Sensing-Assisted Predictive Beamforming for UAV-Enabled Ocean Monitoring Networks

Resumo Técnico: Beamforming Preditivo Assistido por Sensoriamento para Redes de Monitoramento Oceânico Habilitadas por UAV

Definição do Problema
As redes de monitoramento oceânico dependem de boias de superfície para coletar dados ambientais, mas essas boias enfrentam desafios significativos na transmissão de dados devido à sua mobilidade e à falta de infraestrutura de backhaul estável. Veículos Aéreos Não Tripulados (UAVs) oferecem uma solução flexível para a coleta de dados via links de linha de visada (LoS). No entanto, o movimento contínuo das boias induzido por ondas do mar e correntes causa variações rápidas na amplitude e nos ângulos relativos. Essa mobilidade é particularmente prejudicial quando os UAVs utilizam grandes arranjos de antenas e feixes altamente direcionais, pois mesmo pequenos desajustes de apontamento levam a perdas severas de ganho de beamforming e interrupções de link. Além disso, o clutter (ruído de eco) do mar degrada a precisão dos ecos de sensoriamento, complicando a aquisição de informações sobre o estado da boia. Trabalhos existentes assumem frequentemente nós de superfície estáticos ou utilizam modelos de movimento (por exemplo, velocidade constante) que falham em capturar as oscilações induzidas pelas ondas e a deriva induzida por correntes características das boias oceânicas. Consequentemente, há uma carência de um framework unificado que aborde conjuntamente a dinâmica de boias impulsionada por ondas, o clutter residual do mar e o alinhamento de feixe preditivo para a coleta de dados marítimos habilitada por UAV.

Metodologia
O artigo propõe um framework de beamforming preditivo assistido por sensoriamento integrado a um fluxo de missão de UAV baseado em quadros. A metodologia central envolve os seguintes componentes:

1. Modelo de Sistema e Fluxo de Trabalho: A missão é dividida em quadros de rádio. Dentro de cada bloco de operação (dois quadros consecutivos), o UAV transmite sinais de Sensoriamento e Comunicação Integrados (ISAC). Esses sinais servem a um duplo propósito: adquirir ecos das boias para estimativa de estado e suportar a subsequente comunicação de uplink. O fluxo de trabalho envolve a predição dos estados das boias do quadro anterior, a transmissão de sinais ISAC, o refinamento das estimativas de estado recebidas via Filtro de Kalman Estendido (EKF) e a geração de predições de feixe proativas para o próximo quadro.
2. Modelagem de Movimento Baseada em Física: Para caracterizar o movimento de curto horizonte das boias, os autores desenvolvem um modelo de espaço de estados de aceleração correlacionada. Este modelo combina um processo de Singer para representar a excitação induzida pelas ondas (modelada como um processo de Markov Gaussiano de primeira ordem) com um termo de deriva de corrente de variação lenta. O tempo de correlação de Singer é explicitamente vinculado à escala de tempo da onda dominante, tornando o modelo adequado para ambientes marítimos.
3. Sensoriamento Consciente de Clutter e Derivação de PCRB: O modelo de sinal considera explicitamente o clutter residual do mar, que é modelado como um termo de interferência de baixa potência que compartilha o bin de Doppler do alvo após a supressão. Os autores derivam a Matriz de Informação de Fisher (FIM) posterior e o correspondente Limite de Cramér-Rao Posterior (PCRB) para o modelo de medição não linear. O PCRB de posição horizontal predita é adotado como a métrica de sensoriamento para quantificar o impacto da dinâmica da superfície do mar e do clutter no alinhamento preditivo do feixe.
4. Formulação de Otimização: Um problema de design de "pior boia" é formulado para otimizar conjuntamente a alocação de potência de sensoriamento e a posição do UAV. O objetivo é minimizar o PCRB máximo entre todas as boias (maximizando a precisão de sensoriamento do pior caso) enquanto satisfaz as restrições de taxa de uplink, potência do UAV e mobilidade.
5. Solução Algorítmica: O problema de otimização resultante é não convexo devido ao acoplamento de variáveis na FIM. Os autores empregam uma reformulação de complemento de Schur para lidar com o objetivo de PCRB e uma estratégia de "aproximação sucessiva convexa com atraso" (lagged SCA). Nesta abordagem, termos matriciais complexos na FIM são atualizados de maneira atrasada (usando valores da iteração anterior), enquanto pesos escalares são convexificados via expansão de Taylor de primeira ordem. Isso converte o subproblema em um programa cônico convexo com complexidade tratável.

