Leveraging Large Vision Model for Multi-UAV Co-perception in Low-Altitude Wireless Networks

Titolo

Sfruttamento di Modelli Visivi di Grande Dimensione (LVM) per la Co-percezione Multi-UAV nelle Reti Wireless a Bassa Altitudine.

1. Il Problema

La percezione cooperativa multi-UAV (Uncrewed Aerial Vehicle) è un paradigma promettente per le applicazioni dell'economia a bassa altitudine (trasporti intelligenti, sorveglianza urbana, ispezione autonoma). Tuttavia, l'implementazione pratica incontra sfide critiche:

• Volume di Dati: I dati visivi generati da più UAV sono massicci, creando colli di bottiglia nelle comunicazioni wireless.
• Vincoli di Risorse: Le condizioni del canale sono eterogenee e variabili nel tempo, con risorse di tempo-frequenza limitate.
• Latenza: I requisiti di latenza per le applicazioni in tempo reale sono stringenti.
• Limiti Computazionali: Gli UAV sono dispositivi edge con risorse energetiche e computazionali limitate, rendendo difficile eseguire compressione o estrazione di caratteristiche avanzata a bordo senza degradare la qualità della percezione.
• Trade-off: Esiste un difficile compromesso tra l'efficienza delle comunicazioni (ridurre i dati trasmessi) e l'utilità della percezione (mantenere alta l'accuratezza).

2. Metodologia Proposta: Framework BHU

Gli autori propongono un framework di percezione cooperativa efficiente dal punto di vista comunicativo, denominato BHU (Base-Station-Helped UAV). L'idea centrale è spostare il carico computazionale pesante verso un server a terra, mentre gli UAV trasmettono solo informazioni visive essenziali.

Il sistema si articola in quattro componenti principali:

A. Trasmissione Visiva Sparsa (Top-K Selection)

Invece di trasmettere immagini RGB grezze o caratteristiche dense, ogni UAV utilizza un meccanismo Top-K basato su un punteggio di importanza:

• Una rete neurale leggera a bordo genera una mappa di importanza monodimensionale.
• Viene calcolato un punteggio per ogni pixel basato sulla media dei vicini (finestra scorrevole).
• Vengono selezionati e trasmessi solo i pixel con i punteggi più alti (una frazione $\kappa_u$ dell'immagine), riducendo drasticamente il volume dei dati.
• Il server a terra ricostruisce l'immagine completa utilizzando un modulo di interpolazione gaussiana apprendibile.

B. Estrazione di Caratteristiche con LVM (Large Vision Model)

Il server a terra riceve le immagini sparse e le elabora utilizzando un modello di visione avanzato:

• Encoder: Viene utilizzato un encoder basato su MaskDINO con backbone Swin-large (un modello Transformer gerarchico).
• Funzione: Questo modello estrae caratteristiche multi-scala e le proietta nello spazio BEV (Bird's-Eye-View), sfruttando la capacità dei LVM di catturare dipendenze a lungo raggio e relazioni semantiche, superando le limitazioni delle tradizionali CNN.
• Fusione: Le caratteristiche BEV provenienti da tutti gli UAV partecipanti vengono fuse (somma elementare) per creare una rappresentazione cooperativa unificata.

C. Ottimizzazione tramite DRL basato su Diffusione (DDIM)

Per bilanciare l'utilità della percezione e l'efficienza comunicativa, gli autori sviluppano un algoritmo di Reinforcement Learning Profondo (DRL) basato su un modello di diffusione (DDIM - Denoising Diffusion Implicit Model):

• Obiettivo: Ottimizzare congiuntamente la selezione degli UAV cooperativi, i rapporti di sparsificazione (Top-K) e le matrici di precodifica.
• Stato: Include gli stati del canale wireless e le immagini catturate.
• Azione: Selezione UAV, rapporto Top-K e matrice di precodifica.
• Innovazione: L'uso di DDIM permette di modellare la distribuzione delle matrici di precodifica ottimali attraverso un processo di denoising inverso, riducendo la complessità computazionale rispetto ai metodi di diffusione tradizionali e migliorando la stabilità dell'addestramento.

3. Contributi Chiave

1. Meccanismo Top-K: Introduzione di una selezione di pixel basata su un punteggio di importanza per ridurre il volume di trasmissione e la latenza.
2. Architettura LVM per UAV: Utilizzo di un encoder MaskDINO/Swin-large sul server per la fusione delle caratteristiche BEV, migliorando significativamente la capacità di rappresentazione rispetto alle CNN.
3. Algoritmo DDIM-DRL: Sviluppo di un framework di ottimizzazione che utilizza la diffusione per generare azioni di precodifica, risolvendo problemi di programmazione mista intera stocastica complessi.
4. Risultati Sperimentali: Validazione su un dataset reale (Air-Co-Pred) che dimostra un miglioramento delle prestazioni di percezione con una riduzione drastica dell'overhead di comunicazione.

4. Risultati Sperimentali

Le simulazioni sono state condotte sul dataset Air-Co-Pred (4 UAV che monitorano il traffico urbano). I risultati principali includono:

• Prestazioni di Percezione: Il framework BHU migliora le prestazioni di percezione (misurate tramite IoU - Intersection over Union e PQ - Panoptic Quality) di oltre il 5% rispetto alle baseline basate su CNN (come EfficientNet) e ai metodi tradizionali di fusione BEV.
• Efficienza Comunicativa: Riduzione dell'overhead di comunicazione dell'85% rispetto ai metodi che trasmettono caratteristiche dense o immagini complete.
• Confronto con DHD: Rispetto allo schema "Drone-Help-Drone" (DHD), BHU riduce il costo di comunicazione a circa il 15% mantenendo o migliorando l'accuratezza.
• Impatto del Modello: L'uso di Swin-large (LVM) rispetto a EfficientNet porta a guadagni relativi nell'IoU che variano dal 4.26% al 4.94%.
• Fine-tuning LoRA: L'uso di LoRA (Low-Rank Adaptation) sul modello Swin-large permette di ottenere prestazioni quasi equivalenti all'addestramento completo con meno del 2% di degradazione, riducendo i parametri addestrabili.
• Efficacia di DDIM: L'algoritmo DRL basato su DDIM converge più velocemente e stabilmente rispetto a metodi senza etichette di precodifica ottimali, ottenendo un migliore compromesso tra latenza e utilità.

5. Significato e Impatto

Questo lavoro è significativo per diverse ragioni:

• Abilitazione dell'Economia a Bassa Altitudine: Fornisce una soluzione pratica per le reti UAV in ambienti con risorse limitate, permettendo applicazioni critiche come la guida autonoma cooperativa e la sorveglianza in tempo reale.
• Spostamento dell'Intelligenza: Dimostra che è possibile delegare l'elaborazione pesante dei modelli di visione di grandi dimensioni (LVM) al cloud/edge server, permettendo agli UAV di operare con hardware leggero.
• Ottimizzazione Cross-Layer: Integra efficacemente la fisica del canale wireless (MIMO, precodifica) con l'elaborazione delle immagini (sparsificazione, fusione BEV) in un unico framework di ottimizzazione.
• Scalabilità: Il framework dimostra che l'aggiunta di più UAV migliora costantemente l'accuratezza della percezione, rendendo il sistema scalabile per scenari urbani complessi.

In sintesi, il paper propone un approccio innovativo che combina tecniche di compressione intelligente, modelli di visione avanzati e ottimizzazione basata sull'IA per superare i limiti attuali delle comunicazioni cooperative UAV.