AI-Empowered UAV-Assisted Backscatter Localization and ISAC for Zero-Energy IoT: A Comprehensive Survey

Resumen Técnico: Localización por Retrodispersión Asistida por UAV con Empoderamiento de IA e ISAC para IoT de Energía Cero

Planteamiento del Problema
El artículo aborda las limitaciones de las redes de Internet de las Cosas (IoT) de energía cero, donde los dispositivos pasivos o casi pasivos operan mediante la energía recolectada en lugar de baterías convencionales. Si bien la Comunicación por Retrodispersión (BackCom) permite dicha operación modulando las señales de RF incidentes, esta sufre de una señal reflejada débil, pérdida de trayectoria doble, cobertura limitada, interferencia de enlace directo y dependencia de fuentes de RF externas. Además, la localización de estos dispositivos pasivos es compleja debido a la naturaleza indirecta de la señal y la falta de transmisión activa. La Comunicación y Detección Integradas (ISAC) ofrece una solución al compartir recursos para la transmisión de datos y la detección del entorno, pero integrar ISAC con BackCom, Vehículos Aéreos No Tripulados (UAV) e Inteligencia Artificial (IA) crea problemas de diseño complejos y acoplados. El desafío central radica en la optimización conjunta de la movilidad del UAV, la reflexión de retrodispersión, la precisión de la localización, la calidad de la detección y la neutralidad energética bajo condiciones de canal dinámicas y estrictas restricciones de energía.

Metodología
Los autores emplean una metodología de revisión sistemática estructurada, informada por PRISMA, para examinar la literatura. El proceso consiste en:

1. Estrategia de Búsqueda: Utilización de cadenas de búsqueda booleana en las principales bases de datos (IEEE Xplore, ACM, Scopus, etc.) combinando términos relacionados con BackCom, UAV, IoT de energía cero, localización, ISAC e IA.
2. Criterios de Selección: Inclusión de revistas revisadas por pares, conferencias y estándares técnicos que aborden explícitamente BackCom asistido por UAV, localización pasiva, B-ISAC o optimización habilitada por IA. Se excluyen estudios centrados únicamente en UAV de radio activa o sistemas que no sean de retrodispersión.
3. Desarrollo de la Taxonomía: Se construye una taxonomía unificada para clasificar los estudios existentes a través de seis dimensiones: arquitectura de red, roles del UAV, modos de retrodispersión, fuentes de RF, funciones de localización/detección y técnicas de IA.
4. Síntesis Cuantitativa: Un corpus curado de 48 estudios representativos es codificado manualmente para analizar las tendencias de publicación, la distribución de las corrientes de investigación y las brechas de cobertura a nivel de dimensión.
5. Ilustraciones Tutoriales: El artículo incluye ejemplos numéricos y simulaciones (por ejemplo, compensaciones de altitud del UAV, espectros de localización de AoA y patrones de haz de arreglos) para ilustrar conceptos teóricos y tendencias de rendimiento utilizando modelos simplificados basados en geometría y procesamiento de arreglos.

Contribuciones Clave
El artículo realiza las siguientes contribuciones específicas:

