Adaptive 5G Resource Allocation for Multistatic ISAC-Based UAV Detection and Tracking

Sintesi Tecnica: Allocazione Adattiva delle Risorse 5G per il Rilevamento e il Tracciamento di UAV Basato su ISAC Multistatico

Definizione del Problema
La proliferazione di piccoli velivoli a pilotaggio remoto (UAV) ha creato significativi rischi per la sicurezza vicino alle infrastrutture critiche e agli spazi aerei ristretti, rendendo necessari capacità robuste di rilevamento e tracciamento. Sebbene l'Integrazione tra Sensing e Comunicazioni (ISAC) offra una via per sfruttare le reti 5G esistenti per la sorveglianza, l'implementazione pratica affronta due sfide primarie:

1. Competizione per le Risorse: Le funzioni di sensing e di comunicazione devono competere per risorse radio finite. Le allocazioni di sensing statiche sono inefficienti sotto carichi di rete variabili nel tempo, portando o allo spreco di risorse durante i periodi di basso traffico o al degrado delle prestazioni di sensing durante la congestione.
2. Robustezza del Tracciamento: Il tracciamento di UAV altamente manovrabili con sezioni trasversali radar (RCS) ridotte è difficile, particolarmente quando le risorse di rete sono vincolate. I sistemi a singola modalità (ad esempio, radar monostatico) soffrono spesso di lacune nella copertura e imprecisioni di localizzazione in ambienti complessi.

Metodologia
Gli autori propongono un framework ISAC multistatico adattivo e consapevole del carico (load-aware) che opera sull'interfaccia 5G New Radio (NR). L'architettura del sistema integra un gNB 5G attivo (che funge da illuminatore controllato) con una rete distribuita di nodi di Sensori Software-Defined (SDS) che agiscono come ricevitori passivi.

I componenti metodologici chiave includono:

• Progettazione di Ondeforme Adattive: Il gNB regola dinamicamente la lunghezza delle sequenze di rilevamento Zadoff-Chu (ZC) ($N_{ZC}$), la frequenza di trasmissione del sensing e l'allocazione dei fasci (beam) in base al carico di rete in tempo reale ($\eta$) e al rapporto segnale-rumore (SNR) osservato. Sequenze più lunghe forniscono un maggiore guadagno di elaborazione coerente e una migliore risoluzione della distanza, ma consumano più blocchi di risorse fisiche (PRB).
• Modellazione delle Risorse Condivise: Un modello matematico quantifica il compromesso tra il throughput di comunicazione e l'overhead di sensing. Il sistema definisce quattro politiche di allocazione delle risorse: orientata al sensing fisso, orientata alle comunicazioni fissa, ISAC adattivo e ISAC adattivo con assistenza da Segnale di Opportunità (SoO).
• Sensing Multistatico Assistito da SoO: Quando le risorse di rete sono troppo limitate per supportare i requisiti di sensing 5G attivo, il framework sfrutta segnali esterni di opportunità (ad esempio, satellitari, trasmissioni FM o altre trasmissioni cellulari) tramite nodi SDS passivi. Questi nodi catturano le riflessioni del bersaglio senza consumare ulteriori risorse 5G.
• Metriche di Prestazione:
  • Rilevamento/Tracciamento: Analizzati utilizzando la funzione Q di Marcum per la probabilità di rilevamento e un modello $M$-di-$N$ per la continuità del tracciamento (che richiede $M$ rilevamenti riusciti su $N$ opportunità).
  • Accuratezza della Localizzazione: Valutata utilizzando il limite inferiore di Cramér-Rao (CRLB) per confrontare le geometrie monostatiche (solo gNB) rispetto a quelle multistatiche (gNB + SDS).

Contributi Chiave
Il documento apporta quattro contributi specifici al campo dell'ISAC 5G:

1. Modello di Risorse Consapevole del Carico: Sviluppo di un modello che quantifica l'overhead di sensing in funzione della lunghezza dell'ondaforma ZC, della frequenza di aggiornamento e del numero di fasci sotto risorse 5G condivise.
2. Caratterizzazione del Compromesso: Dimostrazione che la scalabilità dell'ondaforma adattiva permette al sensing 5G di preservare le capacità di tracciamento pur degradando con grazia le prestazioni all'aumentare del carico di comunicazione, evitando le rigidità inefficienti delle prenotazioni fisse.
3. Architettura Assistita da SoO: Introduzione di un'architettura di sensing distribuita in cui i nodi SDS sfruttano l'esterno SoO per mantenere la continuità del tracciamento quando le risorse 5G attive sono scarse, riducendo significativamente le interruzioni del tracciamento sotto forte congestione.
4. Framework CRLB Multistatico: Un'analisi teorica che mostra come le geometrie multistatiche migliorino significativamente l'accuratezza della localizzazione e l'uniformità della copertura spaziale rispetto al sensing monostatico, in particolare sfruttando ondeforme più lunghe e larghezze di banda maggiori.

Risultati
I risultati delle simulazioni basati su un sistema 5G NR FR1 (3,5 GHz, larghezza di banda 50 MHz) dimostrano quanto segue:

• Throughput vs. Sensing: Le politiche adattive superano i baseline a prenotazione fissa. Mentre le politiche di sensing fisse limitano il throughput (ad esempio, all'85% o al 97% del carico offerto), la politica adattiva segue da vicino il carico offerto.
• Resilienza alla Congestione: In condizioni di estrema congestione (carico normalizzato $\eta \to 1.0$), la politica "Adattiva + SoO" mantiene un throughput uguale al carico offerto mantenendo bassa la probabilità di interruzione del tracciamento. Al contrario, la politica puramente adattiva (senza SoO) subisce un rapido fallimento del tracciamento man mano che le risorse vengono deviate verso la comunicazione.
• Scalabilità dell'Ondaforma: Aumentare la lunghezza della sequenza ZC ($N_{ZC}$) da 71 a 1291 migliora il rapporto SNR di ingresso richiesto per una determinata probabilità di interruzione del tracciamento del target ($10^{-3}$) di circa 12,6 dB, estendendo il tracciamento affidabile in condizioni di SNR inferiore.
• Accuratezza della Localizzazione: L'analisi CRLB rivela che il sensing multistatico supera significativamente il sensing monostatico. Per un'ondaforma lunga ($N_{ZC}=1291$), il limite medio di errore di posizione (PEB) per il sensing multistatico scende a 0,85 m, mentre il sensing monostatico rimane stagnante a circa 6,9 m, evidenziando i benefici geometrici dei nodi distribuiti.

Significatività
Il documento sostiene che il sensing adattivo coordinato combinato con il supporto multistatico distribuito rappresenti una via pratica verso una sorveglianza UAV resiliente nelle future reti wireless. Scalando dinamicamente le risorse di sensing e sfruttando i segnali esterni passivi, il framework proposto affronta la tensione critica tra il mantenimento di servizi di comunicazione di alta qualità e l'assicurazione di un tracciamento persistente e accurato degli UAV in ambienti RF congestionati. Il lavoro valida che l'ISAC può andare oltre la partizione statica delle risorse verso un paradigma dinamico e consapevole del carico che utilizza tutto il potenziale delle infrastrutture wireless esistenti e opportunistiche.