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

Sintesi Tecnica: Beamforming Predittivo Assistito dal Sensing per Reti di Monitoraggio Oceanico Mediante UAV

Problematica
Le reti di monitoraggio oceanico si affidano a boe di superficie per la raccolta di dati ambientali, ma queste boe affrontano sfide significative nella trasmissione dei dati a causa della loro mobilità e della mancanza di un backhaul infrastrutturale stabile. Gli Unmanned Aerial Vehicles (UAV) offrono una soluzione flessibile per la raccolta dati tramite link line-of-sight (LoS). Tuttavia, il moto continuo delle boe indotto dalle onde marine e dalle correnti causa variazioni rapide nel range relativo e negli angoli. Questa mobilità è particolarmente deleteria quando gli UAV impiegano array di antenne di grandi dimensioni e fasci altamente direzionali, poiché anche minime discrepanze di puntamento portano a gravi perdite di guadagno di beamforming e interruzioni del link. Inoltre, il clutter marino degrada l'accuratezza degli echi di sensing, complicando l'acquisizione delle informazioni sullo stato della boa. Gli studi esistenti assumono spesso nodi sulla superficie del mare statici o utilizzano modelli di moto (ad esempio, velocità costante) che non riescono a catturare le oscillazioni guidate dalle onde e la deriva indotta dalle correnti tipiche delle boe oceaniche. Di conseguenza, manca un framework unificato che affronti congiuntamente la dinamica delle boe guidata dalle onde, il clutter residuo del mare e l'allineamento predittivo del beam per la raccolta dati mediata da UAV.

Metodologia
L'articolo propone un framework di beamforming predittivo assistito dal sensing integrato in un workflow di missione UAV basato su frame. La metodologia principale prevede i seguenti componenti:

1. Modello di Sistema e Workflow: La missione è suddivisa in radio frame. All'interno di ogni blocco operativo (due frame consecutivi), l'UAV trasmette segnali di Integrated Sensing and Communication (ISAC). Questi segnali servono a duplice scopo: acquisire gli echi della boa per la stima dello stato e supportare la successiva comunicazione uplink. Il workflow prevede la predizione degli stati della boa dal frame precedente, la trasmissione di segnali ISAC, il raffinamento delle stime dello stato tramite l'uso di un Extended Kalman Filter (EKF) e la generazione di predizioni di beam proattive per il frame successivo.
2. Modellazione del Moto Basata sulla Fisica: Per caratterizzare il moto della boa a breve termine, gli autori sviluppano un modello spazio-temporale a correlazione di accelerazione. Questo modello combina un processo di Singer per rappresentare l'eccitazione guidata dalle onde (modellata come un processo di Markov gaussiano del primo ordine) con un termine di deriva di corrente a variazione lenta. Il tempo di correlazione di Singer è esplicitamente collegato alla scala temporale dominante delle onde, rendendo il modello adatto agli ambienti marittimi.
3. Sensing Consapevole del Clutter e Derivazione del PCRB: Il modello del segnale tiene esplicitamente conto del clutter marino residuo, che è modellato come un termine di interferenza a bassa potenza che condivide il bin Doppler del target dopo la soppressione. Gli autori derivano la matrice di informazione di Fisher (FIM) posteriore e il corrispondente limite di Cramér-Rao posteriore (PCRB) per il modello di misura non lineare. Il PCRB della posizione orizzontale predetta viene adottato come metrica di sensing per quantificare l'impatto della dinamica della superficie del mare e del clutter sull'allineamento predittivo del beam.
4. Formulazione di Ottimizzazione: Un problema di design "worst-buoy" viene formulato per ottimizzare congiuntamente l'allocazione della potenza di sensing e la posizione dell'UAV. L'obiettivo è minimizzare il massimo PCRB tra tutte le boe (massimizzando l'accuratezza del sensing nel caso peggiore) pur soddisfacendo i vincoli di velocità uplink, potenza dell'UAV e mobilità.
5. Soluzione Algoritmica: Il problema di ottimizzazione risultante è non convesso a causa dell'accoppiamento delle variabili nella FIM. Gli autori impiegano una riformulazione tramite complemento di Schur e una strategia di "lagged successive convex approximation" (SCA). In questo approccio, i termini matriciali complessi nella FIM vengono aggiornati in modo ritardato (utilizzando i valori dell'iterazione precedente), mentre i pesi scalari vengono convessificati tramite espansione di Taylor del primo ordine. Ciò converte il sottoproblema in un programma conico convesso con complessità trattabile.

