicurezza dello spazio aereo, richiedendo metodi affidabili per garantire che i droni rimangano all'interno delle zone autorizzate. Per affrontare questo problema, una campagna sperimentale condotta presso la Tallinn University of Technology (TalTech) ha dimostrato che le reti 5G a onde millimetriche (mmWave) possono rilevare e classificare gli UAV in base alle caratteristiche del segnale radio specifiche del beam. L'esperimento di riferimento ha visto un drone navigare all'interno di un campus per acquisire misurazioni a livello fisico dalle unità radio 5G. Tuttavia, condurre tali campagne di misurazione nel mondo reale richiede un notevole impiego di risorse ed è fortemente limitato dalle normative di sicurezza per i voli a bassa quota. Per superare questi vincoli logistici, questa tesi propone un approccio basato sulla simulazione che sfrutta un Digital Twin per riprodurre l'esperimento della TalTech. Utilizzando la libreria NVIDIA Sionna, è stata implementata una simulazione di Ray Tracing ad alta fedeltà dell'ambiente del campus per generare Risposte Impulsive del Canale (CIR) sintetiche. Questi dati di propagazione sono stati elaborati per costruire un database di fingerprinting, associando le posizioni spaziali alle caratteristiche complete del livello fisico, in particolare alla potenza (RSRP) e alla qualità (SINR) del segnale. La stima della posizione viene quindi ottenuta utilizzando un algoritmo di machine learning Weighted k-Nearest Neighbors (W-kNN), che assegna un peso in base alla somiglianza del segnale per filtrare efficacemente il rumore spaziale. I risultati sperimentali dimostrano che il sistema proposto raggiunge un'accuratezza di posizionamento di circa 3,9 metri in uno scenario urbano denso. Questo risultato convalida l'uso delle simulazioni di ray-tracing per generare dati di addestramento affidabili, offrendo un'alternativa scalabile, sicura ed economica alle campagne di volo fisiche per lo sviluppo dei futuri sistemi di localizzazione e monitoraggio degli UAV.