A Framework for Geometric-based Statistical Channel Modeling in ISAC Systems

Este artigo propõe uma estrutura abrangente de modelagem de canal estatística baseada em geometria para sistemas de Integração de Sensoriamento e Comunicação (ISAC) bistáticos que estende o padrão 3GPP TR38.901 ao decompor o canal em componentes de alvo e de fundo, mantendo assim a paridade de desempenho de comunicação enquanto permite a estimativa precisa de parâmetros de sensoriamento através de diversos cenários.

O essencial

Imagine que você está tentando ter uma conversa com um amigo em uma estação de trem movimentada e barulhenta. Normalmente, engenheiros constroem modelos para prever como a sua voz viaja através da multidão, batendo em pilares e pessoas (este é o canal de fundo). Mas agora, imagine que você também está tentando usar sua voz para "dar um sinal" para uma pessoa específica do outro lado da sala para ver se ela está se movendo, a que distância está ou se está acenando (este é o alvo de detecção).

Este artigo propõe uma nova maneira mais inteligente de modelar essa estação de trem barulhenta para sistemas de Integração de Sensoriamento e Comunicação (ISAC) — a tecnologia que alimentará as redes 6G ao fazer as duas coisas (falar e ouvir) ao mesmo tempo.

Aqui está a divisão da ideia deles usando analogias simples:

1. O Problema: O Mapa Antigo vs. A Nova Realidade

Durante anos, os engenheiros usaram um mapa padrão (chamado TR38.901) para prever como as ondas de rádio viajam. Este mapa é ótimo para conversar; ele trata o ambiente como uma nuvem de névoa aleatória. Ele diz: "Há alguns reflexos aqui, outros ali, e o sinal enfraquece".

No entanto, este mapa "nebuloso" é terrível para o sensoriamento. Se você quiser encontrar um carro ou uma pessoa específica, precisa saber exatamente de onde vieram os reflexos. Você não pode apenas dizer "bateu em algum lugar na névoa". Você precisa saber: "Bateu naquele pilar vermelho específico às 15h". O mapa antigo não oferece esse nível de detalhe e não leva em conta a "forma" ou a "refletividade" (Seção Transversal de Radar) do objeto que você está tentando encontrar.

2. A Solução: Um Bolo de Duas Camadas

Os autores propõem um novo modelo que divide o sinal em duas camadas distintas, como um bolo de duas camadas:

• Camada 1: O Fundo (O Ruído da Estação de Trem)
  Esta camada lida com todo o ruído usual: as paredes, as pessoas aleatórias, os pilares. Ela usa o antigo e confiável mapa "nebuloso" (TR38.901), porque isso é perfeito para apenas enviar uma mensagem do Ponto A ao Ponto B.
• Camada 2: O Alvo (A Pessoa Específica)
  Esta camada é totalmente nova. Ela trata o objeto que você está tentando detectar (como um carro ou um drone) como um objeto específico e distinto. Em vez de uma névoa aleatória, esta camada usa geometria determinística. Pense nisso como colocar um manequim sólido e específico na sala. O modelo calcula exatamente como o sinal atinge esse manequim e rebate, com base em sua localização exata, velocidade e o quão "brilhante" ou reflexivo ele é.

3. O Truque de Mestre: A Abordagem Híbrida

A genialidade deste artigo é como eles misturam essas duas camadas. Eles não jogaram fora o mapa antigo; eles apenas adicionaram um "holofote" a ele.

• O "Holofote" (Clusters Determinísticos): Para o alvo, eles usam matemática precisa para calcular o caminho exato que o sinal percorre. Isso garante que, se o alvo se mover, o atraso do sinal e o ângulo mudem de uma forma perfeitamente lógica e física. Isso é crucial para o sensoriamento porque, se a matemática não for perfeita, seu radar pensará que o carro está no lugar errado.
• A "Névoa" (Clusters Estocásticos): Para todo o resto, eles mantêm a névoa estatística e aleatória. Isso mantém o modelo rápido e compatível com os padrões existentes de 5G/6G.

Eles chamam isso de Abordagem de Clustering Híbrido. É como ter uma previsão do tempo que prevê chuva geral (a névoa), mas também tem uma imagem de satélite de alta definição de uma única nuvem de tempestade (o alvo) para que você saiba exatamente onde segurar seu guarda-chuva.

