Movable Antenna-Enabled Integrated Sensing and Communication in Low-Altitude UAV Networks

Resumen Técnico: Sensado y Comunicación Integrados Habilitados por Antenas Móviles en Redes de UAVs de Baja Altitud

Enunciado del Problema
Este artículo aborda la optimización de un sistema de Sensado y Comunicación Integrados (ISAC) asistido por múltiples Vehículos Aéreos No Tripulados (UAV) que opera en el espacio aéreo de baja altitud. El sistema emplea UAVs equipados con arrays de Antenas Móviles (MA) para servir a usuarios terrestres con movilidad dinámica mientras realiza simultáneamente tareas de sensado por radar. El desafío central radica en la naturaleza de alta dimensión y no convexa de la optimización conjunta de las trayectorias de los UAVs, la asociación de usuarios, la formación de haces, la posición de las antenas y la asignación de potencia. Estas variables están estrechamente acopladas y operan dentro de un entorno dinámico caracterizado por transiciones de estado desconocidas debido a la movilidad de los usuarios. Además, los arrays tradicionales de antenas de posición fija (FA) son inadecuados para tales escenarios dinámicos, lo que a menudo conduce a un desalineamiento de los haces y a una utilización espacial subóptima. La optimización está restringida por la dinámica de vuelo de los UAVs (velocidad, evitación de colisiones, límites de altitud), presupuestos de potencia de transmisión, límites mecánicos del movimiento de las antenas y un requisito mínimo de Relación Señal a Interferencia más Ruido (SINR) de sensado.

Metodología
Para abordar la complejidad del problema de optimización formulado, los autores lo descomponen en dos etapas secuenciales:

1. Asociación de Usuarios mediante HDBSCAN:
   La primera etapa aborda el problema de asociación aire-tierra. En lugar de depender de métricas de distancia simples que fluctúan rápidamente con el movimiento de los UAVs, los autores emplean el algoritmo de Agrupamiento Espacial Jerárquico Basado en Densidad para Aplicaciones con Ruido (HDBSCAN). Los usuarios terrestres se agrupan periódicamente según su distribución espacial. Luego, los UAVs se asignan a estos grupos (utilizando el algoritmo húngaro o asignación de vecino más cercano). Esta estrategia asegura que los usuarios asociados a un UAV específico compartan características espaciales similares, estabilizando la asociación y facilitando ajustes eficientes del array MA.

2. Optimización Conjunta mediante Actor-Critic Suave (SAC):
   La segunda etapa utiliza un enfoque de Aprendizaje por Refuerzo Profundo (DRL), específicamente el algoritmo Actor-Critic Suave (SAC), para resolver la optimización conjunta de las trayectorias de los UAVs, las posiciones de las antenas, los vectores de formación de haces y la asignación de potencia.

   • Formulación MDP: El problema se modela como un Proceso de Decisión de Markov (MDP). El espacio de estados incluye información del canal, ubicaciones de UAVs y usuarios, y despliegues actuales de antenas. El espacio de acciones abarca el diseño de formación de haces, velocidad/dirección de vuelo, desplazamiento de antenas y ratios de asignación de potencia.
   • Función de Recompensa: La recompensa se define como la tasa de suma total de comunicación, penalizada por violar los umbrales de SINR de sensado, las restricciones de evitación de colisiones y los límites de velocidad.
   • Elección del Algoritmo: SAC se selecciona por su naturaleza fuera de política, su eficiencia de muestras y su capacidad para equilibrar la exploración y la explotación mediante la regularización de entropía, lo cual es crucial para navegar el espacio de acciones continuo de alta dimensión y evitar óptimos locales.

Contribuciones Clave
El artículo describe tres contribuciones principales:

1. Arquitectura del Sistema: La integración de arrays MA en un sistema ISAC de múltiples UAVs de baja altitud. A diferencia de los despliegues tradicionales de antenas fijas, esta arquitectura explota los grados de libertad espaciales de los arrays MA para adaptarse dinámicamente a los requisitos duales de comunicación y sensado. Los autores optimizan conjuntamente el despliegue de MA, la formación de haces, la asociación de usuarios y las trayectorias de los UAVs bajo estrictas restricciones de sensado y vuelo.
2. Marco de Optimización en Dos Etapas: Una solución novedosa que combina HDBSCAN y SAC. HDBSCAN se utiliza para el agrupamiento dinámico de usuarios para optimizar la asociación aire-tierra, asegurando consistencia espacial para los ajustes posteriores de MA. Luego, SAC se aplica para resolver la compleja optimización conjunta de trayectoria, configuración de antenas y asignación de recursos.
3. Validación Experimental: El marco propuesto se valida experimentalmente mediante simulaciones. Los resultados demuestran que el sistema habilitado por MA supera significativamente a los sistemas tradicionales de antenas fijas en términos de tasa total de comunicación, mientras cumple de manera fiable las restricciones de SINR de sensado. El estudio también cuantifica las ganancias de rendimiento específicas aportadas por el array MA y el mecanismo de agrupamiento.

Resultados
Se realizaron simulaciones numéricas en un área de 500 m x 500 m con 3 UAVs, 9 usuarios de comunicación y 3 objetivos de sensado. Los hallazgos clave incluyen:

• Ganancia de Rendimiento: El esquema propuesto (MA + HDBSCAN + SAC) logró la tasa total de comunicación más alta en comparación con cuatro esquemas base, incluidos aquellos que utilizan Antenas Fijas (FA) o carecen del mecanismo de agrupamiento.
• Rol del Agrupamiento: La asociación basada en HDBSCAN mejoró la eficiencia de la exploración en etapas tempranas y el rendimiento general al reducir la presión de exploración sobre el agente y estabilizar los enlaces usuario-UAV.
• MA vs. FA: Los sistemas con arrays MA superaron consistentemente a aquellos con arrays FA. Sin embargo, la ventaja de rendimiento de MA disminuyó ligeramente a medida que aumentaba el número de antenas, atribuido a las restricciones de carga de los UAVs y al aumento de la dimensionalidad de la acción.
• Comparación de Algoritmos: El algoritmo SAC demostró un rendimiento superior sobre DDPG, PPO y CMA-ES. Logró recompensas acumuladas más altas, una convergencia más rápida (estrategia efectiva después de ~130 épocas) y una mayor estabilidad en el entrenamiento.
• Escalabilidad y Sensibilidad: El sistema mantuvo la estabilidad incluso a medida que aumentaba el número de usuarios, aunque la tasa por usuario disminuyó debido al intercambio de recursos. El aumento de los umbrales de SINR de sensado redujo naturalmente el rendimiento de comunicación a medida que más recursos se desviaban hacia el sensado.

Significado
El artículo afirma que su trabajo llena un vacío en la investigación existente, que se centra predominantemente en arrays de antenas fijas o escenarios de UAV único. Al integrar arrays MA en un marco ISAC de múltiples UAVs y proponer una estrategia específica de optimización en dos etapas, el estudio demuestra que la tecnología MA puede mejorar significativamente la flexibilidad y el rendimiento del sistema en entornos dinámicos de baja altitud. El trabajo valida que la optimización de las posiciones de las antenas junto con las trayectorias de los UAVs y la formación de haces permite una mejor utilización de la diversidad espacial, lo que conduce a tasas de comunicación mejoradas sin comprometer la fiabilidad del sensado. El método propuesto ofrece un enfoque práctico para manejar la toma de decisiones compleja y acoplada requerida en las redes ISAC de 6G de próxima generación.