6G-Entwicklung mit ISAC mittels MATLAB - MATLAB & Simulink

White Paper

6G-Entwicklung mit ISAC mittels MATLAB

Einleitung

6G-Technologie sorgt für Fortschritte im Bereich der drahtlosen Kommunikation, indem sie durch die Integration präziser Radarsysteme zur exakten Lokalisierung hochgradig personalisierte Nutzererfahrungen ermöglicht. Diese Fähigkeit erlaubt eine nahtlose Verschmelzung von ortsbasierten Diensten mit Kommunikationsnetzen, was die Servicebereitstellung verbessert und die Netzwerkeffizienz erhöht. Diese als Integrated Sensing and Communication (ISAC) bekannte Methode nutzt die Synergie zwischen Radar- und Kommunikationstechnologien, um die Konnektivität zu optimieren.

Kenntnisse in Bezug auf ISAC sind entscheidend, um nachvollziehen zu können, wie 6G die Netzwerkleistung und die Nutzererfahrung durch maßgeschneiderte Kommunikationslösungen verbessern wird. Zukünftige Anwendungen wie autonome Fahrzeuge, Smart Cities und fortschrittliche Gesundheitssysteme werden ebenfalls die nahtlose Integration von Datenübertragung in Hochgeschwindigkeit und präziser Umwelterkennung erfordern. Diese und weitere Anwendungsfälle unterstreichen die Notwendigkeit der Entwicklung von ISAC-Technologien, um den Anforderungen einer hochvernetzten und intelligenten Zukunft gerecht zu werden.

Diagramm eines Szenarios drahtloser Kommunikation mit einem Sendemast für Mobilfunk, einem Auto und einer Person, die miteinander kommunizieren.

ISAC ist eine der wichtigsten Technologien für 6G.

Die Integration von Radar- und Kommunikationstechnologien wurde bereits aus verschiedenen Perspektiven untersucht, darunter Wi-Fi®, multifunktionale militärische Radarsysteme und Automobilanwendungen. Zudem kann der Integrationsgrad zwischen beiden Technologien variieren und Konzepte wie das Design von Wellenformen und räumlichen Bereichen umfassen. Weitere Designaspekte wie HF-Architektur, Beamforming, geeignete Kanalmodelle und datengestützte KI-Algorithmen müssen ebenfalls berücksichtigt werden, um eine präzise und hochauflösende Erkennung zu ermöglichen. Eine integrierte Umgebung zur gemeinsamen Analyse dieser Elemente ist dabei unerlässlich.

In diesem Zusammenhang erweist sich MATLAB® als unverzichtbares Werkzeug für die ISAC-Forschung, da es sowohl vollständige Workflows als auch eine Produktpalette bietet, die speziell für die Erforschung und Entwicklung integrierter Kommunikations- und Erkennungstechnologien konzipiert sind. MATLAB ist eine intuitive Plattform zur Simulation von Szenarien, zum Entwurf und Testen von Algorithmen sowie zur Datenanalyse. Es unterstützt Forschende dabei, die Entwicklung zu beschleunigen, Designs effizient zu validieren und 6G-Ziele voranzutreiben.

In diesem Whitepaper werden die Paradigmen von ISAC und aktuelle Forschungsansätze beleuchtet und Einblicke in ISAC-Anwendungen gegebenen. Zunächst wollen wir jedoch einige zentrale technische Begriffe definieren.

Die Koexistenz von Radar- und Kommunikationstechnik umfasst den Einsatz von Spektrumerkennung zur Verwaltung überlappender Frequenzen zwischen Radar- und Kommunikationssystemen. Das Co-Design von Radar- und Kommunikationstechnologien integriert Kommunikations- und Erkennungsaufgaben entweder durch die gemeinsame Nutzung des physischen Raums mit separater Hardware oder durch die Verwendung gemeinsamer Hardware und Wellenformen.

Die passive Nutzung von Kommunikationssignalen basiert auf der Auswertung von Kanalabschätzungen bestehender Kommunikationssignale, um die Bewegung und Position von Objekten ohne dedizierte Erkennungshardware zu erfassen und abzuleiten.

Abschnitt

ISAC-Paradigmen: Radar- und Kommunikationstechnik

Die Forschungsansätze im Bereich ISAC lassen sich – abhängig vom Integrationsgrad der Erkennungs- und Kommunikationsfunktionen – in drei Hauptkategorien unterteilen: Koexistenz, Co-Design und passive Nutzung von Signalen. 

