Cooperative OFDM-ISAC Networks: Performance Analysis and Resource Allocation

1. Formulação do Problema

O artigo aborda os desafios nas redes Cooperativas de Sensoriamento e Comunicação Integrados (ISAC) baseadas em Multiplexação por Divisão de Frequência Ortogonal (OFDM). Especificamente, ele enfrenta dois problemas intimamente acoplados em uma rede com múltiplas Estações Rádio-Base (BS):

1. Alocação de Recursos no Lado do Transmissor: Como agendar recursos tempo-frequência (Elementos de Recursos ou REs) e alocar potência de transmissão entre múltiplas BSs para suportar simultaneamente comunicação de alta vazão e sensoriamento de alta precisão, gerenciando a interferência entre BSs.
2. Caracterização de Desempenho no Lado do Receptor: Como diferentes arquiteturas de fusão impactam a precisão do sensoriamento. O artigo compara:
   • Fusão no Nível de Sinal (SLF): Ecos brutos são encaminhados para um centro de fusão central (alta sobrecarga, alta retenção de informação).
   • Fusão no Nível de Parâmetros (PLF): Apenas estimativas locais de atraso/Doppler e suas incertezas são encaminhadas (baixa sobrecarga, perda potencial de informação).

O desafio central é que esquemas ortogonais 1D convencionais (por exemplo, blocos de Divisão de Tempo ou Divisão de Frequência) sofrem de um compromisso entre resolução e ambiguidade (por exemplo, perda de largura de banda efetiva ou intervalo de processamento coerente). O artigo busca um quadro unificado para analisar essas arquiteturas de fusão e projetar uma estratégia de alocação de recursos 2D fina e ótima.

2. Metodologia

A. Modelo do Sistema

• Rede: $P$ BSs transmissoras e $Q$ BSs receptoras servem cooperativamente $K$ usuários e sensoriam um alvo em movimento.
• Coordenação: O artigo impõe ortogonalidade ao nível de RE em toda a rede, significando que cada RE é atribuído a, no máximo, uma BS para sensoriamento ou comunicação. Isso suprime interferência e simplifica o processamento multirradar.
• Modelo de Sinal: O sistema utiliza uma estrutura de quadro OFDM comum. O eco recebido em cada BS-Rx é modelado como uma soma de sinais atrasados e com deslocamento Doppler de todas as BSs-Tx, mais ruído.

B. Análise de Desempenho (SLF vs. PLF)

Os autores derivam limites de desempenho para quantificar os compromissos entre arquiteturas de fusão:

1. Fusão no Nível de Sinal (SLF):
   • Deriva o Limite de Cramér–Rao (CRB) para estimativa conjunta de posição e velocidade do alvo baseada em observações brutas no domínio da frequência.
   • Utiliza a Matriz de Informação de Fisher (FIM) e o complemento de Schur para eliminar parâmetros de incômodo (coeficientes de reflexão), resultando em uma métrica CRB centralizada.
2. Fusão no Nível de Parâmetros (PLF):
   • Desenvolve uma Métrica Tipo-CRB de Duas Etapas (TS-CRB).
   • Etapa 1 (Local): Caracteriza a incerteza da extração local de atraso/Doppler. Dois modos são considerados:
     • Prático: Extração baseada em FFT (perdida devido à discretização da grade).
     • Oráculo: Extração por Máxima Verossimilhança (ML) de parâmetros contínuos (assintoticamente sem perdas).
   • Etapa 2 (Fusão): Propaga incertezas locais através de fusão geométrica usando Mínimos Quadrados Ponderados (WLS).
   • Descoberta Chave: O artigo prova que apenas uma "PLF baseada em ML Oráculo" (usando parâmetros contínuos e covariância exata) pode assintoticamente aproximar o CRB da SLF sob condições restritivas. A PLF prática baseada em FFT incorre em perda de informação inerente devido à quantização da grade.

