Movable Antenna-Enabled Integrated Sensing and Communication in Low-Altitude UAV Networks

Résumé Technique : Réseaux de Capteurs et Communications Intégrés (ISAC) Assistés par Antennes Mobiles dans les Réseaux de Drones à Basse Altitude

Énoncé du Problème
Ce papier traite de l'optimisation d'un système de Capteurs et Communications Intégrés (ISAC) assisté par plusieurs Véhicules Aériens Non Pilotés (UAV) opérant dans l'espace aérien à basse altitude. Le système utilise des UAV équipés de réseaux d'antennes mobiles (MA) pour desservir des utilisateurs au sol dotés d'une mobilité dynamique, tout en exécutant simultanément des tâches de détection radar. Le défi central réside dans la nature de haute dimension et non convexe de l'optimisation conjointe des trajectoires des UAV, de l'association des utilisateurs, du formation de faisceaux, du positionnement des antennes et de l'allocation de puissance. Ces variables sont étroitement couplées et opèrent dans un environnement dynamique caractérisé par des transitions d'état inconnues dues à la mobilité des utilisateurs. De plus, les réseaux d'antennes à position fixe (FA) traditionnels sont inadaptés à de tels scénarios dynamiques, conduisant souvent à un désalignement des faisceaux et à une utilisation spatiale sous-optimale. L'optimisation est contrainte par la dynamique de vol des UAV (vitesse, évitement des collisions, limites d'altitude), les budgets de puissance de transmission, les limites mécaniques du mouvement des antennes et une exigence minimale de rapport signal sur interférence plus bruit (SINR) pour la détection.

Méthodologie
Pour relever la complexité du problème d'optimisation formulé, les auteurs le décomposent en deux étapes séquentielles :

1. Association des utilisateurs via HDBSCAN :
   La première étape traite du problème d'association air-sol. Au lieu de s'appuyer sur des métriques de distance simples qui fluctuent rapidement avec le mouvement des UAV, les auteurs emploient l'algorithme de clustering spatial hiérarchique basé sur la densité pour les applications avec bruit (HDBSCAN). Les utilisateurs au sol sont regroupés périodiquement en fonction de leur distribution spatiale. Les UAV sont ensuite assignés à ces clusters (en utilisant l'algorithme hongrois ou une affectation par plus proche voisin). Cette stratégie garantit que les utilisateurs associés à un UAV spécifique partagent des caractéristiques spatiales similaires, stabilisant l'association et facilitant des ajustements efficaces du réseau d'antennes MA.

2. Optimisation conjointe via Soft Actor-Critic (SAC) :
   La deuxième étape utilise une approche d'Apprentissage par Renforcement Profond (DRL), spécifiquement l'algorithme Soft Actor-Critic (SAC), pour résoudre l'optimisation conjointe des trajectoires des UAV, des positions des antennes, des vecteurs de formation de faisceaux et de l'allocation de puissance.

   • Formulation MDP : Le problème est modélisé comme un processus de décision de Markov (MDP). L'espace d'état inclut les informations de canal, les localisations des UAV et des utilisateurs, et les déploiements d'antennes actuels. L'espace d'action englobe la conception de la formation de faisceaux, la vitesse/direction de vol, le déplacement des antennes et les ratios d'allocation de puissance.
   • Fonction de Récompense : La récompense est définie comme le débit total de communication, pénalisée en cas de violation des seuils de SINR de détection, des contraintes d'évitement des collisions et des limites de vitesse.
   • Choix de l'Algorithme : SAC est sélectionné pour son caractère hors politique, son efficacité en échantillonnage et sa capacité à équilibrer exploration et exploitation grâce à la régularisation par entropie, ce qui est crucial pour naviguer dans l'espace d'action continu de haute dimension et éviter les optima locaux.

Contributions Clés
Le papier expose trois contributions principales :

1. Architecture Système : L'intégration de réseaux d'antennes MA dans un système ISAC multi-UAV à basse altitude. Contrairement aux déploiements d'antennes fixes traditionnels, cette architecture exploite les degrés de liberté spatiaux des réseaux MA pour s'adapter dynamiquement aux exigences doubles de communication et de détection. Les auteurs optimisent conjointement le déploiement MA, la formation de faisceaux, l'association des utilisateurs et les trajectoires des UAV sous des contraintes strictes de détection et de vol.
2. Cadre d'Optimisation en Deux Étapes : Une solution novatrice combinant HDBSCAN et SAC. HDBSCAN est utilisé pour le clustering dynamique des utilisateurs afin d'optimiser l'association air-sol, assurant une cohérence spatiale pour les ajustements MA ultérieurs. SAC est ensuite appliqué pour résoudre l'optimisation conjointe complexe de la trajectoire, de la configuration des antennes et de l'allocation des ressources.
3. Validation Expérimentale : Le cadre proposé est validé expérimentalement par des simulations. Les résultats démontrent que le système activé par MA surpasse significativement les systèmes traditionnels à antennes fixes en termes de débit total de communication tout en satisfaisant de manière fiable les contraintes de SINR de détection. L'étude quantifie également les gains de performance spécifiques apportés par le réseau MA et le mécanisme de clustering.

Résultats
Des simulations numériques ont été menées dans une zone de 500 m x 500 m avec 3 UAV, 9 utilisateurs de communication et 3 cibles de détection. Les principaux constats incluent :

• Gain de Performance : Le schéma proposé (MA + HDBSCAN + SAC) a atteint le débit total de communication le plus élevé par rapport à quatre schémas de référence, y compris ceux utilisant des antennes fixes (FA) ou manquant le mécanisme de clustering.
• Rôle du Clustering : L'association basée sur HDBSCAN a amélioré l'efficacité de l'exploration précoce et les performances globales en réduisant la pression d'exploration sur l'agent et en stabilisant les liens utilisateur-UAV.
• MA vs FA : Les systèmes avec des réseaux MA ont constamment surpassé ceux avec des réseaux FA. Cependant, l'avantage de performance de MA a diminué légèrement à mesure que le nombre d'antennes augmentait, attribué aux contraintes de charge des UAV et à l'augmentation de la dimensionalité de l'action.
• Comparaison des Algorithmes : L'algorithme SAC a démontré des performances supérieures à DDPG, PPO et CMA-ES. Il a atteint des récompenses cumulées plus élevées, une convergence plus rapide (stratégie efficace après ~130 époques) et une plus grande stabilité d'entraînement.
• Évolutivité et Sensibilité : Le système a maintenu sa stabilité même lorsque le nombre d'utilisateurs augmentait, bien que le débit par utilisateur ait diminué en raison du partage des ressources. L'augmentation des seuils de SINR de détection a naturellement réduit les performances de communication car davantage de ressources ont été détournées vers la détection.

Signification
Le papier affirme que son travail comble un vide dans la recherche existante, qui se concentre principalement sur les réseaux d'antennes fixes ou les scénarios à UAV unique. En intégrant des réseaux MA dans un cadre ISAC multi-UAV et en proposant une stratégie d'optimisation spécifique en deux étapes, l'étude démontre que la technologie MA peut améliorer significativement la flexibilité et les performances du système dans des environnements dynamiques à basse altitude. Le travail valide que l'optimisation des positions des antennes conjointement avec les trajectoires des UAV et la formation de faisceaux permet une meilleure utilisation de la diversité spatiale, conduisant à des débits de communication améliorés sans compromettre la fiabilité de la détection. La méthode proposée offre une approche pratique pour gérer la prise de décision complexe et couplée requise dans les réseaux ISAC de la prochaine génération 6G.