Koexistenz von Radar- und Kommunikationstechnik

Da sich 5G-NR-Systeme und zukünftige 6G-Systeme auf höhere Frequenzbereiche ausdehnen, die über die von LTE genutzten hinausgehen, gestaltet sich das Spektrummanagement zunehmend komplexer. Diese höheren Frequenzbereiche wurden traditionell von Radarsystemen genutzt. Infolgedessen kann es zu einer Überlappung der von Radar- und drahtlosen Kommunikationssystemen genutzten Frequenzbänder kommen, was eine gemeinsame Nutzung von Frequenzen (Spectrum Sharing) erforderlich macht. Demzufolge müssen zukünftige Radar- und Kommunikationssysteme eine Spektrumerkennung integrieren, um belegte Frequenzen zu erkennen und Konflikte zu vermeiden. Zudem wird die Ausweitung der 5G-Abdeckung durch die Vorteile höherer Datenraten und geringerer Latenzen weiter vorangetrieben. Diese Ausweitung erfordert den Aufbau neuer 5G-Basisstationen, was wiederum eine Analyse der Auswirkungen dieser Signale auf bestehende Systeme in benachbarten Frequenzbändern notwendig macht, darunter beispielsweise der Radar der Flugverkehrskontrolle.

Für eine erfolgreiche Koexistenz müssen zwei wesentliche Aspekte berücksichtigt werden: Mittels Spektrumerkennung wird festgestellt, welche Systeme im Frequenzspektrum vorhanden sind und wo sie sich befinden, während Interferenzanalysen zur Bewertung dessen dienen, wie sich zwei System aufeinander auswirken, wenn sie dasselbe Frequenzband nutzen.

MATLAB bietet integrierte Workflows zur Simulation komplexer Szenarien in den Bereichen 5G, Radar, Deep Learning, Phased-Array-Systeme und Szenariomodellierung. Zentrale Koexistenzszenarien umfassen Spektrumerkennung und Interferenzanalyse. Beispielsweise erleichtert MATLAB die Spektrumerkennung durch Workflows, die ein neuronales Netz zur semantischen Segmentierung nutzen, das anhand synthetisierter Radar- und Kommunikationssignale trainiert wurde. Dieses neuronale Netz kann Radar- und Kommunikationssignale innerhalb desselben empfangenen Spektrums erkennen. Darüber hinaus ermöglicht MATLAB die Modellierung von Szenarien wie dem Betrieb eines Flugverkehrsradars in der Nähe einer 5G-Basisstation, um die Auswirkungen von 5G-Signalen auf den Empfang von Radarsignalen zu analysieren.

Ein MATLAB-Diagramm mit drei MATLAB-Unterdiagrammen. Das obere Unterdiagramm zeigt das Spektrogramm eines empfangenen drahtlosen Signals, das untere stellt die tatsächlichen und geschätzten Entscheidungslabels dar.

Spektrumerkennung mithilfe von Deep Learning in MATLAB.

Co-Design von Radar- und Kommunikationstechnik

Co-Design zielt auf die Entwicklung von Systemen ab, die gleichzeitig Kommunikations- und Erkennungsaufgaben erfüllen. Bei einer losen Integration teilen sich die Funktionen denselben physischen Raum, verwenden jedoch separate Hardware und Wellenformen. Hingegen wird bei einer engen Integration die meiste Hardware gemeinsam genutzt und dieselbe Wellenform dient beiden Zwecken. In eng integrierten Systemen, auf die wir uns in diesem Abschnitt konzentrieren wollen, kann das Systemdesign einem kommunikationszentrierten Ansatz folgen, bei dem Kommunikationssignale für die Radarfunktion genutzt werden. Alternativ kann das Design einem radarzentrierten Ansatz folgen, bei dem Kommunikationsdaten in Radarwellenformen eingebettet werden.

Co-Design von Wellenformen

Bei einem radarzentrierten Ansatz werden Radarwellenformen mit eingebetteten Kommunikationsdaten verwendet, während bei einem kommunikationszentrierten Ansatz das Echo eines OFDM-Signals für Erkennungsaufgaben genutzt wird. Durch einen End-to-End-Workflow mit zwei Ansätzen erleichtert MATLAB die Erforschung des Co-Designs von Wellenformen. Der erste Ansatz nutzt eine typische Radarwellenform (PMCW), während der zweite auf OFDM zurückgreift, eine Standard-Kommunikationswellenform für beide Funktionen.

