Sensing-Assisted Predictive Beamforming for UAV-Enabled Ocean Monitoring Networks

Resumen Técnico: Formación de Haz Predictiva Asistida por Detección para Redes de Monitoreo Oceánico Habilitadas por UAV

Planteamiento del Problema
Las redes de monitoreo oceánico dependen de boyas de superficie para recolectar datos ambientales, pero estas boyas enfrentan desafíos significativos en la transmisión de datos debido a su movilidad y la falta de una infraestructura de retorno (backhaul) estable. Los Vehículos Aéreos No Tripulados (UAV) ofrecen una solución flexible para la recolección de datos mediante enlaces de línea de vista (LoS). Sin embargo, el movimiento continuo de las boyas inducido por las olas del mar y las corrientes provoca variaciones rápidas en el rango y los ángulos relativos. Esta movilidad es particularmente perjudicial cuando los UAV emplean grandes arreglos de antenas y haces altamente direccionales, ya que incluso pequeños desajustes de apuntamiento provocan una severa pérdida de ganancia de formación de haz y cortes de enlace. Además, el ruido de la superficie del mar (sea clutter) degrada la precisión de los ecos de detección, complicando la adquisición de la información del estado de la boya. Los trabajos existentes suelen asumir nodos de superficie estáticos o utilizan modelos de movimiento (por ejemplo, velocidad constante) que no logran capturar las oscilaciones inducidas por las olas y la deriva inducida por las corrientes características de las boyas oceánicas. En consecuencia, existe una falta de un marco unificado que aborde conjuntamente la dinámica de las boyas impulsada por las olas, el ruido residual del mar y la alineación predictiva del haz para la recolección de datos marítimos habilitada por UAV.

Metodología
El artículo propone un marco de formación de haz predictiva asistida por detección integrado en un flujo de trabajo de misión de UAV basado en tramas. La metodología central consiste en los siguientes componentes:

1. Modelo de Sistema y Flujo de Trabajo: La misión se divide en tramas de radio. Dentro de cada bloque de operación (dos tramas consecutivas), el UAV transmite señales de Detección y Comunicación Integradas (ISAC). Estas señales sirven con un doble propósito: adquirir ecos de la boya para la estimación de estado y soportar la comunicación ascendente (uplink) subsiguiente. El flujo de trabajo implica la predicción de los estados de la boya de la trama anterior, la transmisión de señales ISAC, el refinamiento de las estimaciones de estado mediante ecos recibidos a través de un Filtro de Kalman Extendido (EKF) y la generación de predicciones proactivas de haz para la siguiente trama.
2. Modelado de Movimiento Basado en la Física: Para caracterizar el movimiento de la boya en horizontes cortos, los autores desarrollan un modelo de espacio de estados de aceleración correlacionada. Este modelo combina un proceso de Singer para representar la excitación impulsada por las olas (modelada como un proceso de Markov gaussiano de primer orden) con un término de deriva de corriente que varía lentamente. El tiempo de correlación de Singer está vinculado explícitamente a la escala de tiempo dominante de las olas, lo que hace que el modelo sea adecuado para entornos marítimos.
3. Detección Consciente del Clutter y Derivación del PCRB: El modelo de señal contabiliza explícitamente el ruido residual del mar, el cual se modela como un término de interferencia de baja potencia que comparte el bin de Doppler del objetivo tras su supresión. Los autores derivan la Matriz de Información de Fisher (FIM) posterior y la correspondiente Cota de Cramér-Rao Posterior (PCRB) para el modelo de medición no lineal. La PCRB de posición horizontal predicha se adopta como la métrica de detección para cuantificar el impacto de la dinámica de la superficie del mar y el ruido en la alineación predictiva del haz.
4. Formulación de Optimización: Se formula un problema de diseño de "peor boya" para optimizar conjuntamente la asignación de potencia de detección y la posición del UAV. El objetivo es minimizar la PCRB máxima entre todas las boyas (maximizando la precisión de detección del peor caso) mientras se satisfacen las restricciones de tasa de enlace ascendente, potencia del UAV y movilidad.
5. Solución Algorítmica: El problema de optimización resultante es no convexo debido al acoplamiento de variables en la FIM. Los autores emplean una reformulación de complemento de Schur y una estrategia de "aproximación convexa sucesiva con retardo" (lagged SCA). En este enfoque, los términos de matriz complejos en la FIM se actualizan de manera retardada (usando valores de la iteración anterior), mientras que los pesos escalares se convexifican mediante la expansión de Taylor de primer orden. Esto convierte el subprobleo en un programa cónico convexo con complejidad tratable.

