A Novel Stripe-based RIS Optimization for UAV Communications and Sensing in Low-Altitude Wireless Networks

Resumo Técnico: Uma Nova Otimização de RIS Baseada em Listras para Comunicações e Sensoriamento de UAV em Redes Sem Fio de Baixa Altitude

Definição do Problema
As redes sem fio de baixa altitude (LAWN) visam suportar operações aéreas de missão crítica ao integrar comunicação, sensoriamento e controle entre nós aéreos e terrestres. No entanto, a natureza altamente dinâmica das operações de veículos aéreos não tripulados (UAV), combinada com bloqueios de sinal e canais sem fio que flutuam rapidamente, desafia os requisitos de confiabilidade e latência desses sistemas. Embora as Superfícies Inteligentes Reconfiguráveis (RIS) ofereçam uma solução promissora para aumentar a cobertura e a confiabilidade através do controle do ambiente de propagação sem fio, as abordagens de otimização existentes frequentemente sofrem com alta complexidade computacional. Além disso, muitos métodos existentes têm dificuldade em manter o desempenho em regimes de baixa relação sinal-ruído (SNR) ou quando ocorrem erros de estimativa de fase, particularmente à medida que o número de elementos da RIS aumenta. Há uma necessidade de um framework de otimização de baixa complexidade que possa simultaneamente garantir comunicação confiável e fornecer capacidades de sensoriamento passivo (rastreamento) para UAVs móveis sem exigir espaços de busca exaustivos.

Metodologia
O artigo propõe um framework de otimização de deslocamento de fase de RIS baseado em listras projetado tanto para cenários de UAV estacionários quanto móveis. A metodologia central aproveita o gradiente de fase estrutural inerente aos elementos adjacentes da RIS na região de campo distante, em vez de otimizar cada elemento individualmente.

1. Modelo de Sistema: O sistema modela uma Estação Base (BS), uma RIS (Arranjo Planar Uniforme) e um UAV. No campo distante, o perfil de fase ideal ao longo da RIS é linear, definido por dois parâmetros: os gradientes de fase $\Delta_x$ e $\Delta_y$ ao longo dos eixos x e y.
2. Otimização Estacionária (Busca Baseada em Listras): Em vez de buscar através de $N$ fases de elementos individuais, o algoritmo busca pelo par ideal $(\Delta_x, \Delta_y)$. Isso reduz significativamente o espaço de busca. Uma busca hierárquica de dois estágios é empregada:
   • Busca Grossa (Coarse Search): Discretiza uniformemente o espaço de gradiente para encontrar uma janela local.
   • Busca Fina (Fine Search): Refina a busca dentro da janela identificada.
   • Quantização: O método suporta arquiteturas de RIS de 1 bit (deslocamentos de fase de 0 ou $\pi$), onde o perfil de fase linear se manifesta como padrões de "listras" devido ao encapsulamento de fase (phase wrapping).
3. Análise de Erro: O artigo fornece uma análise matemática da sensibilidade do sistema a erros de estimativa de fase. Demonstra que erros de gradiente estruturados (que afetam o padrão de listras) resultam em perdas de SNR significativamente menores do que erros de elementos aleatórios e não correlacionados, mesmo em sistemas quantizados de 1 bit.
4. Rastreamento de UAV Móvel: Para UAVs em movimento, o framework estende-se para o rastreamento em tempo real usando três estratégias para atualizar os gradientes de fase:
   • Rastreamento Simples: Buscas repetidas em grades finas ao redor do ótimo anterior.
   • Rastreamento Auxiliado por Kalman: Utiliza um filtro de Kalman para prever a evolução dos gradientes de fase com base na velocidade do UAV, estreitando a janela de busca.
   • Rastreamento Auxiliado por Controle de Busca de Extremo (ESC): Aplica perturbações contínuas de baixa amplitude aos gradientes para rastrear o máximo de SNR sem buscas em grade discretas, minimizando a latência.
5. Sensoriamento Passivo: Os gradientes de fase estimados são matematicamente transformados para inferir os ângulos de elevação e azimute do UAV em relação à RIS, fornecendo localização angular como um subproduto da otimização da comunicação.

Principais Contribuições

• Algoritmo de Baixa Complexidade: O artigo desenvolve um algoritmo de otimização de listras que reduz a complexidade computacional de linear ($O(N)$) para sublinear ($O(\sqrt{N})$) em relação ao número de elementos da RIS, tornando-o escalável para grandes arranjos.
• Análise de Robustez: Fornece derivações analíticas e simulações mostrando que o método proposto mantém conectividade robusta e de alta SNR mesmo sob erros de estimativa de fase e em regimes de baixa SNR, onde métodos iterativos elemento a elemento falham.
• Rastreamento e Sensoriamento Integrados: O framework é estendido para suportar UAVs móveis através de metodologias de rastreamento auxiliadas por Kalman e por ESC. Crucialmente, deriva uma transformação matemática que converte a otimização de deslocamento de fase da RIS em um mecanismo de rastreamento contínuo de UAV, permitindo a localização angular passiva sem sinais de sensoriamento dedicados.
• Validação Experimental: O estudo valida a abordagem usando um protótipo real de RIS (24 $\times$ 24 elementos) e Rádios Definidos por Software (SDRs) em um ambiente externo de campus, demonstrando viabilidade prática além das simulações teóricas.

Resultados

• Desempenho de SNR: As simulações indicam que o método baseado em listras atinge consistentemente alta SNR em várias distâncias de UAV, aproximando-se do limite teórico superior. Em contraste, métodos iterativos convencionais (ex: atualizações de 1 $\times$ 1 elemento) degradam-se rapidamente em distâncias maiores ou baixa SNR porque mudanças de fase de um único elemento tornam-se indistinguíveis do ruído.
• Eficiência Computacional: A análise de tempo de execução mostra que, enquanto os métodos iterativos escalam linearmente com o número de elementos da RIS, o método baseado em listras escala com a raiz quadrada da contagem de elementos, oferecendo economias substanciais de tempo para grandes arranjos.
• Precisão de Rastreamento: Em cenários móveis, a abordagem de rastreamento auxiliada por ESC alcançou a menor perda média de SNR (aprox. 0,31 dB) em comparação com a configuração praticamente ótima, superando tanto os rastreadores simples quanto os auxiliados por Kalman ao reduzir a latência de atualização e o desajuste (mismatch).
• Verificação Experimental: Medições externas confirmaram que o método baseado em listras produz maior potência recebida do que as bases iterativas (1 $\times$ 1 e 4 $\times$ 4) em várias distâncias do transmissor. As medições de padrões de radiação verificaram que a RIS direcionou com sucesso os sinais refletidos para o receptor.

Significância
O artigo afirma que este trabalho preenche a lacuna entre a otimização teórica de RIS e a implantação prática em LAWNs. Ao explorar o gradiente de fase estrutural da RIS, o método proposto oferece uma solução computacionalmente eficiente que é robusta a imperfeições de hardware e condições de baixa SNR. Sua capacidade de otimizar simultaneamente os links de comunicação e fornecer rastreamento passivo de UAV (localização angular) torna-o um habilitador viável para redes 3D de próxima geração, conscientes de serviços. A demonstração externa bem-sucedida com um protótipo real ressalta a viabilidade prática de implantar tais estratégias de baixa complexidade baseadas em listras em ambientes do mundo real.