Gamma-Distributed Geometric Constellation for ISAC: Design and Analysis

Resumo Técnico: Design de Constelação Geométrica com Distribuição Gamma para ISAC

Este artigo propõe uma nova abordagem para o design de constelações de modulação no contexto de Sistemas Integrados de Sensoriamento e Comunicação (ISAC). O objetivo central é encontrar um equilíbrio (trade-off) entre a eficiência de transmissão de dados (comunicação) e a precisão da estimativa de parâmetros de radar (sensoriamento).

1. O Problema

Em sistemas ISAC, existe um conflito inerente entre os requisitos de comunicação e sensoriamento:

• Comunicação: Beneficia-se de constelações que maximizam a distância mínima entre pontos (como o QAM), promovendo uma distribuição uniforme para minimizar a taxa de erro de símbolo (SER).
• Sensoriamento (Radar): Beneficia-se de características determinísticas, preferencialmente constelações com amplitude constante (como o PSK), que facilitam a detecção de alvos e a estimativa de parâmetros.
• Limitações Atuais: Métodos baseados em Redes Neurais (NN) exigem grandes conjuntos de dados e alto custo computacional, enquanto o Probabilistic Constellation Shaping (PCS) aumenta a complexidade do transceptor.

2. Metodologia Proposta

Os autores introduzem um framework de Design de Constelação Geométrica (GCS) baseado em uma função de densidade de probabilidade (PDF) bidimensional parametrizada:

• Modelagem: Os pontos da constelação são amostrados de uma distribuição onde a fase é uniforme $[0, 2\pi)$ e a amplitude segue uma distribuição Gamma, definida pelos parâmetros de forma ($\alpha$) e escala ($\beta$).
• Otimização: Em vez de treinar redes neurais, o problema é resolvido via Otimização por Enxame de Partículas (PSO). O objetivo é maximizar uma função de custo ponderada:
  $$F = \omega_d \bar{P}_d + (1 - \omega_d) \bar{R}$$
  Onde $\bar{P}_d$ é a probabilidade média de detecção (radar) e $\bar{R}$ é a informação mútua normalizada (comunicação).
• Regularização: Para evitar pontos excessivamente agrupados, utiliza-se um termo de regularização que incentiva a separação espacial entre os pontos.

3. Principais Contribuições

• Framework Parametrizado: Redução drástica da dimensionalidade do problema de design ao utilizar apenas dois parâmetros ($\alpha, \beta$) para governar a geometria da constelação.
• Métricas de Tarefa Final: O design é guiado diretamente por métricas de desempenho real (probabilidade de detecção e informação mútua), em vez de funções de perda substitutas (surrogate losses).
• Limites Analíticos: O artigo deriva limites teóricos fundamentais:
  • Union Bound para SER: Uma aproximação precisa da taxa de erro de símbolo usando uma mistura de distribuições Gamma.
  • Cramér-Rao Bound (CRB): Um limite analítico para a estimativa do coeficiente de reflexão do canal de radar, demonstrando que o desempenho do sensoriamento depende criticamente do parâmetro de forma $\alpha$.

4. Resultados

Os resultados numéricos demonstram que o método proposto é altamente versátil:

• Cenário focado em Radar: Otimiza para $\alpha$ alto, resultando em constelações do tipo PSK (anéis de amplitude constante).
• Cenário de Trade-off: Gera constelações de múltiplos anéis (multi-ring), equilibrando as duas funções.
• Cenário focado em Comunicação: Otimiza para $\alpha$ baixo, aproximando-se de estruturas tipo QAM para maximizar a distância entre pontos.
• Comparação com Redes Neurais: O método proposto apresenta desempenho comparável ao design baseado em redes neurais (end-to-end NN), mas com significativamente menos parâmetros, sem necessidade de dados de treinamento e com maior interpretabilidade.

5. Significância

Este trabalho é significativo para o desenvolvimento de sistemas 6G, pois oferece uma solução de design de forma de onda que é:

1. Eficiente em termos de hardware: Mais compatível com arquiteturas convencionais do que métodos probabilísticos complexos.
2. Teoricamente fundamentada: Fornece previsibilidade através de limites analíticos (SER e CRB).
3. Prática: Resolve o dilema entre comunicação e radar de maneira elegante e computacionalmente leve, permitindo a adaptação dinâmica do sistema conforme a prioridade da aplicação (ex: condução autônoma vs. transmissão de dados de alta velocidade).