Principais Contribuições
O artigo reivindica as seguintes contribuições:

• Desenvolvimento de Framework: Estabelecimento de um framework de beamforming preditivo assistido por sensoriamento e consciente de clutter que integra estritamente o sensoriamento do alvo, o refinamento de estado baseado em EKF, a predição de feixe proativa e a coleta de uplink sob a dinâmica da superfície do mar.
• Modelagem de Movimento: Desenvolvimento de um modelo de movimento de boia tratável que captura conjuntamente as oscilações induzidas por ondas e a deriva induzida por correntes, vinculando o tempo de correlação de Singer à escala de tempo da onda dominante.
• Análise Teórica: Derivação da FIM posterior e do PCRB para o modelo de sensoriamento não linear na presença de clutter residual do mar, fornecendo uma métrica fundamentada para o design de alinhamento de feixe preditivo.
• Algoritmo de Otimização: Formulação de um problema de design conjunto de posição do UAV e potência de sensoriamento e sua solução via um algoritmo de SCA com atraso, que converte o problema em um programa cônico convexo com complexidade que escala linearmente com o número de boias nas variáveis de decisão e cubicamente com o tamanho total do problema.
• Validação de Desempenho: Demonstração através de extensas simulações de que o esquema proposto mantém um desempenho robusto sob implantações de boias mais densas, condições marítimas mais severas e níveis de ruído mais altos, superando vários designs de referência.

Resultados de Simulação
Os resultados numéricos indicam que o design proposto alcança o desempenho mais equilibrado de sensoriamento-comunicação entre os benchmarks considerados.

• Robustez: O esquema permanece eficaz conforme a densidade de boias aumenta, o ruído de processo/medição se intensifica e as condições do mar se tornam mais severas (índices de estado do mar mais altos).
• Necessidade de Sensoriamento: Uma comparação com um benchmark de "Apenas Comunicação" (que depende da propagação de estado em malha aberta sem atualizações de sensoriamento) revela uma degradação pronunciada no Erro Quadrático Médio (RMSE). Isso confirma que o refinamento de estado assistido por sensoriamento é essencial para o beamforming de feixe preditivo preciso em ambientes marítimos dinâmicos.
• Complexidade vs. Desempenho: Quando comparado a um método de "Expansão de Taylor de Primeira Ordem Completa" (Full-FOTE), a abordagem proposta de SCA com atraso incorre em apenas uma perda de desempenho moderada (por exemplo, uma leve redução na taxa de uplink), mas oferece uma carga computacional significativamente menor. Especificamente, o método Full-FOTE requer substancialmente mais tempo de otimização conforme o número de boias aumenta, destacando a vantagem prática do método proposto para implantação online.

Significância e Alegações
O artigo afirma que sua principal significância reside em preencher a lacuna entre a modelagem de radar marítimo (clutter e dinâmica de ondas) e o gerenciamento de feixe de comunicação. Ao modelar explicitamente a física do movimento da boia e o clutter do mar, o framework proposto permite uma comunicação UAV-boia robusta onde modelos estáticos ou cinemáticos simples falham. Os autores afirmam que sua abordagem fornece um equilíbrio prático entre desempenho e complexidade computacional, tornando-a adequada para implantação online em tempo real em redes de monitoramento offshore. O trabalho enfatiza que, sem o refinamento assistido por sensoriamento, o beamforming preditivo em tais ambientes dinâmicos é pouco confiável, e que a estratégia de SCA com atraso proposta oferece um caminho computacionalmente eficiente para alcançar conectividade robusta. Nota-se que o trabalho futuro estenderá este design centralizado de um único UAV para cenários cooperativos de múltiplos UAVs.