Contributi Chiave
L'articolo rivendica i seguenti contributi:

• Sviluppo del Framework: Stabilimento di un framework di beamforming predittivo assistito dal sensing e consapevole del clutter che integra strettamente il sensing del target, il raffinamento dello stato basato su EKF, la predizione proattiva del beam e la raccolta uplink sotto la dinamica della superficie del mare.
• Modellazione del Moto: Sviluppo di un modello di moto della boa trattabile che cattura congiuntamente le oscillazioni indotte dalle onde e la deriva indotta dalle correnti, collegando il tempo di correlazione di Singer alla scala temporale dominante delle onde.
• Analisi Teorica: Derivazione della FIM posteriore e del PCRB per il modello di misura non lineare in presenza di clutter marino residuo, fornendo una metrica fondata per il design dell'allineamento predittivo del beam.
• Algoritmo di Ottimizzazione: Formulazione di un problema di design congiunto di potenza di sensing e posizione dell'UAV e la sua soluzione tramite un algoritmo lagged-SCA, che converte il problema in un programma conico convesso con complessità che scala linearmente con il numero di boe nelle variabili decisionali e cubicamente rispetto alla dimensione totale del problema.
• Validazione delle Prestazioni: Dimostrazione attraverso estese simulazioni che lo schema proposto mantiene prestazioni robuste sotto distribuzioni di boe più dense, condizioni marine più severe e livelli di rumore più elevati, superando diversi design di base.

Risultati della Simulazione
I risultati numerici indicano che il design proposto raggiunge le prestazioni più equilibrate tra sensing e comunicazione rispetto ai benchmark considerati.

• Robustezza: Lo schema rimane efficace all'aumentare della densità delle boe, dell'intensità del rumore di processo/misura e man mano che le condizioni del mare diventano più severe (indici di stato del mare più elevati).
• Necessità del Sensing: Un confronto con un benchmark "Communication-Only" (che si affida alla propagazione dello stato in open-loop senza aggiornamenti di sensing) rivela un marcato degrado del Root Mean Square Error (RMSE) nel benchmark. Ciò conferma che il raffinamento dello stato assistito dal sensing è essenziale per un beamforming predittivo accurato in ambienti marittimi dinamici.
• Complessità vs. Prestazioni: Rispetto a un metodo "Full First-Order Taylor Expansion" (Full-FOTE), l'approccio proposto lagged-SCA comporta solo una moderata perdita di prestazioni (ad esempio, una leggera riduzione della velocità uplink) ma offre un carico computazionale significativamente inferiore. Nello specifico, il metodo Full-FOTE richiede tempi di ottimizzazione sostanzialmente maggiori all'aumentare del numero di boe, evidenziando il vantaggio pratico del metodo proposto per l'implementazione online.

Significatività e Rivendicazioni
L'articolo afferma che la sua principale significatività risiede nel colmare il divario tra la modellazione radar marittima (clutter e dinamica delle onde) e la gestione del beam di comunicazione. Modellando esplicitamente la fisica del moto delle boe e del clutter marino, il framework proposto consente una comunicazione UAV-boa robusta dove i modelli tradizionali statici o cinematici semplici falliscono. Gli autori sostengono che il loro approccio fornisce un compromesso pratico tra prestazioni e complessità computazionale, rendendolo adatto per l'implementazione online in tempo reale nelle reti di monitoraggio offshore. Il lavoro sottolinea che, senza il raffinamento assistito dal sensing, il beamforming predittivo in tali ambienti dinamici è inaffidabile, e che la strategia lagged-SCA proposta offre un percorso computazionalmente efficiente per raggiungere una connettività robusta. Si nota che il lavoro futuro estenderà questo design centralizzato a singolo UAV verso scenari cooperativi multi-UAV.