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

Résumé Technique : Mise en forme de faisceaux prédictive assistée par détection pour les réseaux de surveillance océanique pilotés par UAV

Énoncé du Problème
Les réseaux de surveillance océanique s'appuient sur des bouées de surface pour collecter des données environnementales, mais ces bouées sont confrontées à des défis importants en matière de transmission de données en raison de leur mobilité et de l'absence d'infrastructure de collecte (backhaul) stable. Les véhicules aériens non habités (UAV) offrent une solution flexible pour la collecte de données via des liaisons de visibilité directe (LoS). Cependant, le mouvement continu des bouées induit par les vagues et les courants provoque des variations rapides de la distance et des angles relatifs. Cette mobilité est particulièrement préjudiciable lorsque les UAV utilisent de grands réseaux d'antennes et des faisceaux hautement directionnels, car même de légers décalages de pointage entraînent une perte sévère de gain de formation de faisceau et des interruptions de liaison. De plus, l'écho de l'épais de mer (sea clutter) dégrade la précision des échos de détection, compliquant l'acquisition des informations sur l'état de la bouée. Les travaux existants supposent souvent des nœuds de surface statiques ou utilisent des modèles de mouvement (par exemple, vitesse constante) qui ne parviennent pas à capturer les oscillations induites par les vagues et la dérive induite par les courants caractéristiques des bouées océaniques. Par conséquent, il existe un manque de cadre unifié traitant conjointement la dynamique des bouées pilotée par les vagues, l'écho résiduel de la mer et l'alignement prédictif des faisceaux pour la collecte de données maritimes assistée par UAV.

Méthodologie
Le document propose un cadre de mise en forme de faisceaux prédictive assistée par détection intégré dans un flux de mission d'UAV basé sur des trames. La méthodologie centrale comprend les composants suivants :

1. Modèle de système et flux de travail : La mission est divisée en trames radio. Au sein de chaque bloc opérationnel (deux trames consécutives), l'UAV transmet des signaux de détection et de communication intégrés (ISAC). Ces signaux servent un double usage : acquérir les échos de la bouée pour l'estimation de l'état et supporter la communication montante (uplink) ultérieure. Le flux de travail implique la prédiction des états de la bouée à partir de la trame précédente, la transmission de signaux ISAC, l'affinement des estimations d'état via un filtre de Kalman étendu (EKF), et la génération de prédictions de faisceaux proactives pour la trame suivante.
2. Modélisation de mouvement fondée sur la physique : Pour caractériser le mouvement de la bouée à court horizon, les auteurs développent un modèle d'espace d'états à accélération corrélée. Ce modèle combine un processus de Singer pour représenter l'excitation induite par les vagues (modélisée comme un processus de Markov gaussien du premier ordre) avec un terme de dérive de courant variant lentement. Le temps de corrélation de Singer est explicitement lié à l'échelle de temps dominante des vagues, rendant le modèle adapté aux environnements maritimes.
3. Détection sensible au clutter et dérivation de la PCRB : Le modèle de signal tient explicitement compte de l'écho résiduel de la mer, qui est modélisé comme un terme d'interférence de faible puissance partageant le bin Doppler de la cible après suppression. Les auteurs dérivent la matrice d'information de Fisher (FIM) postérieure et la borne de Cramér-Rao postérieure (PCRB) correspondante pour le modèle de mesure de détection non linéaire. La PCRB de la position horizontale prédite est adoptée comme métrique de détection pour quantifier l'impact de la dynamique de la surface de la mer et du clutter sur l'alignement prédictif du faisceau.
4. Formulation d'optimisation : Un problème de conception du "pire cas de bouée" est formulé pour optimiser conjointement l'allocation de puissance de détection et la position de l'UAV. L'objectif est de minimiser la PCRB maximale parmi toutes les bouées (maximisant la précision de détection du pire cas) tout en respectant les contraintes de débit montant, de puissance de l'UAV et de mobilité.
5. Solution algorithmique : Le problème d'optimisation résultant est non convexe en raison du couplage des variables dans la FIM. Les auteurs emploient une reformulation par complément de Schur et une stratégie d'approximation successive convexe (SCA) à retard. Dans cette approche, les termes matriciels complexes dans la FIM sont mis à jour de manière décalée (en utilisant les valeurs de l'itération précédente), tandis que les poids scalaires sont convexifiés via une expansion de Taylor du premier ordre. Cela convertit le sous-problème en un programme conique convexe à complexité traitable.