Diagramme zeigen ein moduliertes Radarsignal sowie eine übertragene Wellenform im Zeitverlauf für jeden Puls.

MATLAB ermöglicht das Co-Design von Radar- und Kommunikationswellenformen.

Weitere Informationen

Joint Radar-Communication (JRC) mit PMCW- und OFDM-Wellenformen

Dieses Beispiel simuliert die Übertragung, die Ausbreitung und den Empfang der Wellenformen sowohl durch den Radarempfänger als auch durch den Downlink-Nutzer. Der Workflow bewertet beide Wellenformen hinsichtlich beider Funktionen und untersucht mehrere gängige Leistungskennzahlen.

Co-Design im räumlichen Bereich

Andere ISAC-Konzepte befassen sich mit der Verarbeitung in der räumlichen Dimension. Häufig untersuchte Szenarien beinhalten einen Sendemast mit mehreren Antennen, der einige Strahlen für Radar- und andere für Kommunikationszwecke nutzt. Eine weitere Möglichkeit besteht darin, dass beide Funktionen denselben Strahl verwenden, wobei Radar den Hauptkeulenbereich nutzt und Kommunikationsdaten über die Seitenkeulen übertragen werden.

Wie in der folgenden Abbildung dargestellt, ermöglicht MATLAB die Entwicklung neuartiger Wellenformen für ein dual-funktionales MIMO-System in der räumlichen Domäne, wobei verschiedene Strahlen für unterschiedliche Funktionen geformt werden können.

Diagramm eines Radar-Kommunikationssystems mit Radarstrahlen und Kommunikationskanälen im gleichen geografischen Gebiet.

Räumliches Co-Design für ISAC.

Weitere Informationen

Wellenformdesign für ein MIMO RadCom-System mit Doppelfunktion

Dieses Beispiel demonstriert einen Workflow, der ein Phased Array zur Unterstützung der MIMO-Kommunikation nutzt und dabei vielfältige Wellenformen einsetzt, um eine gute Radarleistung zu erzielen.

Passive Nutzung von Kommunikationssignalen

Dieses ISAC-Paradigma nutzt Kanalabschätzungen auf der Empfängerseite, um die Präsenz beweglicher Objekte in einer drahtlosen Umgebung zu erkennen. Durch die Analyse von Variationen im Kanalzustand, die durch diese beweglichen Objekte verursacht werden, kann das System deren Bewegung und Position ableiten, ohne dass dedizierte Erkennungshardware erforderlich wäre. Extrahierte Kanalabschätzungen lassen sich zur Erstellung von Entfernungs-Doppler-Diagrammen verwenden, die eine zentrale Rolle bei der Bewegungserkennung spielen. Dieser Ansatz ist von Natur aus passiv, da er bestehende Kommunikationssignale und -infrastrukturen nutzt, ohne dass aktive Aussendungen für die Erkennung erforderlich wären.

Ein weiterer passiver Ansatz besteht in der Anwendung künstlicher Intelligenz zur Ableitung von Bewegungsmustern oder zur Erkennung von Objekten mithilfe von Kanalstatusinformationen (Channel State Information, CSI). So kann beispielsweise ein Convolutional Neural Network (CNN) mit CSI kombiniert werden, um menschliche Aktivitäten zu erfassen. Ein Beispiel aus dem Bereich WLAN zeigt, wie Beacon-Frames von Routern erfasst und zur CNN-gestützten Erkennung menschlicher Präsenz trainiert werden. Dieser Workflow kann auf 5G- und 6G-Signale ausgeweitet werden.

Diagramm mit einem Zugangspunkt für WLAN-Erkennung, der Beacons an SDR sendet. Die Signale übermitteln, ob eine menschliche Präsenz erkannt wurde oder nicht.

Nutzung von WLAN-Signalen zur Erkennung menschlicher Präsenz mithilfe von Deep Learning in MATLAB.

MATLAB unterstützt beide Ansätze mit leistungsstarken Tools für Signalverarbeitung, Machine Learning und Datenvisualisierung. Die umfangreichen Bibliotheken und integrierten Funktionen in MATLAB ermöglichen eine effiziente Extraktion und Analyse von Kanalabschätzungen und somit die Erstellung von Entfernungs-Doppler-Diagrammen. Darüber hinaus unterstützt MATLAB die Entwicklung und das Training von CNNs, wodurch die Integration von KI-Techniken zur Verbesserung der Erkennungsfähigkeiten erleichtert wird.

