DRIFT: Joint Channel Estimation and Prediction Towards Pilotless 6G Non-Terrestrial Networks

Resumo Técnico: DRIFT – Estimação e Predição Conjunta de Canal para Redes Não Terrestres 6G Sem Pilotos

Definição do Problema
As redes não terrestres (NTN), particularmente aquelas que utilizam satélites de Órbita Terrestre Baixa (LEO), são críticas para alcançar a conectividade ubíqua em sistemas de sexta geração (6G). No entanto, a dinâmica das LEO introduz deslocamentos Doppler e atrasos fortes e variantes no tempo. Para combater o "envelhecimento do canal" (channel aging), a predição do canal é essencial para melhorar a utilização do espectro ao reduzir o overhead de pilotos. Embora a inteligência artificial (IA) tenha sido proposta para esta tarefa, as soluções existentes frequentemente dependem de arquiteturas complexas (ex: Transformers com >100M FLOPs), que são inadequadas para implementação em bordo de satélites devido às estritas restrições de potência e computação. Além disso, muitos estudos priorizam a precisão da predição (medida por NMSE) em detrimento de métricas de ponta a ponta, como a eficiência espectral (SE) efetiva, e raramente avaliam o desempenho sob desajustes entre treinamento e teste.

Metodologia
O artigo propõe um framework iterativo de estimação e predição conjunta de canal projetado para o uplink de NTNs 6G. A inovação central é a arquitetura DRIFT (Data-driven Refinement and Iterative Forecast for wireless channel Tracking).

• Estrutura do Sistema: O sistema opera sobre uma sequência de $N_{slot}$ intervalos de tempo (slots). Pilotos são transmitidos apenas no primeiro slot ($t=1$) para inicializar o processo. Para os slots subsequentes ($t \geq 2$), o sistema opera em modo sem pilotos, dependendo inteiramente do processamento baseado em dados.
• Loop Iterativo:
  1. Inicialização: No slot 1, uma estimativa padrão de Mínimos Quadrados (LS) auxiliada por pilotos (PA) é computada e utilizada para equalização.
  2. Estimação Auxiliada por Dados (DA): Para os slots subsequentes, os símbolos recebidos são equalizados utilizando o canal predito da iteração anterior. Decisões rígidas (hard decisions) são feitas nos símbolos equalizados para reconstruir os dados transmitidos. Estes símbolos reconstruídos servem como "verdade fundamental" (ground truth) para uma nova etapa de estimação de canal DA.
  3. Processamento DRIFT: A estimativa DA é alimentada no modelo DRIFT, que realiza duas funções:
     • Refinamento de Canal: Um bloco leve corrige erros introduzidos por demapeamento impreciso na estimativa DA, produzindo uma estimativa refinada ($\hat{H}^{(E')}_t$).
     • Predição de Canal: A estimativa refinada é usada para prever a Resposta de Frequência do Canal (CFR) para o próximo slot ($\hat{H}^{(P)}_{t+1}$).
  4. Arquitetura DRIFT: O modelo é projetado para baixa complexidade e opera em tensores 3D (partes real/imaginária da CFR). Ele consiste em:
     • Bloco de Refinamento: Utiliza uma convolução temporal causal (CConv1D), ativação, normalização por lote (batch normalization) e uma convolução espectral (Conv1D). Emprega um esquema de ponderação dinâmica que enfatiza atualizações em intervalos de tempo posteriores e menos confiáveis.
     • Bloco de Predição: Duas variantes são investigadas:
       1. Híbrido CNN-LSTM: Utiliza Conv2D/TConv2D para compressão/reconstrução e uma camada LSTM para predição temporal.
       2. Rede de Convolução Temporal (TCN): Utiliza camadas Conv1D dilatadas de alimentação direta (feed-forward) com conexões residuais, evitando estruturas recorrentes.
• Estratégia de Treinamento: Os modelos são treinados usando uma abordagem de aprendizado por currículo (curriculum learning), onde a função de perda inicialmente prioriza o refinamento do canal e gradualmente muda o foco para a predição. O treinamento utiliza dados sintéticos baseados em modelos de desvanecimento NTN-TDL.

Principais Contribuições

1. Framework Iterativo: Introdução de um framework sem pilotos onde a estimativa auxiliada por pilotos é substituída por um ciclo de estimação auxiliada por dados, refinamento e predição.
2. Modelo DRIFT: Uma arquitetura leve que refina conjuntamente as estimativas de canal auxiliadas por dados e prediz futuros CFRs com custo computacional mínimo.
3. Avaliação de Ponta a Ponta: Avaliação do sistema baseada na Eficiência Espectral (SE) efetiva, em vez de apenas NMSE, contabilizando explicitamente a propagação de erro e desajustes entre treinamento e teste (ex: treinar com 16-QAM, testar com QPSK).
4. Análise de Complexidade: Demonstração de que os modelos propostos requerem menos de 200k operações de multiplicação-acumulação (MAC), tornando-os viáveis para cargas úteis de satélites.

Resultos
Simulações foram conduzidas em um ambiente MATLAB de ponta a ponta para um cenário LEO de uplink (altitude de 600 km, portadora de 2 GHz).

• Eficiência Espectral: O modelo DRIFT baseado em TCN alcançou um ganho de ~12% em SE comparado aos sistemas convencionais baseados em pilotos quando utilizando $N_{slot}=4$ (um slot de piloto, três slots sem pilotos). A variante Híbrida CNN-LSTM mostrou ganhos, mas foi limitada pela propagação de erro após $N_{slot}=3$.
• Robustez: O sistema manteve desempenho consistente através de diferentes modelos de canal (NTN-TDL-C e NTN-TDL-D) sem necessidade de retreinamento. Também demonstrou robustez a desajustes entre os dados de treinamento (16-QAM) e teste (QPSK).
• Precisão: A etapa de refinamento de canal conseguiu reduzir o NMSE de estimativa para abaixo de -19 dB para os três primeiros slots. A propagação de erro tornou-se significativa apenas após o quarto slot.
• Complexidade Computacional: A complexidade total de inferência foi calculada em 154k MACs (Híbrido CNN-LSTM) e 171k MACs (TCN). A etapa de refinamento responde por apenas ~10% da complexidade total. Os autores estimam latências de inferência de aproximadamente 1,0–1,1 ms por slot usando aceleradores de hardware de baixa potência.

Significância e Alegações
O artigo afirma que o DRIFT aborda o equilíbrio crítico entre precisão de predição e viabilidade computacional para 6G NTNs. Ao reduzir significativamente o overhead de pilotos enquanto mantém um desempenho robusto sob estritas restrições de potência, a abordagem permite ganhos substanciais de eficiência espectral. Os autores enfatizam que a baixa contagem de MACs (abaixo de 200k) torna a solução adequada para implementação em tempo real em bordo de satélites, uma capacidade frequentemente ausente em preditores de IA de alta complexidade projetados para redes terrestres. O trabalho conclui que, embora a propagação de erro permaneça um desafio para sequências sem pilotos mais longas, o framework proposto oferece um caminho viável para comunicações sem pilotos em ambientes espaciais de recursos restritos. O trabalho futuro identifica a avaliação da latência de hardware real e a redução adicional da propagação de erro.