4. Por que Isso Importa (Os Resultados)

Os autores testaram seu novo modelo em três "salas" diferentes: uma grande cidade (Urban Macro), uma pequena cidade (Urban Micro) e uma fábrica (Indoor Factory).

• Desempenho de Comunicação: Eles verificaram se este novo modelo ainda funciona para enviar mensagens. O resultado? Funciona tão bem quanto o padrão antigo. A parte do "fundo" do modelo é tão boa que seu telefone nem nota a diferença.
• Desempenho de Sensoriamento: Eles verificaram se funciona para encontrar coisas. Como adicionaram a camada do "holofote", o modelo agora consegue prever com precisão a que distância um alvo está e se ele pode ser detectado.
• Teste de Mundo Real: Eles não apenas rodaram simulações de computador; eles realmente mediram sinais em um laboratório com um drone (UAV). O modelo computacional coincidiu muito de perto com as medições do mundo real, provando que o seu "manequim matemático" se comporta como um drone real.

5. A Conclusão

Este artigo fornece um framework unificado. Antes disso, você poderia precisar de uma ferramenta para projetar uma rede de comunicação e uma ferramenta totalmente diferente e complexa para projetar um sistema de radar. Este novo modelo permite que os engenheiros usem um único framework para projetar sistemas que falam e ouvem simultaneamente.

Ele garante que o sistema seja recíproco (o que sai e o que volta segue as mesmas regras físicas) e consistente (o tempo é perfeito), que são as duas coisas mais importantes para um radar funcionar, mantendo ao mesmo tempo o sistema eficiente o suficiente para uma rede de telefonia móvel padrão.

Em resumo: Eles construíram um modelo de rádio que é inteligente o suficiente para falar como uma rede de telefonia padrão, mas afiado o suficiente para enxergar como um radar, tudo ao separar o "ruído" do "alvo" e tratá-los de forma diferente.

Resumo técnico

Resumo Técnico: Um Framework para Modelagem de Canal Estatística Baseada em Geometria em Sistemas ISAC

Declaração do Problema
A Integração de Sensoriamento e Comunicação (ISAC) é um paradigma transformador para sistemas 6G, exigindo um modelo de canal unificado que suporte simultaneamente comunicação confiável e sensoriamento preciso. Os modelos de canal padronizados existentes, como o Relatório Técnico (TR) 38.901 da 3GPP, são projetados primariamente para simulações centradas em comunicação. Eles dependem de uma modelagem de clusters puramente estocástica, que carece da representação de espalhadores geometricamente consistentes necessária para tarefas de sensoriamento. Especificamente, os modelos padrão não levam em conta características específicas do alvo, como a Seção Transversal de Radar (RCS) e os respectivos espalhamentos Doppler, e não suportam inerentemente o alinhamento de atraso absoluto e a consistência espaço-temporal exigidos para localização e detecção de alvos. Embora o ray-tracing específico de local ofereça fidelidade geométrica, sua complexidade computacional impede simulações de sistemas em larga escala. Este artigo aborda a lacuna entre os modelos estocásticos legados e a fidelidade geométrica exigida pelo ISAC, propondo um framework que estende o TR 38.901 para suportar sensoriamento bistático sem sacrificar o desempenho da comunicação.

Metodologia
Os autores propõem um modelo de geometria baseada em estatística (GBSM) abrangente para sistemas ISAC bistáticos. O núcleo da metodologia é uma decomposição de dois componentes do canal ISAC:

1. Canal de Fundo (Background Channel): Representa todos os caminhos de propagação independentes do alvo de sensoriamento. Este componente adere estritamente ao framework estocástico do TR 38.901, modelando caminhos de Linha de Visão (LoS) e Não-Linha de Visão (NLoS) via clusters estatísticos.
2. Canal do Alvo (Target Channel): Representa reflexões do alvo de sensoriamento. Este componente é parametrizado pelo RCS do alvo e pelos pontos de espalhamento (SPs).

Para unir a modelagem estocástica aos requisitos geométricos, o artigo introduz uma abordagem de clustering híbrida. Dentro do canal do alvo (especificamente para condições NLoS), o modelo particiona os clusters em dois subconjuntos:

• Clusters Estocásticos: Modelados usando procedimentos padrão do TR 38.901 para representar clutter e interferência.
• Clusters Determinísticos: Clusters ancorados geometricamente que representam o alvo ou Objetos Ambientais (EOs). Estes clusters possuem localizações 3D, orientações e velocidades pré-definidas, garantindo estrita consistência espaço-temporal e alinhamento de atraso absoluto.