Abschnitt

ISAC-Anwendungen

Durch die Integration von Radar- und Kommunikationsfunktionen ermöglicht ISAC bahnbrechende Anwendungen in verschiedenen Bereichen.

Die Koexistenz von Radar und Kommunikation ist insbesondere in Umgebungen von entscheidender Bedeutung, in denen knappe Spektren eine große Herausforderung darstellen. Beispielsweise ermöglichen Koexistenzstrategien für die Mobilität im städtischen Luftraum den sicheren Betrieb von Drohnen und Lufttaxis, indem sie ihre Frequenzbänder mit bestehenden 5G-Netzen teilen und so das Luftverkehrsmanagement optimieren.

Das Co-Design von Radar und Kommunikation eröffnet neue Möglichkeiten für intelligente Fahrzeugsysteme. Dual-funktionale Radar-Kommunikationssysteme können die Kommunikation zwischen Fahrzeugen und allen anderen Verkehrsteilnehmern sowie Infrastrukturelementen (Vehicle to Everything, V2X) verbessern, indem sie den Datenaustausch in Echtzeit und eine präzise Umgebungserkennung für autonomes Fahren ermöglichen. Dieser Co-Design-Ansatz findet zudem Anwendung in der intelligenten Herstellung, wo integrierte Systeme den Zustand von Maschinen überwachen und gleichzeitig Betriebsdaten austauschen können, wodurch Effizienzsteigerungen und Predictive Maintenance ermöglicht werden.

Passives Co-Design (Piggybacking) nutzt bestehende Drahtlossignale zur Umgebungserkennung und bietet innovative Lösungen für intelligente Anwendungen in den Bereichen Haushalt und Gesundheit. Beispielsweise kann eine passive WLAN-Erkennung die Anwesenheit und Aktivität von Personen feststellen und damit die fortschrittliche Hausautomatisierung und Altenpflege unterstützen, indem alltägliche Aktivitäten überwacht werden, ohne dass zusätzliche Sensoren erforderlich wären. Gemeinsam betrachtet verdeutlichen diese Paradigmen die Vielseitigkeit und das Potenzial der ISAC-Technologie in 6G und ebnen den Weg für eine stärker vernetzte, intelligentere und effizientere Zukunft.

Abschnitt

Erforschung des ISAC-Designs

Bei der Entwicklung von ISAC-Systemen konzentrieren sich Forschende typischerweise auf mehrere entscheidende Komponenten wie die Wellenformen der Radar- und Kommunikationstechnologie, Kanalmodelle und Empfängerhardware. Das Verständnis und die Optimierung dieser Elemente sind entscheidend für die Entwicklung effizienter und präziser ISAC-Lösungen. Radar- und Kommunikationswellenformen müssen sorgfältig gestaltet werden, um sicherzustellen, dass sie Kommunikations- und Erkennungsaufgaben gleichzeitig übernehmen können. Präzise Kanalmodelle sind entscheidend für die Vorhersage, wie sich Signale in unterschiedlichen Umgebungen ausbreiten. Gleichzeitig ist fortschrittliche Empfängerhardware erforderlich, um die empfangenen Signale effizient zu verarbeiten. Dieser Abschnitt beleuchtet zugehörige Aspekte und liefert Einblicke und Orientierung für Forschende, die Innovationen im Bereich ISAC vorantreiben möchten.

Diagramm mit einem Workflow und Funktionsblöcken eines gemeinsamen Systems zur Kommunikations- und Radarverarbeitung.

ISAC-Forschungsbereiche.

Erforschung bestehender Wellenformen

Die Erforschung bestehender Wellenformen in der Radar- und Kommunikationstechnik ist entscheidend für ein effektives Wellenform-Design in ISAC-Systemen. Durch die Nutzung bewährter Wellenformen aus beiden Bereichen können Forschende potenzielle Synergien und Kompromisse identifizieren, welche die duale Funktionalität von ISAC erleichtern. Das Verständnis der Stärken und Schwächen dieser Wellenformen ermöglicht fundierte Entscheidungen darüber, wie sie angepasst oder kombiniert werden können, um den spezifischen Anforderungen sowohl von Kommunikation als auch von Erkennungsaufgaben gerecht zu werden.