C. Projeto de Alocação de Recursos

• Objetivo: Minimizar o CRB da SLF (erro de estimativa de posição e velocidade).
• Restrições:
  • Exclusividade de RE em toda a rede (ortogonalidade).
  • Orçamentos de potência por BS.
  • Vazão soma mínima de comunicação.
  • Restrição de Amplitude de Lóbulo Lateral: Uma restrição inovadora para supressão de picos de ambiguidade fora do pico na função de ambiguidade atraso-Doppler, prevenindo falsos alarmes.
• Algoritmo:
  • O problema é não convexo devido à seleção binária de REs e ao objetivo inverso do CRB.
  • Reformulação por Complemento de Schur: Transforma o objetivo de CRB inverso em uma restrição de Desigualdade Matricial Linear (LMI).
  • Otimização Alternada Baseada em Penalidade:
    • Relaxa restrições binárias para variáveis contínuas.
    • Utiliza uma função de penalidade côncava para incentivar soluções binárias.
    • Aplica Majorização-Minimização (MM) para lidar com o termo de penalidade não convexo.
    • Alterna entre otimização de alocação de potência e seleção de RE até a convergência.

3. Principais Contribuições

1. Coordenação Ortogonal 2D de Alta Granularidade: Propõe um padrão de alocação de recursos 2D não periódico que evita os compromissos de resolução-ambiguidade de esquemas 1D convencionais (TDB, FDB, TDI, FDI) preservando tanto a largura de banda efetiva quanto o intervalo de processamento coerente.
2. Quadro Unificado de Desempenho: Estabelece uma comparação rigorosa entre SLF e PLF. Clarifica que o desempenho da PLF depende altamente do método de extração local (FFT vs. ML) e do peso de fusão, e que a PLF prática frequentemente sofre lacunas significativas em comparação com a SLF, especialmente em geometrias assimétricas.
3. Algoritmo de Otimização Conjunta: Desenvolve um algoritmo eficiente para seleção conjunta de REs e alocação de potência que otimiza simultaneamente a precisão do sensoriamento (via CRB), a vazão de comunicação e a supressão de ambiguidade (via restrições de lóbulo lateral).
4. Insights Dependentes de Geometria: Revela que a lacuna de desempenho entre SLF e PLF é fortemente dependente da geometria; a PLF performa bem em implantações equilibradas, mas degrada-se significativamente em regiões assimétricas onde erros de estimativa local são amplificados por condicionamento geométrico pobre.

4. Resultados de Simulação

• Precisão de Sensoriamento: A alocação 2D proposta supera significativamente as bases TDB, FDB e alocação aleatória tanto no RMSE de posição quanto de velocidade, correspondendo estreitamente ao CRB teórico.
• Lacuna SLF vs. PLF:
  • A PLF prática (baseada em FFT) mostra uma perda de desempenho notável em comparação com a SLF, principalmente devido a efeitos de grade de resolução finita.
  • A lacuna alarga-se em alta SNR (onde o desajuste da grade domina) e em implantações assimétricas.
  • A PLF baseada em ML Oráculo pode assintoticamente igualar o desempenho da SLF.
• Compromisso Sensoriamento-Comunicação: O esquema proposto mantém limites de sensoriamento baixos mesmo à medida que os requisitos de taxa de comunicação aumentam, enquanto as bases 1D degradam-se rapidamente.
• Controle de Ambiguidade: A restrição de amplitude de lóbulo lateral suprime efetivamente cristas de ambiguidade fora do pico sem sacrificar significativamente a nitidez do lóbulo principal (CRB local), aumentando a robustez contra falsos alarmes.

5. Significado

Este artigo fornece uma base teórica e prática crítica para redes ISAC 6G de próxima geração.

• Teórico: Preenche a lacuna entre processamento de sinal bruto e fusão de parâmetros comprimidos, oferecendo uma caracterização matemática clara do "custo" da compressão de fronthaul no sensoriamento cooperativo.
• Prático: O algoritmo de alocação de recursos proposto oferece um roteiro para operadores de rede agendarem dinamicamente recursos em ambientes de múltiplas BSs, equilibrando as demandas competitivas de dados de alta velocidade e percepção ambiental precisa.
• Insight de Projeto: Destaca que, embora a PLF seja atraente para escalabilidade, os projetistas de sistemas devem levar em conta cuidadosamente a fidelidade da extração local e a geometria da rede para evitar degradação significativa no desempenho de sensoriamento. A inclusão de restrições de lóbulo lateral de ambiguidade garante que o sistema permaneça robusto em ambientes reais e com clutter.