Point Spread Function Optimization for Communication-assisted UAV-borne MIMO TomoSAR

Resumen Técnico: Optimización de la Función de Dispersión Puntual para TomoSAR MIMO a Bordo de UAVs Asistidos por Comunicaciones

Enunciado del Problema
Este artículo aborda el desafío de optimizar la Función de Dispersión Puntual (PSF) para sistemas de tomografía de Radar de Apertura Sintética (SAR) MIMO (Multiple-Input Multiple-Output) a bordo de Vehículos Aéreos No Tripulados (UAV). El objetivo es generar imágenes tridimensionales (3D) de alta calidad de una escena mediante la recuperación de la distribución vertical de dispersores. Una métrica de rendimiento crítica en TomoSAR es la PSF, específicamente sus niveles de lóbulos laterales. Los lóbulos laterales altos pueden enmascarar dispersores más débiles, crear objetivos fantasma y degradar la interpretabilidad de la imagen, particularmente en entornos complejos como áreas urbanas.

Si bien la optimización de la PSF está bien establecida para la tomografía basada en Fourier bajo suposiciones de campo lejano y espaciado uniforme de la plataforma, su aplicación a sistemas basados en UAV con formaciones arbitrarias permanece en gran medida inexplorada. Además, estos sistemas enfrentan una doble restricción: el enjambre de UAV debe mantener una formación que minimice los lóbulos laterales de la PSF (restricción de sensores) mientras descarga simultáneamente los datos de radar recopilados a una estación terrestre (GS) en tiempo real mediante un enlace de Acceso Múltiple por División de Frecuencia (FDMA) (restricción de comunicaciones). El artículo formula un problema de optimización conjunta para minimizar el Nivel de Lóbulo Lateral Pico (PSL) de la PSF optimizando tanto la formación de los UAV como la asignación de potencia de comunicación, sujeto a restricciones de calidad de servicio (QoS) de sensores y QoS de comunicaciones.

Metodología
Los autores formulan el problema como una tarea de optimización min-max no convexa (Problema P). El objetivo es minimizar el PSL, definido sobre un intervalo simétrico $I = [-h_{max}, h_{max}]$ a lo largo del eje normal, mientras se satisfacen diez restricciones. Estas restricciones incluyen:

• Sensores: Garantizar la reconstrucción de objetivos sin distorsión, limitar las resoluciones tomográfica y de rango oblicuo, mantener los límites de altitud de vuelo y ángulo de visión, asegurar una separación mínima entre UAV, garantizar un ancho de franja de radar mínimo y cumplir con umbrales mínimos de Relación Señal-Ruido (SNR).
• Comunicaciones: Limitar la potencia de transmisión máxima, asegurar tasas de datos mínimas para la descarga en tiempo real y limitar el consumo total de energía por UAV.

El problema se identifica como difícil de resolver debido a la estructura compleja de la expresión de la PSF, la no convexidad de varias restricciones y la falta de expresiones en forma cerrada para los ceros de la PSF (lo que hace intratables los métodos tradicionales basados en gradientes).

Para abordar esto, los autores proponen un algoritmo modificado de Optimización por Enjambre de Partículas (PSO). Una innovación clave en su enfoque es la reducción de la dimensión del problema. Observan que, para una formación de UAV dada, el PSL es independiente de la asignación de potencia de comunicación. En consecuencia, el subproblema de asignación de potencia puede resolverse analíticamente estableciendo las potencias de transmisión en sus niveles mínimos requeridos para satisfacer las restricciones de comunicación. Esto permite que el algoritmo PSO busque únicamente el espacio de formación de UAV (reduciendo la dimensionalidad de $I(K+2)$ a $2I$), mientras que la asignación de potencia se determina por separado.

El algoritmo propuesto emplea un mecanismo de pared reflectante para manejar las restricciones de frontera y utiliza una función de aptitud no parametrizada que penaliza las violaciones de restricciones. La función de aptitud evalúa el PSL para soluciones factibles y añade términos de penalización para soluciones no factibles basados en el grado de violación de la restricción.

Contribuciones Clave

1. Marco de Optimización Conjunta: El artículo presenta un marco novedoso para la optimización conjunta de la formación de UAV y la asignación de potencia de comunicación para minimizar los niveles de lóbulos laterales de la PSF, teniendo en cuenta explícitamente el acoplamiento entre el rendimiento de los sensores y los requisitos de descarga de comunicaciones.
2. Estrategia de Reducción de Dimensionalidad: Se propone una modificación específica al algoritmo PSO, que desacopla la asignación de potencia de la búsqueda de formación. Esto reduce significativamente la complejidad del espacio de búsqueda y mejora la eficiencia de convergencia.
3. Manejo de Restricciones: La solución incorpora un conjunto integral de restricciones prácticas de sensores y comunicaciones, incluidos límites de resolución, presupuestos de energía y requisitos de tasa de datos en tiempo real, dentro de un marco de optimización estocástica.

Resultados de Simulación
La solución propuesta se evaluó frente a varios esquemas de referencia: un Algoritmo Genético Convencional (CGA), Genocop II (un GA de optimización con restricciones) y un algoritmo PSO estándar que no utilizó la reducción de dimensionalidad.

• Ganancia de Rendimiento: El esquema propuesto logró un PSL entre -17 dB y -33 dB, superando significativamente a los esquemas de referencia. Específicamente, demostró una mejora de 11 dB en la supresión del PSL en comparación con el referente PSO convencional.
• Comparación con ULA: Si bien una Matriz Lineal Uniforme (ULA) logró un PSL comparable al esquema propuesto, la ULA resultó en un lóbulo principal significativamente más ancho, lo que llevó a una resolución de altura reducida. El esquema propuesto mantuvo una alta resolución mientras suprimía los lóbulos laterales.
• Compensaciones: Las simulaciones revelaron que aumentar la altura máxima ($h_{max}$) o la tasa de datos mínima requerida ($R_{min}$) conduce a PSL más altos, indicando compensaciones fundamentales entre la cobertura, los requisitos de comunicación y la calidad de la imagen. Cabe destacar que, para $R_{min} > 6.18$ Mb/s, todos los esquemas de referencia fallaron al encontrar soluciones factibles, mientras que el enfoque propuesto permaneció efectivo.

Significancia
El artículo afirma que su solución propuesta mejora significativamente la supresión de lóbulos laterales en comparación con los esquemas de referencia existentes, mejorando así la calidad de las imágenes 3D de TomoSAR reconstruidas. Al integrar con éxito las restricciones de comunicación en la optimización de la formación, el trabajo demuestra la viabilidad de sistemas de TomoSAR MIMO a bordo de UAV asistidos por comunicaciones en tiempo real. Los resultados sugieren que el enfoque de optimización conjunta propuesto es esencial para lograr imágenes de alta fidelidad en escenarios donde los UAV deben realizar simultáneamente sensores y descarga de datos bajo limitaciones estrictas de recursos.