Radarwellenformen

Radarsysteme lassen sich in zwei Kategorien unterteilen:

  1. Pulsradar
  2. Continuous-Wave-Radar (CW)

Pulsradar sendet Serien hochenergetischer Impulse aus und bestimmt Entfernungen anhand der Zeitverzögerung zwischen dem gesendeten Impuls und dem empfangenen Echo, während die Geschwindigkeit aus Veränderungen der Echoentfernung berechnet wird. MATLAB bietet verschiedene Ressourcen, um mehr über Pulsradar zu erfahren sowie Pulsradarsignale einfach zu generieren, zu analysieren und zu bewerten:

Continuous-Wave-Radar (CW) hingegen sendet Signale kontinuierlich aus. Dies macht es kosteneffizient und besonders geeignet für Anwendungen in der Automobilindustrie und zur drahtlosen Kommunikation in Innenräumen. Allerdings erfordert CW-Radar eine Modulation zur Bestimmung der Zielposition, wobei die Hauptkategorien frequenzmodulierte (FMCW) und phasenmodulierte (PMCW) Wellenformen umfassen.

MATLAB unterstützt die Generierung und Analyse von CW-Radarsignalen mit leistungsstarken Workflows und Funktionen in folgenden Bereichen:

Wellenformen der Kommunikationstechnik

MATLAB-Produkte ermöglichen die Erstellung eines breiten Spektrums drahtloser Wellenformen, die Standards wie LTE, 5G, WLAN, Bluetooth® und Satcom erfüllen. Die Wellenformerzeugung in MATLAB erlaubt die Generierung sowohl standardisierter als auch benutzerdefinierter 5G/LTE-Signale, die nicht im Standard enthalten sind, allgemeiner Modulationsarten wie OFDM, QAM und PSK sowie verschiedener Radarsignale wie FMCW und Linear FM. Diese Funktionalität ermöglicht eine präzise Simulation und Prüfung über verschiedene Kommunikationsprotokolle und Testbedingungen hinweg. Durch die Unterstützung sowohl industrieller Standards als auch benutzerdefinierter Wellenformerzeugung sind MATLAB-Wellenformgeneratoren eine entscheidende Ressource für die Entwicklung und Analyse von ISAC-Systemen. Ein idealer Einstiegspunkt ist die Wireless Waveform Generator-App, mit der sich standardbasierte Wellenformen mit nur wenigen Klicks erzeugen lassen.

Screenshot der Wireless Waveform Generator-App, der die Erzeugung von QAM-Signalen mit einem IQ-Ungleichgewicht in der Wellenform zeigt.

Erzeugung von Wellenformen für die Kommunikation in MATLAB mithilfe der Wireless Waveform Generator-App.

Kanäle

Präzise Kanalmodelle sind für ISAC-Systeme von entscheidender Bedeutung, da sie eine zuverlässige Leistung und Effizienz sowohl in der Kommunikation als auch bei Erkennungsaufgaben gewährleisten. Diese Modelle ermöglichen eine genaue Charakterisierung der Ausbreitungsumgebung, indem sie Faktoren wie Pfadverlust, Mehrwegeffekte und Signalreflexionen berücksichtigen. Durch die realistische Darstellung des Kanals erleichtern präzise Modelle die Optimierung von Signalverarbeitungsalgorithmen, verbessern die Systemrobustheit und optimieren die Integration von Kommunikations- und Erkennungsfähigkeiten. 

Ray Tracing

Ray-Tracing-Modelle haben eine hohe Vorhersagegenauigkeit für das Signalverhalten bei 60 GHz und höheren Frequenzen bewiesen und können als leistungsstarke Modelle zur Erstellung von ISAC-Simulationen genutzt werden. MATLAB verfügt über integrierte Ray-Tracing-Funktionen, die mit Modellen für Verluste durch Regen, Beugung durch Geländeformationen, atmosphärische Beugung, troposphärische Streuung und andere atmosphärische Effekte kombiniert werden können. Darüber hinaus ermöglichen die Ray-Tracing-Funktionen in MATLAB die Modellierung der Signalabschwächung, wenn Signale an bestimmten Materialien reflektiert werden.

Darstellung eines Ray-Tracing-Verlaufs in MATLAB unter Verwendung der SiteViewer-App mit mehreren Signalpfaden zwischen einem Sender und einem Empfänger.

Ray Tracing mit MATLAB.

MIMO mit Streueffekten

Grafik mit einem Sendersignal, das zunächst mit zwei sich bewegenden Fahrzeugen interagiert und dann als Empfangssignal beim Empfänger ankommt.

MIMO-Kanäle mit Streueffekten in MATLAB helfen dabei, eine Drahtlosumgebung mit darin enthaltenen beweglichen Objekten zu modellieren.