• Taxonomía Unificada: Propone una taxonomía exhaustiva que clasifica la literatura emergente sobre localización por retrodispersión asistida por UAV y la IA, distinguiendo entre arquitecturas de red (monostática, bistática, ambiental), roles del UAV (emisor, colector, ancla, plataforma de detección) y objetivos funcionales.
• Revisión Sistemática y Análisis de Brechas: A través de una revisión guiada por PRISما, el artículo identifica que, si bien los componentes individuales (UAV-BackCom, localización, ISAC, IA) están bien estudiados de forma aislada, su tratamiento integrado sigue fragmentado. Los trabajos existentes suelen optimizar el rendimiento (throughput) o la eficiencia energética, mientras que descuidan la localización y detección conjuntas, o asumen dispositivos activos en lugar de etiquetas pasivas de energía cero.
• Perspectiva de Capa Cruzada: El estudio modela explícitamente las dependencias entre variables de capa física (coeficientes de reflexión, canales en cascada), variables de capa de red (trayectoria del UAV, programación) y variables de capa de inteligencia (políticas de aprendizaje). Destaca cómo la optimización de una métrica (por ejemplo, la tasa de comunicación) puede impactar negativamente en otras (por ejemplo, la energía recolectada o la geometría de localización).
• Elementos Tutoriales: El artículo proporciona ecuaciones fundamentales para la energía recolectada, canales de retrodispersión en cascada y funciones de utilidad multiobjetivo, junto con ilustraciones numéricas de estilo tutorial para aclarar las compensaciones en altitud, procesamiento de arreglos y formación de haces.
• Direcciones Futuras y Desafíos: Esboza desafíos críticos abiertos, incluyendo la necesidad de modelos de canal realistas (considerando el sombreado del cuerpo del UAV y la orientación de la etiqueta), marcos de optimización conjunta, IA escalable y confiable, y el desarrollo de plataformas de validación de hardware y benchmarks reproducibles.

Resultados y Hallazgos

• Brechas de Cobertura: El análisis cuantitativo revela que, aunque la BackCom asistida por UAV y la BackCom habilitada por IA tienen una literatura significativa, la integración de la movilidad del UAV con la localización pasiva e ISAC está poco explorada. La mayoría de los estudios se centran en el rendimiento de la comunicación o la eficiencia energética, con una evaluación conjunta limitada de la precisión de la detección, el error de localización y la neutralidad energética.
• Compensaciones (Trade-offs): La encuesta confirma que la altitud y la trayectoria del UAV impactan significativamente en la compensación entre cobertura y ganancia de enlace. Una mayor altitud mejora la cobertura pero reduce la energía recolectada y la fuerza de la señal de retrodispersión. Del mismo modo, aumentar el coeficiente de reflexión mejora la comunicación y la visibilidad de la detección, pero reduce la energía disponible para la recolección.
• Rol de la IA: La IA se identifica como una herramienta de capa cruzada crucial para manejar problemas de optimización no lineales, dinámicos y de alta dimensión (por ejemplo, planificación de trayectoria, asignación de recursos). Sin embargo, el artículo señala que las soluciones de IA enfrentan desafíos respecto a la escasez de datos, la generalización a entornos no vistos, la complejidad computacional y la explicabilidad.
• Benchmarking: La investigación actual carece de benchmarks estandarizados. La mayoría de los estudios utilizan simulaciones personalizadas, lo que dificulta la comparación entre artículos. El documento hace un llamado a escenarios unificados que incluyan métricas de comunicación, detección, localización y energía.

Significancia y Reivindicaciones
El artículo afirma ser la primera encuesta exhaustiva que unifica los dominios de la IA, la movilidad de los UAV, la BackCom, la localización, el ISAC y el IoT de energía cero bajo un solo marco. Su significancia radica en:

• Puente entre Campos Dispares: Conecta corrientes de investigación que tradicionalmente han sido tratadas por separado, proporcionando una visión estructurada de cómo interactúan estas tecnologías.
• Perspectiva Orientada al Diseño: En lugar de simplemente resumir artículos, ofrece una perspectiva orientada al diseño sobre por qué importan ciertas suposiciones y variables de optimización, ayudando a los investigadores a pasar de la comprensión a nivel de encuesta a la formulación de nuevos problemas de optimización.
• Hoja de Ruta para la Investigación Futura: Al identificar brechas específicas en el modelado de canales realistas, la operación de energía neutra y el benchmarking reproducible, el artículo proporciona una hoja de ruta para desarrollar una infraestructura de IoT de energía cero, inteligente y sensible a la detección, alineada con las visiones de 6G e IMT-2030.

Los autores mantienen un tono modesto, reconociendo que la síntesis cuantitativa se basa en un corpus curado en lugar de un censo bibliométrico completo y que las ilustraciones numéricas son de estilo tutorial en lugar de validaciones experimentales. El artículo se posiciona como una referencia fundamental para guiar la investigación futura hacia soluciones integradas de capa cruzada.