Adaptive 5G Resource Allocation for Multistatic ISAC-Based UAV Detection and Tracking

Resumen Técnico: Asignación Adaptativa de Recursos 5G para la Detección y Seguimiento de UAV Basada en ISAC Multiestática

Planteamiento del Problema
La proliferación de Vehículos Aéreos No Tripulados (UAV) pequeños ha creado riesgos de seguridad significativos cerca de infraestructuras críticas y espacios aéreos restringidos, lo que requiere capacidades robustas de detección y seguimiento. Si bien la Integración de Sensores y Comunicaciones (ISAC) ofrece una vía para aprovechar las redes 5G existentes para la vigilancia, su despliegue práctico enfrenta dos desafíos principales:

1. Competencia de Recursos: Las funciones de detección y comunicación deben competir por recursos de radio finitos. Las asignaciones de detección estáticas son ineficientes bajo cargas de red variables en el tiempo, lo que conduce tanto al desperdicio de recursos durante periodos de bajo tráfico como a la degradación del rendimiento de la detección durante la congestión.
2. Robustez del Seguimiento: El seguimiento de UAV altamente maniobrables con Secciones Transversales de Radar (RCS) bajas es difícil, particularmente cuando los recursos de la red están limitados. Los sistemas de un solo modo (por ejemplo, radar monoestático) suelen sufrir brechas de cobertura e imprecisiones de localización en entornos complejos.

Metodología
Los autores proponen un marco de trabajo ISAC multiestático, adaptativo y consciente de la carga, que opera sobre la interfaz 5G New Radio (NR). La arquitectura del sistema integra un gNB 5G activo (que actúa como iluminador controlado) con una red distribuida de nodos de Sensores Definidos por Software (SDS) que actúan como receptores pasivos.

Componentes metodológicos clave incluyen:

• Diseño de Ondaforma Adaptativa: El gNB ajusta dinámicamente la longitud de las secuencias de detección Zadoff-Chu (ZC) ($N_{ZC}$), la tasa de transmisión de detección y la asignación de haces basándose en la carga de red en tiempo real ($\eta$) y la Relación Señal-Ruido (SNR) observada. Las secuencias más largas proporcionan una mayor ganancia de procesamiento coherente y mejor resolución de rango, pero consumen más Bloques de Recursos Físicos (PRB).
• Modelado de Recursos Compartidos: Un modelo matemático cuantifica el compromiso entre el rendimiento de comunicación (throughput) y la sobrecarga de detección. El sistema define cuatro políticas de asignación de recursos: orientación fija a la detección, orientación fija a la comunicación, ISAC adaptativo e ISACA con asistencia de Señal de Oportunidad (SoO).
• Detección Multiestática Asistida por SoO: Cuando los recursos de la red son demasiado limitados para soportar los requisitos de detección activa de 5G, el marco aprovecha Señales de Oportunidad externas (por ejemplo, satélite, transmisión de FM u otras transmisiones celulares) a través de nodos SDS pasivos. Estos nodos capturan las reflexiones del objetivo sin consumir recursos adicionales de 5G.
• Métricas de Desempeño:
  • Detección/Seguimiento: Analizados mediante la función Q de Marcum para la probabilidad de detección y un modelo $M$-de-$N$ para la continuidad del seguimiento (que requiere $M$ detecciones exitosas de $N$ oportunidades).
  • Precisión de Localización: Evaluada utilizando la Cota Inferior de Cramér-Rao (CRLB) para comparar las geometrías monoestáticas (solo gNB) frente a las multiestáticas (gNB + SDS).

Contribuciones Clave
El artículo realiza cuatro contribuciones específicas al campo de ISAC 5G:

1. Modelo de Recursos Consciente de la Carga: Desarrollo de un modelo que cuantifica la sobrecarga de detección como una función de la longitud de la ondaforma ZC, la tasa de actualización y el número de haces bajo recursos 5G compartidos.
2. Caracterización del Compromiso (Trade-off): Demostración de que el escalado de la ondaforma adaptativa permite que la detección 5G preserve las capacidades de seguimiento mientras degrada gradualmente el rendimiento a medida que aumenta la carga de comunicación, evitando las ineficiencias rígidas de las reservas fijas.
3. Arquitectura Asistida por SoO: Introducción de una arquitectura de detección distribuida donde los nodos SDS explotan SoO externas para mantener la continuidad del seguimiento cuando los recursos activos de 5G son escasos, reduiendo significativamente las interrupciones de seguimiento bajo congestión severa.
4. Marco CRLB Multiestático: Un análisis teórico que muestra que las geometrías multiestáticas mejoran significativamente la precisión de localización y la uniformidad de la cobertura espacial en comparación con la detección monoestática, particularmente al aprovechar ondasformas más largas y anchos de banda mayores.

Resultados
Los resultados de la simulación basados en un sistema 5G NR FR1 (3.5 GHz, 50 MHz de ancho de banda) demuestran lo siguiente:

• Rendimiento vs. Detección: Las políticas adaptativas superan a las líneas de base de reserva fija. Mientras que las políticas de detección fija limitan el rendimiento (por ejemplo, al 85% o 97% de la carga ofrecida), la política adaptativa sigue de cerca la carga ofrecida.
• Resiliencia a la Congestión: Bajo congestión extrema (carga normalizada $\eta \to 1.0$), la política "Adaptativa + SoO" mantiene un rendimiento igual a la carga ofrecida mientras mantiene baja la probabilidad de interrupción del seguimiento. En contraste, la política puramente adaptativa (sin SoO) experimenta un fallo rápido de seguimiento a medida que los recursos se desvían hacia la comunicación.
• Escalado de la Ondaforma: Incrementar la longitud de la secuencia ZC ($N_{ZC}$) de 71 a 1291 mejora la SNR de entrada requerida para una probabilidad de interrupción de seguimiento objetivo ($10^{-3}$) en aproximadamente 12.6 dB, extendiendo el seguimiento fiable hacia condiciones de SNR más bajas.
• Precisión de Localización: El análisis CRLB revela que la detección multiestática supera significativamente a la detección monoestática. Para una ondaforma larga ($N_{ZC}=1291$), el Límite de Error de Posición (PEB) medio para la detección multiestática cae a 0.85 m, mientras que la detección monoestática permanece estancada en ~6.9 m, resaltando los beneficios geométricos de los nodos distribuidos.

Significancia
El artículo postula que la detección adaptativa coordinada combinada con el soporte multiestático distribuido representa un camino práctico hacia la vigilancia de UAV resiliente en futuras redes inalámbricas. Al escalar dinámicamente los recursos de detección y aprovechar señales externas pasivas, el marco propuesto aborda la tensión crítica entre mantener servicios de comunicación de alta calidad y asegurar un seguimiento de UAV persistente y preciso en entornos de RF congestionados. El trabajo valida que el ISAC puede ir más allá de la partición estática de recursos hacia un paradigma dinámico y consciente de la carga que utiliza todo el potencial de la infraestructura inalámbrica existente y oportunista.