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

Resumo Técnico: ISAC Habilitado por Antenas Móveis em Redes de UAVs de Baixa Altitude

Declaração do Problema
Este artigo aborda a otimização de um sistema integrado de sensoriamento e comunicação (ISAC) assistido por múltiplos Veículos Aéreos Não Tripulados (UAVs) operando em espaço aéreo de baixa altitude. O sistema emprega UAVs equipados com arrays de Antenas Móveis (MA) para atender usuários terrestres com mobilidade dinâmica, enquanto realiza simultaneamente tarefas de sensoriamento por radar. O desafio central reside na natureza de alta dimensão e não convexa da otimização conjunta de trajetórias de UAVs, associação de usuários, formação de feixe, posicionamento de antenas e alocação de potência. Essas variáveis estão fortemente acopladas e operam em um ambiente dinâmico caracterizado por transições de estado desconhecidas devido à mobilidade dos usuários. Além disso, arrays tradicionais de antenas de posição fixa (FA) são inadequados para cenários tão dinâmicos, frequentemente levando a desalinhamento de feixes e utilização espacial subótima. A otimização é restrita pelas dinâmicas de voo do UAV (velocidade, evitar colisões, limites de altitude), orçamentos de potência de transmissão, limites mecânicos do movimento da antena e um requisito mínimo de Razão Sinal-Interferência-Ruído (SINR) de sensoriamento.

Metodologia
Para enfrentar a complexidade do problema de otimização formulado, os autores decompõem-no em duas etapas sequenciais:

1. Associação de Usuários via HDBSCAN:
   A primeira etapa aborda o problema de associação ar-terra. Em vez de depender de métricas de distância simples que flutuam rapidamente com o movimento do UAV, os autores empregam o algoritmo de Agrupamento Espacial Hierárquico Baseado em Densidade para Aplicações com Ruído (HDBSCAN). Os usuários terrestres são agrupados periodicamente com base em sua distribuição espacial. Os UAVs são então atribuídos a esses clusters (usando o algoritmo húngaro ou atribuição por vizinho mais próximo). Esta estratégia garante que os usuários associados a um UAV específico compartilhem características espaciais semelhantes, estabilizando a associação e facilitando ajustes eficientes no array de MA.

2. Otimização Conjunta via Soft Actor-Critic (SAC):
   A segunda etapa utiliza uma abordagem de Aprendizado por Reforço Profundo (DRL), especificamente o algoritmo Soft Actor-Critic (SAC), para resolver a otimização conjunta de trajetórias de UAVs, posições de antenas, vetores de formação de feixe e alocação de potência.

   • Formulação MDP: O problema é modelado como um Processo de Decisão de Markov (MDP). O espaço de estados inclui informações de canal, localizações de UAVs e usuários, e implantações atuais de antenas. O espaço de ações abrange o projeto de formação de feixe, velocidade/direção de voo, deslocamento de antena e razões de alocação de potência.
   • Função de Recompensa: A recompensa é definida como a taxa de soma total de comunicação, penalizada por violar limiares de SINR de sensoriamento, restrições de evitação de colisões e limites de velocidade.
   • Escolha do Algoritmo: O SAC é selecionado por sua natureza off-policy, eficiência de amostragem e capacidade de equilibrar exploração e exploração através da regularização de entropia, o que é crucial para navegar no espaço de ações contínuas de alta dimensão e evitar ótimos locais.

Principais Contribuições
O artigo delineia três contribuições primárias:

1. Arquitetura do Sistema: A integração de arrays de MA em um sistema ISAC multi-UAV de baixa altitude. Diferentemente das implantações tradicionais de antenas fixas, esta arquitetura explora os graus de liberdade espaciais dos arrays de MA para se adaptar dinamicamente aos requisitos duplos de comunicação e sensoriamento. Os autores otimizam conjuntamente a implantação de MA, formação de feixe, associação de usuários e trajetórias de UAV sob restrições estritas de sensoriamento e voo.
2. Framework de Otimização em Duas Etapas: Uma solução inovadora combinando HDBSCAN e SAC. O HDBSCAN é utilizado para agrupamento dinâmico de usuários para otimizar a associação ar-terra, garantindo consistência espacial para ajustes subsequentes de MA. O SAC é então aplicado para resolver a complexa otimização conjunta de trajetória, configuração de antena e alocação de recursos.
3. Validação Experimental: O framework proposto é validado experimentalmente através de simulações. Os resultados demonstram que o sistema habilitado por MA supera significativamente os sistemas tradicionais de antenas fixas em termos de taxa total de comunicação, atendendo confiavelmente às restrições de SINR de sensoriamento. O estudo também quantifica os ganhos de desempenho específicos contribuídos pelo array de MA e pelo mecanismo de agrupamento.

Resultados
Simulações numéricas foram conduzidas em uma área de 500m x 500m com 3 UAVs, 9 usuários de comunicação e 3 alvos de sensoriamento. As principais descobertas incluem:

• Ganho de Desempenho: O esquema proposto (MA + HDBSCAN + SAC) alcançou a maior taxa total de comunicação comparado a quatro esquemas de base, incluindo aqueles que utilizam Antenas Fixas (FA) ou carecem do mecanismo de agrupamento.
• Papel do Agrupamento: A associação baseada em HDBSCAN melhorou a eficiência da exploração em estágios iniciais e o desempenho geral, reduzindo a pressão de exploração sobre o agente e estabilizando os links usuário-UAV.
• MA vs. FA: Sistemas com arrays de MA consistentemente superaram aqueles com arrays de FA. No entanto, a vantagem de desempenho do MA diminuiu ligeiramente à medida que o número de antenas aumentou, atribuído a restrições de carga do UAV e ao aumento da dimensionalidade da ação.
• Comparação de Algoritmos: O algoritmo SAC demonstrou desempenho superior ao DDPG, PPO e CMA-ES. Ele alcançou recompensas cumulativas mais altas, convergência mais rápida (estratégia efetiva após ~130 épocas) e maior estabilidade de treinamento.
• Escalabilidade e Sensibilidade: O sistema manteve a estabilidade mesmo com o aumento do número de usuários, embora a taxa por usuário tenha diminuído devido ao compartilhamento de recursos. O aumento dos limiares de SINR de sensoriamento reduziu naturalmente o desempenho de comunicação, pois mais recursos foram desviados para o sensoriamento.

Significância
O artigo afirma que seu trabalho preenche uma lacuna na pesquisa existente, que predominantemente foca em arrays de antenas fixas ou cenários de UAV único. Ao integrar arrays de MA em um framework ISAC multi-UAV e propor uma estratégia específica de otimização em duas etapas, o estudo demonstra que a tecnologia de MA pode melhorar significativamente a flexibilidade e o desempenho do sistema em ambientes dinâmicos de baixa altitude. O trabalho valida que a otimização das posições das antenas em conjunto com as trajetórias dos UAVs e a formação de feixe permite uma melhor utilização da diversidade espacial, levando a taxas de comunicação aprimoradas sem comprometer a confiabilidade do sensoriamento. O método proposto oferece uma abordagem prática para lidar com a tomada de decisão complexa e acoplada necessária nas redes ISAC de próxima geração 6G.