Das MIMO-Kanal-Modell mit Streueffekten (Scattering MIMO Channel Model) in MATLAB eignet sich hervorragend für ISAC-Kanäle. Das Modell simuliert Szenarien, in denen Signale von einer Senderantenne ausgestrahlt und von mehreren Streuobjekten reflektiert werden, bevor sie bei der Empfängerantenne ankommen. Besonders wichtig ist dabei, dass das Modell die Auswirkungen beweglicher Streuobjekte („Ziele“) auf das empfangene Signal berücksichtigt. Dies macht das Modell ideal für Erkennungsaufgaben. Der Kanal erfasst verschiedene Ausbreitungseffekte, darunter entfernungsabhängige Laufzeitverzögerung, Verstärkung, Doppler-Verschiebung, Phasenänderung und atmosphärische Verluste durch Gase, Regen, Nebel und Wolken. Diese Abschwächungsmodelle sind für Frequenzen im Bereich von 1 bis 1.000 GHz gültig und gewährleisten eine präzise Darstellung der Signalabschwächung über ein breites Spektrum hinweg. 

Weitere Informationen

MIMO-Kanal mit Streueffekten

Eine MATLAB-Funktion zur Konfigurierung von MIMO-Kanälen mit Streueffekten

Einschränkungen der Hardware

Beim Übergang von konzeptionellen Studien auf Grundlage von Simulationen zur Entwicklung von Hardware-Prototypen müssen unbedingt die Herausforderungen und Einschränkungen der Hardware berücksichtigt werden. Die hohen Datenraten, die in einem ISAC-System erforderlich sind, werden voraussichtlich die Implementierung bestimmter Designkomponenten auf einem FPGA erfordern. Dies bringt eine ganze Reihe von Herausforderungen mit sich.

Zunächst gestaltet sich die Entwicklung von Signalverarbeitungsalgorithmen auf einem FPGA grundsätzlich komplexer als die Erstellung entsprechender Designs in Software. Die Verfügbarkeit von FPGA-fähigen IP-Blöcken für Aufgaben wie Filterung, Signalinterpolation und -dezimierung sowie mathematische Transformationen erleichtert diesen Prozess erheblich im Vergleich zur vollständigen Entwicklung aus grundlegenden Elementen.

Darüber hinaus müssen diese IP-Blöcke zur Erreichung der hohen in ISAC erforderlichen Datenraten möglicherweise mehrere Samples pro Taktzyklus verarbeiten. Die DSP HDL Toolbox™ bietet standardisierte IP-Blöcke zur Signalverarbeitung, die mehrere Samples pro Taktzyklus verarbeiten können und damit Datenraten im Bereich von Gigasamples pro Sekunde ermöglichen.

Die Auswahl der geeigneten Hardware-Plattform hängt von mehreren Faktoren ab. Für Anwendungen in den Bereichen Lokalisierung und Tracking ist die erforderliche Entfernungsauflösung ein wichtiger Aspekt. Beispielsweise erfordert eine Entfernungsauflösung von unter einem Meter eine Abtastrate im Bereich mehrerer hundert MHz, was extreme Anforderungen an die Hardware-Plattform stellt. Eine Plattform, die solche strengen Spezifikationen erfüllt, ist die RFSoC-Plattform von AMD, die MATLAB nativ unterstützt. Somit kann ein Simulink®-Modell mit FPGA-fähigen IP-Blöcken auf dieser Plattform bereitgestellt und ausgeführt werden.

Zudem bietet MATLAB Workflows für die Modellierung von Hardware-Beeinträchtigungen:

Abschnitt

Fazit

MATLAB spielt eine zentrale Rolle bei der Weiterentwicklung von ISAC. Durch die Möglichkeit, Szenarien zu simulieren, Algorithmen zu entwerfen und Daten zu analysieren, beschleunigt MATLAB die Entwicklung integrierter Radar- und Kommunikationssysteme. Die MATLAB-Plattform unterstützt Forschende dabei, Designs effizient zu validieren und die Konnektivität zu optimieren, was einen entscheidenden Faktor für Anwendungen wie autonome Fahrzeuge und Smart Cities darstellt. Während sich ISAC zunehmend zu einem integralen Bestandteil zukünftiger Netzwerke entwickelt, gewährleistet MATLAB, dass Forschende schnell Innovationen vorantreiben und den Anforderungen einer hochvernetzten Welt gerecht werden können. Damit trägt MATLAB maßgeblich zur Verwirklichung des vollen Potenzials von 6G bei.