Contribuciones Clave
El artículo afirma las siguientes contribuciones:

• Desarrollo de Marco: Establecimiento de un marco de formación de haz predictiva asistida por detección y consciente del ruido, que integra estrechamente la detección del objetivo, el refinamiento de estado basado en EKF, la predicción proactiva del haz y la recolección de datos de enlace ascendente bajo la dinámica de la superficie del mar.
• Modelado de Movimiento: Desarrollo de un modelo de movimiento de boya tratable que captura conjuntamente las oscilaciones inducidas por las olas y la deriva inducida por las corrientes, vinculando el tiempo de correlación de Singer con la escala de tiempo dominante de las olas.
• Análisis Teórico: Derivación de la FIM posterior y la PCRB para el modelo de detección no lineal en presencia de ruido residual del mar, proporcionando una métrica fundamentada para el diseño de la alineación predictiva del haz.
• Algoritmo de Optimización: Formulación de un problema de diseño conjunto de potencia de detección y posición del UAV y su solución mediante un algoritmo de SCA con retardo, que convierte el problema en un programa cónico convexo con una complejidad que escala linealmente con el número de boyas en las variables de decisión y cúbicamente en el tamaño total del problema.
• Validación del Desempeño: Demostración mediante simulaciones extensas de que el esquema propuesto mantiene un desempeño robusto bajo despliegues de boyas más densos, condiciones marinas más severas y niveles de ruido más altos.

Resultados de Simulación
Los resultados numéricos indican que el diseño propuesto logra el desempeño más equilibrado entre detección y comunicación entre los puntos de referencia considerados.

• Robustez: El esquema sigue siendo efectivo a medida que aumenta la densidad de las boyas, se intensifican el ruido de proceso/medición y las condiciones marinas se vuelven más severas (índices de estado del mar más altos).
• Necesidad de la Detección: Una comparación con un punto de referencia de "Solo Comunicación" (que depende de la propagación de estado de lazo abierto sin actualizaciones de detección) revela una degradación pronunciada en el Error Cuadrático Medio (RMSE) del punto de referencia. Esto confirma que el refinamiento de estado asistido por detección es esencial para una formación de haz predictiva precisa en entornos marítimos dinámicos.
• Complejidad vs. Desempeño: Al compararse con un método de "Expansión de Taylor de Primer Orden Completa" (Full-FOTE), el enfoque de SCA con retardo propuesto incurre solo en una pérdida de desempeño moderada (por ejemplo, una ligera reducción en la tasa de enlace ascendente) pero ofrece una carga computacional significativamente menor. Específicamente, el método Full-FOTE requiere un tiempo de optimización sustancialmente mayor a medida que aumenta el número de boyas, resaltando la ventaja práctica del método propuesto para el despliegue en línea.

Significancia y Reclamaciones
El artículo afirma que su principal significancia radica en cerrar la brecha entre el modelado de radar marítimo (clutter y dinámica de olas) y la gestión de haces de comunicación. Al modelar explícitamente la física del movimiento de la boya y el ruido del mar, el marco propuesto permite una comunicación UAV-boya robusta donde los modelos estáticos o cinemáticos simples fallan. Los autores afirman que su enfoque proporciona un equilibrio práctico entre el desempeño y la complejidad computacional, lo que lo hace adecuado para el despliegue en línea en tiempo real en redes de monitoreo en alta mar. El trabajo enfatiza que, sin el refinamiento asistido por detección, la formación de haz predictiva en tales entornos dinámicos es poco confiable, y que la estrategia de SCA con retardo propuesta ofrece un camino computacionalmente eficiente para lograr una conectividad robusta. Se señala como trabajo futuro la extensión de este diseño centralizado de un solo UAV a escenarios cooperativos de múltiples UAV.