O framework suporta quatro configurações bistáticas fundamentais (TRP-TRP, TRP-UE, UE-TRP, UE-UE) e acomoda dois modos de posicionamento de alvo:

• Posicionamento Determinístico: Especificação das coordenadas 3D do alvo para derivar atrasos e ângulos geometricamente.
• Posicionamento Estocástico: Seleção de um subconjunto de clusters do TR 38.901 como clusters de alvo e a subsequente estimativa de suas coordenadas 3D.

O modelo gera coeficientes de canal cascateando os links Tx-alvo e alvo-Rx, contabilizando vários estados de propagação (LoS/LoS, LoS/NLoS, NLoS/LoS, NLoS/NLoS) e incorporando deslocamentos Doppler de alvos e clusters em movimento.

Principais Contribuições

1. Framework de Dois Componentes Estruturado no TR 38.901: O artigo apresenta um GBSM que mantém a estrutura procedimental do TR 38.901 enquanto introduz as extensões necessárias para o ISAC. Ele separa explicitamente o canal em componentes de alvo e de fundo, parametrizando o alvo via RCS e SPs, em vez de apenas retenção de clusters.
2. Clustering Híbrido Estocástico-Determinístico: A metodologia aumenta os clusters estocásticos padrão com clusters determinísticos definidos geometricamente. Isso garante consistência de atraso absoluto e reciprocidade de canal, que são críticos para a estimativa de parâmetros de sensoriamento (ex: alcance e localização).
3. Validação de Desempenho Unificada: O framework é validado através dos cenários padronizados Urban Macro (UMa), Urban Micro (UMi) e Indoor Factory (InF). A validação demonstra que o modelo mantém a paridade de desempenho de comunicação com o TR 38.901 (verificado via Taxa de Erro de Bit e capacidade de canal) enquanto permite a avaliação precisa do desempenho de sensoriamento (verificado via erro de alcance do alvo e curvas de Característica de Operação do Receptor).
4. Integração de Objetos Ambientais (EO): O framework introduz EOs do Tipo-I modelados com atributos semelhantes a alvos (clusters determinísticos) para impor consistência espaço-temporal ligada a objetos fisicamente significativos, um recurso não explicitamente modelado em estudos anteriores.

Resultos

• Desempenho de Comunicação: Simulações indicam que o modelo ISAC proposto atinge um desempenho de Taxa de Erro de Bit (BER) quase equivalente ao, e em alguns casos ligeiramente superior ao, modelo padrão TR 38.901. Isso é atribuído aos caminhos de reflexão estruturados fornecidos pelos clusters determinísticos e múltiplos pontos de espalhamento. O modelo também mostra que valores de RCS de alvo mais altos podem aumentar a capacidade ergodica do canal ao fortalecer os modos próprios dominantes.
• Desempenho de Sensoriamento:
  • Estimativa de Alcance: O modelo suporta o alcance confiável do alvo usando o algoritmo PARAMING. Os resultados mostram que o aumento do RCS do alvo melhora significativamente a precisão da localização, mesmo para alvos em maiores distâncias bistáticas.
  • Detecção: As curvas de Característica de Operação do Receptor (ROC) demonstram que a probabilidade de detecção ($P_d$) melhora com RCS mais altos e distâncias Tx-alvo-Rx menores.
  • Validação: A análise comparativa entre canais ISAC simulados e medidos (conduzida em um ambiente InF com um alvo UAV) mostra um comportamento consistente, com pequenas discrepâncias de BER atribuídas a impedimentos de hardware e variações de aspecto do alvo nas medições.

Significância
O artigo afirma que sua principal significância reside em fornecer um framework generativo, fisicamente fundamentado, que é retrocompatível com os padrões existentes da 3GPP. Ao preservar o pipeline do TR 38.901 enquanto integra a geometria determinística, o modelo permite a avaliação simultânea das funcionalidades de comunicação e sensoriamento dentro de um único ambiente de simulação. Isso permite a análise da complexa interação e das restrições mútuas entre sensoriamento e comunicação (S&C) em canais compartilhados. O framework posiciona-se como uma ferramenta fundamental para o design de futuros sistemas ISAC, suportando tarefas como decisões de nível de rede em arquiteturas de Acesso e Backhaul Integrado (IAB), classificação de alvos e reconhecimento de atividade humana, sem exigir o custo computacional proibitivo do ray-tracing completo.