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

Technische Samenvatting: Actieve Sensatie voor RIS-ondersteunde Tracking en Vermogensregeling

Probleemdefinitie
Dit artikel behandelt de uitdaging van energiezuinige tracking en lokalisatie voor vermogensbeperkte mobiele User Equipments (UE's) in multipath-omgevingen, ondersteund door een Reconfigurable Intelligent Surface (RIS). De studie richt zich op twee primaire beperkingen die inherent zijn aan praktische 6G IoT-implementaties:

1. Hardwarebeperkingen: Praktische RIS-implementaties maken gebruik van discrete (vaak binaire) faseverschuivingen in plaats van continue afstemming, waardoor traditionele gradiëntgebaseerde optimalisatie niet-differentieerbaar en computationeel onhandelbaar (NP-hard) is.
2. Energie- en Feedbackbeperkingen: UE's opereren onder strikte energiebudgetten waarbij continue hoogvermogen pilot-transmissies onhoudbaar zijn. Bovendien is de feedbackverbinding van de Base Station (BS) naar de UE voor vermogensregeling beperkt tot een single-bit bericht (bijv. "verhogen" of "verlagen" van vermogen) om ultra-low-power niet-coherent ontvangers te accommoderen.

Het doel is om de discrete RIS-faseconfiguratie en het uplink-transmissievermogen van de UE gezamenlijk in real-time te optimaliseren om de Mean Squared Error (MSE) van de positie-inschatting te minimalen, terwijl aan een cumulatief vermogensbudget wordt voldaan.

Methodologie
De auteurs stellen een Dual-Agent (DA) Deep Learning-framework voor dat Neuroevolutie (NE) integreert met Supervised Learning om dit niet-differentieerbare, gedecentraliseerde controleprobleem op te lossen. Het systeem bestaat uit twee samenwerkende agenten:

• BS Agent: Een Recurrent Neural Network (RNN) die gebruikmaakt van Long Short-Term Memory (LSTM) eenheden. Deze observeert de ontvangen pilotsignalen en voert twee acties uit: het volgende discrete RIS-faseprofiel en een single-bit feedbackcommando naar de UE.
• UE Agent: Een LSTM-gebaseerde RNN die de geschiedenis van ontvangen single-bit feedbackcommando's verwerkt om het pilot-transmissievermogen voor de volgende tijdslot dynamisch aan te passen.

Trainingsprocedure
Het framework maakt gebruik van een driedelige hybride trainingsmethodologie om de beperkingen van standaard backpropagation te overwinnen:

1. Initiële Estimator Training: Een estimator-netwerk wordt via supervised learning getraind op een dataset gegenereerd met willekeurige RIS-profielen en vermogensniveaus om een basislijn voor positie-inschatting vast te stellen.
2. Policy Evolutie (Neuroevolutie): De BS- en UE-policy-netwerken worden gezamenlijk geoptimaliseerd met behulp van een gradiëntvrije evolutionaire strategie (specifiek een variant van CoSyNE). De fitnessfunctie bestraft schendingen van het vermogensbudget en beloont lagere trackingfouten. Deze fase omzeilt de niet-differentieerbaarheid van de discrete RIS-elementen.
3. Finale Estimator Fine-Tuning: Zodra de policies zijn geëvolueerd, wordt een definitief estimator-netwerk opnieuw getraind op de data gegenereerd door de geoptimaliseerde policies om de lokalisatienauwkeurigheid te maximaliseren.

Het framework is ontworpen om schaalbaar te zijn, waarbij zowel single-antenna als multi-antenna BS's worden ondersteund (met kleine architecturale wijzigingen om digitale combiners uit een eindige codebook te selecteren).

Belangrijkste Bijdragen

• Nieuwe Probleemformulering: Het artikel formuleert actieve uplink tracking voor vermogensbeperkte UE's met strikte hardwarebeperkingen (discrete RIS-fasen) en informatiebottlenecks (single-bit feedback), waarmee het verder gaat dan eerdere statische lokalisatiestudies.
• Hybride DA Algoritme: De ontwikkeling van een Dual-Agent NE-framework dat effectief de niet-differentieerbare aard van discrete RIS-controle en de ijle feedbackloop afhandelt, wat efficiënte gezamenlijke leerprocessen van RIS-configuratie en vermogensregeling mogelijk maakt.
• Robuustheid tegen Beperkingen: Het voorgestelde schema blijkt effectief te functioneren met single-bit feedback, waarbij de UE leert de temporele geschiedenis van binaire commando's te interpreteren om de urgentie van sensatie af te leiden, waardoor de informatiebottleneck wordt gemitigeerd.

Numerieke Resultaten
Uitgebreide simulaties demonstreren de superioriteit van het voorgestelde schema ten opzichte van verschillende baselines:

• Tracking Prestaties: Het DA-framework presteert significant beter dan klassieke filters (Extended Kalman Filter, Particle Filter) en machine learning-gebaseerde trackers (Supervised RNN's, Deep Reinforcement Learning met gebruik van A2C) over diverse bewegingsmodellen heen, inclusief hoge draaicijfers en bewegingsruis.
• Lokalisatie Prestaties: In statische scenario's presteert de methode beter dan traditionele fingerprinting (inclusief genetisch algoritme-geoptimaliseerde varianten), puur supervised learning en backpropagation-gebaseerde estimators die uitgaan van continue RIS-fasen.
• Schaalbaarheid en Robuustheid: Het algoritme behoudt een hoge prestatie naarmate de RIS-grootte toeneemt, terwijl gradiëntgebaseerde en DRL-baselines verslechteren. Het blijft ook robuust onder variërende Ricean fading-condities (lage $\kappa$) en hoge ruisniveaus.
• Feedback Efficiëntie: Ondanks het gebruik van slechts single-bit feedback, bereikt het voorgestelde schema een prestatie die bijna identiek is aan schema's die gebruikmaken van volledige scalaire of multi-bit feedbackverbindingen, terwijl het aanzienlijk minder UE-energie verbruikt (conform het vermogensbudget).

Betekenis en Claims
Het artikel stelt dat actieve sensatie, wanneer gecombineerd met een hybride neuroevolutionaire en supervised learning aanpak, effectief de dubbele uitdagingen van discrete hardwarebeperkingen en strikte energiebudgetten in 6G-netwerken kan overwinnen. De auteurs beweren dat hun geleerde collaboratieve protocol lichte IoT-apparaten in staat stelt om hoge nauwkeurigheid bij tracking te bereiken zonder de noodzaak voor complexe, energieverslindende feedbackmechanismen of continue RIS-afstemming. Dit werk vestigt een nieuwe benchmark voor energiezuinige, RIS-ondersteunde lokalisatie, waarbij wordt aangetoond dat intelligente adaptatie van transmissievermogen en RIS-configuratie de ernstige informatiebottlenecks kan compenseren.

Toekomstig werk wordt geïdentificeerd als het uitbreiden van dit framework naar multi-RIS-deployments, het verkennen van locatieprivacy-garanties en het integreren van model-gebaseerde NN-architecturen om de computationele overhead verder te verminderen.