Active Sensing for RIS-Aided Tracking and Power Control: A Hybrid Neuroevolution and Supervised Learning Approach

Sintesi Tecnica: Sensing Attivo per il Tracciamento e il Controllo della Potenza Mediante RIS

Definizione del Problema
Questo articolo affronta la sfida del tracciamento e della localizzazione a basso consumo energetico per gli User Equipment (UE) mobili con potenza limitata in ambienti multipath, assistiti da una Superficie Intelligente Riconfigurabile (RIS). Lo studio si concentra su due vincoli primari intrinseci alle implementazioni pratiche di IoT 6G:

1. Limitazioni Hardware: Le implementazioni pratiche di RIS utilizzano sfasamenti discreti (spesso binari) invece di una regolazione continua, rendendo l'ottimizzazione tradizionale basata sul gradiente non differenziabile e computazionalmente intrattabile (NP-hard).
2. Vincoli di Energia e Feedback: Gli UE operano sotto rigidi budget energetici dove la trasmissione continua di pilot a bassa potenza è insostenibile. Inoltre, il collegamento di feedback dalla Base Station (BS) all'UE per il controllo della potenza è limitato a un messaggio a singolo bit (ad esempio, "aumenta" o "diminuisce" la potenza) per accomodare ricevitori non coerenti a ultra-basso consumo.

L'obiettivo è ottimizzare congiuntamente la configurazione di fase discreta della RIS e la potenza di trasmissione uplink dell'UE in tempo reale per minimizzare l'Errore Quadratico Medio (MSE) della stima della posizione, rispettando un budget di potenza cumulativo.

Metodologia
Gli autori propongono un framework di Deep Learning a Doppio Agente (DA) che integra la Neuroevoluzione (NE) con l'Apprendimento Supervisionato per risolvere questo problema di controllo decentralizzato e non differenziabile. Il sistema comprende due agenti collaboranti:

• Agente BS: Una Rete Neurale Ricorrente (RNN) che utilizza unità Long Short-Term Memory (LSTM). Osserva i segnali pilota ricevuti e genera due azioni: il successivo profilo di fase discreto della RIS e un comando di feedback a singolo bit all'UE.
• Agente UE: Una RNN basata su LSTM che elabora la cronologia dei comandi di feedback a singolo bit ricevuti per regolare dinamicamente la propria potenza di trasmissione del pilota per il time slot successivo.

Procedura di Addestramento
Il framework impiega una metodologia di addestramento ibrida in tre fasi per superare i limiti della backpropagation standard:

1. Addestramento dello Stimatore Iniziale: Una rete stimatrice viene addestrata tramite apprendimento supervisionato su un dataset generato con profili RIS e livelli di potenza casuali per stabilire una base per la stima della posizione.
2. Evoluzione della Policy (Neuroevoluzione): Le reti di policy di BS e UE vengono ottimizzate congiuntamente utilizzando una strategia evolutiva priva di gradienti (specificamente, una variante di CoSyNE). La funzione di fitness penalizza le violazioni del budget di potenza e premia errori di tracciamento inferiori. Questa fase aggira la non differenziabilità degli elementi discreti della RIS.
3. Fine-Tuning Finale dello Stimatore: Una volta evolute le policy, una rete stimatrice finale viene riaddestrata sui dati generati dalle policy ottimizzate per massimizzare l'accuratezza della localizzazione.

Il framework è progettato per essere scalabile, supportando BS a singola antenna e multi-antenna (con minori modifiche architettoniche per selezionare combinatori digitali da un codicebook finito).

Contributi Chiave

• Nuova Formulazione del Problema: L'articolo formula il tracciamento attivo uplink per UE con vincoli di potenza con rigidi vincoli hardware (fasi RIS discrete) e colli di bottiglia informativi (feedback a singolo bit), andando oltre i precedenti studi di localizzazione statica.
• Algoritmo DA Ibrido: Lo sviluppo di un framework NE a Doppio Agente che gestisce efficacemente la natura non differenziabile del controllo RIS discreto e il ciclo di feedback sparso, consentendo l'apprendimento congiunto della configurazione RIS e del controllo della potenza.
• Robustezza ai Vincoli: Lo schema proposto dimostra di funzionare efficacemente con feedback a singolo bit, dove l'UE impara a interpretare la cronologia temporale dei comandi binari per inferire l'urgenza del sensing, mitigando così il collo di bottiglia informativo.

Risultati Numerici
Simulazioni estese dimostrano la superiorità dello schema proposto rispetto a diversi baseline:

• Performance di Tracciamento: Il framework DA supera significativamente i filtri classici (Filtro di Kalman Esteso, Filtro Particellare) e i tracker basati su machine learning (RNN supervisionate, Deep Reinforcement Learning tramite A2C) attraverso vari modelli di moto, inclusi alti tassi di rotazione e rumore di movimento.
• Performance di Localizzazione: Negli scenari statici, il metodo supera il fingerprinting tradizionale (incluse varianti ottimizzate tramite algoritmi genetici), l'apprendimento puramente supervisionato e gli stimatori basati su backpropagation che assumono fasi RIS continue.
• Scalabilità e Robustezza: L'algoritmo mantiene alte prestazioni all'aumentare delle dimensioni della RIS, mentre i baseline basati su gradiente e DRL degradano. Rimane inoltre robusto sotto diverse condizioni di fading Riceano (basso $\kappa$) e alti livelli di rumore.
• Efficienza del Feedback: Nonostante l'uso di solo feedback a singolo bit, lo schema proposto raggiunge prestazioni quasi identiche a schemi che utilizzano link di feedback scalari o multi-bit, consumando però molta meno energia dell'UE (rispettando il budget di potenza).

Significatività e Rivendicazioni
L'articolo sostiene che il sensing attivo, combinato con un approccio ibrido di neuroevoluzione e apprendimento supervisionato, può superare efficacemente le doppie sfide dei vincoli hardware discreti e dei rigidi budget energetici nelle reti 6G. Gli autori affermano che il loro protocollo collaborativo appreso permette ai dispositivi IoT leggeri di ottenere un tracciamento ad alta precisione senza la necessità di meccanismi di feedback complessi e energivori o di una sintonizzazione continua della RIS. Il lavoro stabilisce un nuovo benchmark per la localizzazione assistita da RIS ed efficiente dal punto di vista energetico, dimostrando che l'adattamento intelligente della potenza di trasmissione e della configurazione RIS può compensare gravi colli di bottiglia informativi.

Il lavoro futuro consiste nell'estendere questo framework a implementazioni multi-RIS, esplorare garanzie di privacy della posizione e integrare architetture di reti neurali basate su modelli per ridurre ulteriormente l'overhead computazionale.