Movable Antenna-Enabled Integrated Sensing and Communication in Low-Altitude UAV Networks

Technische Samenvatting: Beweegbare Antenne-gestuurde Geïntegreerde Sensing en Communicatie in Netwerken voor Laagvliegende UAV's

Probleemstelling
Dit artikel behandelt de optimalisatie van een door meerdere Onbemande Luchtvaartuigen (UAV's) ondersteund systeem voor Geïntegreerde Sensing en Communicatie (ISAC) dat opereert in de laagvliegende luchtruim. Het systeem maakt gebruik van UAV's uitgerust met beweegbare antenne (MA) arrays om grondgebruikers te bedienen met dynamische mobiliteit, terwijl gelijktijdig radarsensortaken worden uitgevoerd. De kernuitdaging ligt in de hoogdimensionale, niet-convexe aard van het gezamenlijk optimaliseren van UAV-trajecten, gebruikerstoewijzing, beamforming, antennepositionering en vermogensallocatie. Deze variabelen zijn sterk gekoppeld en opereren binnen een dynamische omgeving die wordt gekenmerkt door onbekende statetransities als gevolg van gebruikersmobiliteit. Bovendien zijn traditionele arrays met vaste antennes (FA) niet geschikt voor dergelijke dynamische scenario's, wat vaak leidt tot misalignement van de straalbundel en suboptimale ruimtelijke benutting. De optimalisatie wordt beperkt door UAV-vliegdynamica (snelheid, botsingsvermijding, hoogtegrenzen), transmissievermogensbudgetten, mechanische limieten van antennebeweging en een minimumvereiste voor het Signal-to-Interference-plus-Noise Ratio (SINR) voor sensing.

Methodologie
Om de complexiteit van het geformuleerde optimalisatieprobleem aan te pakken, ontleden de auteurs het in twee sequentiële fasen:

1. Gebruikerstoewijzing via HDBSCAN:
   De eerste fase behandelt het probleem van de lucht-grondtoewijzing. In plaats van te vertrouwen op eenvoudige afstandsmetrieken die snel fluctueren door UAV-beweging, maken de auteurs gebruik van het HDBSCAN-algoritme (Hierarchical Density-Based Spatial Clustering of Applications with Noise). Grondgebruikers worden periodiek geklaust op basis van hun ruimtelijke verdeling. UAV's worden vervolgens toegewezen aan deze clusters (met behulp van het Hongaarse algoritme of toewijzing op basis van de dichtstbijzijnde buur). Deze strategie zorgt ervoor dat gebruikers die aan een specifieke UAV zijn gekoppeld vergelijkbare ruimtelijke kenmerken delen, waardoor de toewijzing wordt gestabiliseerd en efficiënte aanpassingen van de MA-array worden vergemakkelijkt.

2. Gezamenlijke Optimalisatie via Soft Actor-Critic (SAC):
   De tweede fase maakt gebruik van een Deep Reinforcement Learning (DRL)-benadering, specifiek het Soft Actor-Critic (SAC)-algoritme, om de gezamenlijke optimalisatie van UAV-trajecten, antenneposities, beamformingvectoren en vermogensallocatie op te lossen.

   • MDP-formulering: Het probleem wordt gemodelleerd als een Markov Decision Process (MDP). De toestandsruimte omvat kanaalinformatie, locaties van UAV's en gebruikers, en huidige antenne-implantaties. De actie-ruimte omvat beamformingontwerp, vliegsnelheid/richting, antenneverplaatsing en vermogensallocatieverhoudingen.
   • Beloningsfunctie: De beloning wordt gedefinieerd als de totale communicatiesomrate, met boetes voor overtreding van SINR-drempels voor sensing, beperkingen voor botsingsvermijding en snelheidslimieten.
   • Keuze van algoritme: SAC wordt geselecteerd vanwege zijn off-policy aard, steekproefefficiëntie en vermogen om exploratie en exploitatie in evenwicht te brengen via entropieregulering, wat cruciaal is voor het navigeren in de hoogdimensionale continue actie-ruimte en het vermijden van lokale optima.