Contributions Clés
Le document revendique les contributions suivantes :

• Développement de cadre : Établissement d'un cadre de mise en forme de faisceaux prédictive assistée par détection et sensible au clutter, intégrant étroitement la détection de la cible, l'affinement de l'état par EKF, la prédiction de faisceau proactive et la collecte montante sous la dynamique de la surface de la mer.
• Modélisation du mouvement : Développement d'un modèle de mouvement de bouée traitable qui capture conjointement les oscillations induites par les vagues et la dérive induite par les courants, liant le temps de corrélation de Singer à l'échelle de temps dominante des vagues.
• Analyse théorique : Dérivation de la FIM postérieure et de la PCRB pour le modèle de détection non linéaire en présence de clutter résiduel de la mer, fournissant une métrique fondée sur des principes pour la conception de l'alignement prédictif du faisceau.
• Algorithme d'optimisation : Formulation d'un problème de conception conjoint de la puissance de détection et de la position de l'UAV, et sa solution via un algorithme SCA à retard, qui convertit le problème en un programme conique convexe dont la complexité croît linéairement avec le nombre de bouées dans les variables de décision et circulairement par rapport à la taille totale du problème.
• Validation des performances : Démonstration, par des simulations approfondies, que le schéma proposé maintient des performances robustes sous des déploiements de bouées plus denses, des conditions de mer plus rudes et des niveaux de bruit plus élevés, surpassant plusieurs conceptions de référence.

Résultats de Simulation
Les résultats numériques indiquent que la conception proposée atteint la performance de détection-communication la plus équilibrée parmi les références considérées.

• Robustesse : Le schéma reste efficace à mesure que la densité des bouées augmente, que le bruit de processus/mesure s'intensifie et que les conditions de mer deviennent plus rudes (indices d'état de la mer plus élevés).
• Nécessité de la détection : Une comparaison avec une référence de "Communication uniquement" (qui repose sur une propagation d'état en boucle ouverte sans mise à jour par détection) révèle une dégradation prononcée de l'erreur quadratique moyenne (RMSE) de la référence. Cela confirme que l'affinement de l'état assisté par détection est essentiel pour un alignement de faisceau prédictif précis dans les environnements maritimes dynamiques.
• Complexité vs Performance : Comparée à une méthode de "Pleine Expansion de Taylor du Premier Ordre" (Full-FOTE), l'approche SCA à retard proposée n'entraîne qu'une perte de performance modérée (par exemple, une légère réduction du débit montant) mais offre une charge de calcul nettement inférieure. Plus précisément, la méthode Full-FOTE nécessite un temps d'optimisation substantiellement plus élevé à mesure que le nombre de bouées augmente, soulignant l'avantage pratique de la méthode proposée pour un déploiement en ligne.

Signification et Revendications
Le document affirme que sa principale importance réside dans le pont jeté entre la modélisation radar maritime (clutter et dynamique des vagues) et la gestion de faisceau de communication. En modélisant explicitement la physique du mouvement des bouées et le clutter de la mer, le cadre proposé permet une communication UAV-bouée robuste là où les modèles statiques ou cinématiques simples échouent. Les auteurs affirment que leur approche offre un compromis pratique entre performance et complexité de calcul, ce qui la rend adaptée à un déploiement en ligne en temps réel pour les réseaux de surveillance offshore. Le travail souligne que sans l'affinement assisté par la détection, la mise en forme de faisceaux prédictive dans de tels environnements dynamiques est peu fiable, et que la stratégie SCA à retard proposée offre une voie efficace sur le plan computationnel pour atteindre une connectivité robuste. Les travaux futurs visent à étendre cette conception centralisée à un seul UAV vers des scénarios coopératifs multi-UAV.