DRIFT: Joint Channel Estimation and Prediction Towards Pilotless 6G Non-Terrestrial Networks

Resumen Técnico: DRIFT – Estimación y Predicción Conjunta de Canales hacia Redes No Terrestres 6G Sin Pilotos

Declaración del Problema
Las redes no terrestres (NTN), particularmente aquellas que utilizan satélites de órbita terrestre baja (LEO), son críticas para lograr una conectividad ubicua en los sistemas de sexta generación (6G). Sin embargo, la dinámica de los LEO introduce desplazamientos Doppler y retardos variables en el tiempo muy fuertes. Para contrarrestar el "envejecimiento del canal" (channel aging), la predicción del canal es esencial para mejorar la utilización del espectro mediante la reducción de la sobrecarga de pilotos. Si bien se ha propuesto la inteligencia artificial (IA) para esta tarea, las soluciones existentes suelen depender de arquitecturas complejas (por ejemplo, Transformers con >100M FLOPs) que no son adecuadas para la implementación a bordo de satélites debido a las estrictas restricciones de potencia y computación. Además, muchos estudios priorizan la precisión de la predicción (medida por NMSE) sobre métricas de extremo a extremo como la eficiencia espectral (SE) efectiva y rara vez evalúan el rendimiento bajo desajustes entre entrenamiento y prueba.

Metodología
El artículo propone un marco iterativo de estimación y predicción conjunta de canales diseñado para NTN de enlace ascendente (uplink) 6G. La innovación central es la arquitectura DRIFT (Data-driven Refinement and Iterative Forecast for wireless channel Tracking).

• Marco del Sistema: El sistema opera sobre una secuencia de $N_{slot}$ ranuras de tiempo. Los pilotos se transmiten solo en la primera ranura ($t=1$) para inicializar el proceso. Para las ranuras subsiguientes ($t \geq 2$), el sistema opera en un modo sin pilotos, dependiendo enteramente del procesamiento basado en datos.
• Bucle Iterativo:
  1. Inicialización: En la ranura 1, se calcula un estimador estándar de asistencia de pilotos (PA) por Mínimos Cuadrados (LS) y se utiliza para la ecualización.
  2. Estimación Asistida por Datos (DA): Para las ranuras subsiguientes, los símbolos recibidos se ecualizan utilizando el canal predicho de la iteración anterior. Se realizan decisiones "duras" sobre los símbolos ecualizados para reconstruir los datos transmitidos. Estos símbolos reconstruidos sirven como "verdad fundamental" (ground truth) para un nuevo paso de estimación de canal DA.
  3. Procesamiento DRIFT: El estimador DA se introduce en el modelo DRIFT, que realiza dos funciones:
     • Refinamiento del Canal: Un bloque ligero corrige los errores introducidos por un demapeo inexacto en la estimación DA, produciendo un estimador refinado ($\hat{H}^{(E')}_t$).
     • Predicción del Canal: El estimador refinado se utiliza para predecir la Respuesta en Frecuencia del Canal (CFR) para la siguiente ranura ($\hat{H}^{(P)}_{t+1}$).
• Arquitectura DRIFT: El modelo está diseñado para baja complejidad y opera sobre tensores 3D (partes real/imaginaria de la CFR). Consiste en:
  • Bloque de Refinamiento: Utiliza una convolución temporal causal (CConv1D), activación, normalización por lotes y una convolución espectral (Conv1D). Emplea un esquema de ponderación dinámica que enfatiza las actualizaciones en las ranuras posteriores, menos fiables.
  • Bloque de Predicción: Se investigan dos variantes:
    1. Híbrido CNN-LSTM: Utiliza Conv2D/TConv2D para compresión/reconstrucción y una capa LSTM para la predicción temporal.
    2. Red de Convolución Temporal (TCN): Utiliza capas de Conv1D dilatadas de alimentación hacia adelante (feed-forward) con conexiones residuales, evitando estructuras recurrentes.
• Estrategia de Entrenamiento: Los modelos se entrenan utilizando un enfoque de aprendizaje por currículo donde la función de pérdida prioriza inicialmente el refinamiento del canal y se desplaza gradualmente hacia la predicción. El entrenamiento utiliza datos sintéticos basados en modelos de desvanecimiento NTN-TDL.

Contribuciones Clave

1. Marco Iterativo: Introducción de un marco sin pilotos donde la estimación asistida por pilotos es reemplazada por un ciclo de estimación asistida por datos, refinamiento y predicción.
2. Modelo DRIFT: Una arquitectura ligera que refina conjuntamente los estimadores de canal asistidos por datos y predice futuras CFRs con un costo computacional mínimo.
3. Evaluación de Extremo a Extremo: Evaluación del sistema basada en la Eficiencia Espectral (SE) efectiva en lugar de solo NMSE, contabilizando explícitamente la propagación de errores y los desajustes de entrenamiento-prueba (por ejemplo, entrenar con 16-QAM, probar con QPSK).
4. Análisis de Complejidad: Demostración de que los modelos propuestos requieren menos de 200k operaciones de multiplicación-acumulación (MAC), lo que los hace factibles para cargas útiles de satélites.

Resultados
Las simulaciones se realizaron en un entorno MATLAB de extremo a extremo para un escenario LEO de enlace ascendente (600 km de altitud, 2 GHz de portadora).

• Eficiencia Espectral: El modelo DRIFT basado en TCN logró una ganancia de SE de ~12% en comparación con los sistemas convencionales basados en pilotos cuando se usa $N_{slot}=4$ (una ranura de piloto, tres ranuras sin pilotos). La variante Híbrida CNN-LSTM mostró ganancias, pero se vio limitada por la propagación de errores después de $N_{slot}=3$.
• Robustez: El sistema mantuvo un rendimiento consistente a través de diferentes modelos de canal (NTN-TDL-C y NTN-TDL-D) sin reentrenamiento. También demostró robustez ante desajustes entre los datos de entrenamiento (16-QAM) y de prueba (QPSK).
• Precisión: La etapa de refinamiento del canal logró reducir el NMSE de estimación por debajo de -19 dB para las primeras tres ranas. La propagación de errores se volvió significativa solo después de la cuarta ranura.
• Complejidad Computacional: La complejidad total de inferencia se calculó en 154k MACs (Híbrido CNN-LSTM) y 171k MACs (TCN). La etapa de refinamiento representa solo ~10% de la complejidad total. Los autores estiman latencias de inferencia de aproximadamente 1.0–1.1 ms por ranura utilizando aceleradores de hardware de baja potencia.

Significancia y Reivindicaciones
El artículo afirma que DRIFT aborda el compromiso crítico entre la precisión de la predicción y la viabilidad computacional para NTN 6G. Al reducir significativamente la sobrecarga de pilotos mientras mantiene un rendimiento robusto bajo estrictas restricciones de potencia, el enfoque permite ganancias sustanciales en la eficiencia espectral. Los autores enfatizan que el bajo recuento de MAC (bajo 200k) hace que la solución sea adecuada para la implementación en tiempo real a bordo de satélites, una capacidad que suele faltar en los predictores de IA de alta complejidad diseñados para redes terrestres. El trabajo concluye que, si bien la propagación de errores sigue siendo un desafío para secuencias sin pilotos más largas, el marco propuesto ofrece un camino viable hacia la comunicación sin pilotos en entornos espaciales con recursos limitados. Se identifica como trabajo futuro la evaluación de la latencia de hardware en el mundo real y la reducción adicional de la propagación de errores.