Belangrijkste Bijdragen
Het artikel schetst drie primaire bijdragen:

1. Systeemarchitectuur: De integratie van MA-arrays in een laagvliegend multi-UAV ISAC-systeem. In tegenstelling tot traditionele implementaties met vaste antennes, exploiteert deze architectuur de ruimtelijke vrijheidsgraden van MA-arrays om zich dynamisch aan te passen aan zowel communicatie- als sensingvereisten. De auteurs optimaliseren gezamenlijk de MA-implantatie, beamforming, gebruikerstoewijzing en UAV-trajecten onder strikte sensing- en vliegbegrenzingen.
2. Tweefasen-optimalisatiekader: Een innovatieve oplossing die HDBSCAN en SAC combineert. HDBSCAN wordt gebruikt voor dynamische gebruikersclustering om de lucht-grondtoewijzing te optimaliseren, waardoor ruimtelijke consistentie wordt gewaarborgd voor daaropvolgende MA-aanpassingen. Vervolgens wordt SAC toegepast om de complexe gezamenlijke optimalisatie van traject, antenneconfiguratie en resource-allokatie op te lossen.
3. Experimentele Validatie: Het voorgestelde kader wordt experimenteel gevalideerd via simulaties. De resultaten tonen aan dat het MA-gestuurde systeem significant presteert beter dan traditionele systemen met vaste antennes wat betreft de totale communicatiesomrate, terwijl tegelijkertijd betrouwbaar wordt voldaan aan de SINR-beperkingen voor sensing. De studie kwantificeert ook de specifieke prestatiewinsten die worden bijgedragen door de MA-array en het clusteringmechanisme.

Resultaten
Numerieke simulaties werden uitgevoerd in een gebied van 500m x 500m met 3 UAV's, 9 communicatiegebruikers en 3 sensiedoelen. Belangrijkste bevindingen zijn:

• Prestatiewinst: Het voorgestelde schema (MA + HDBSCAN + SAC) behaalde de hoogste totale communicatiesomrate vergeleken met vier basisschema's, waaronder die met Vaste Antennes (FA) of zonder het clusteringmechanisme.
• Rol van Clustering: De op HDBSCAN gebaseerde toewijzing verbeterde de exploratie-efficiëntie in een vroeg stadium en de algehele prestaties door de exploratiedruk op de agent te verminderen en de gebruiker-UAV-verbindingen te stabiliseren.
• MA versus FA: Systemen met MA-arrays presteerden consequent beter dan die met FA-arrays. Het prestatievoordeel van MA nam echter licht af naarmate het aantal antennes toenam, toegeschreven aan UAV-ladingsbeperkingen en een toegenomen actie-dimensie.
• Algoritmevergelijking: Het SAC-algoritme toonde superieure prestaties ten opzichte van DDPG, PPO en CMA-ES. Het behaalde hogere cumulatieve beloningen, snellere convergentie (effectieve strategie na ~130 epochs) en grotere trainingsstabiliteit.
• Schaalbaarheid en Gevoeligheid: Het systeem behield stabiliteit zelfs naarmate het aantal gebruikers toenam, hoewel de rate per gebruiker afnam door resource-deling. Het verhogen van de SINR-drempels voor sensing verminderde natuurlijk de communicatieprestaties omdat meer resources werden omgeleid naar sensing.

Betekenis
Het artikel beweert dat het werk een gat opvult in het bestaande onderzoek, dat zich voornamelijk richt op arrays met vaste antennes of scenario's met één UAV. Door MA-arrays te integreren in een multi-UAV ISAC-kader en een specifieke tweefasen-optimalisatiestrategie voor te stellen, toont de studie aan dat MA-technologie de systeemflexibiliteit en prestaties aanzienlijk kan verbeteren in dynamische, laagvliegende omgevingen. Het werk valideert dat het optimaliseren van antenneposities in combinatie met UAV-trajecten en beamforming zorgt voor een betere benutting van ruimtelijke diversiteit, wat leidt tot verbeterde communicatiesnelheden zonder afbreuk te doen aan de betrouwbaarheid van sensing. De voorgestelde methode biedt een praktische aanpak voor het hanteren van de complexe, gekoppelde besluitvorming die vereist is in next-generation 6G ISAC-netwerken.