AI-Empowered UAV-Assisted Backscatter Localization and ISAC for Zero-Energy IoT: A Comprehensive Survey

Resumo Técnico: Localização por Backscatter Assistida por UAV e ISAC com Suporte de IA para IoT de Zero Energia

Definição do Problema
O artigo aborda as limitações das redes de Internet das Coisas (IoT) de zero energia, onde dispositivos passivos ou quase passivos operam com base em energia colhida em vez de baterias convencionais. Embora a Comunicação por Backscatter (BackCom) permita tal operação ao modular sinais de RF incidentes, ela sofre com sinais refletidos fracos, perda de percurso dupla, cobertura limitada, interferência de link direto e dependência de fontes de RF externas. Além disso, localizar esses dispositivos passivos é desafiador devido à natureza indireta do sinal e à falta de transmissão ativa. A Integração de Sensoriamento e Comunicação (ISAC) oferece uma solução ao compartilhar recursos para transmissão de dados e sensoriamento ambiental, contudo, integrar ISAC com BackCom, Veículos Aéreos Não Tripulados (UAVs) e Inteligência Artificial (IA) cria problemas de projeto acoplados e complexos. O desafio central reside na otimização conjunta da mobilidade do UAV, reflexão de backscatter, precisão de localização, qualidade de sensoriamento e neutralidade energética sob condições de canal dinâmicas e restrições energéticas rigorosas.

Metodologia
Os autores empregam uma metodologia de revisão sistemática estruturada, informada pelo protocolo PRISMA, para realizar o levantamento da literatura. O processo envolve:

1. Estratégia de Busca: Utilização de cadeias de busca booleana em grandes bases de dados (IEEE Xplore, ACM, Scopus, etc.) combinando termos relacionados a BackCom, UAVs, IoT de zero energia, localização, ISAC e IA.
2. Critérios de Seleção: Inclusão de periódicos revisados por pares, conferências e padrões técnicos que abordem explicitamente BackCom assistida por UAV, localização passiva, B-ISAC ou otimização habilitada por IA. Estudos focados exclusivamente em UAVs de rádio ativo ou sistemas não baseados em backscatter são excluídos.
3. Desenvolvimento de Taxonomia: Uma taxonomia unificada é construída para classificar os estudos existentes em seis dimensões: arquitetura de rede, papéis do UAV, modos de backscatter, fontes de RF, funções de localização/sensoriamento e técnicas de IA.
4. Síntese Quantitativa: Um corpus curado de 48 estudos representativos é codificado manualmente para analisar tendências de publicação, distribuição de fluxos de pesquisa e lacunas de cobertura em nível de dimensão.
5. Ilustrações de Tutorial: O artigo inclui exemplos numéricos e simulações (ex: compensações de altitude de UAV, espectros de localização de AoA e padrões de feixe de arranjo) para ilustrar conceitos teóricos e tendências de desempenho usando modelos simplificados baseados em geometria e processamento de arranjos.

Principais Contribuições
O artigo apresenta as seguintes contribções específicas:

• Taxonomia Unificada: Propõe uma taxonomia abrangente que classifica a literatura emergente sobre localização por backscatter assistida por UAV e ISAC com suporte de IA, distinguindo entre arquiteturas de rede (monostática, bitástica, ambiente), papéis do UAV (emissor, coletor, âncora, plataforma de sensoriamento) e objetivos funcionais.
• Revisão Sistemática e Análise de Lacunas: Por meio de uma revisão guiada pelo PRISMA, o artigo identifica que, embora os componentes individuais (UAV-BackCom, localização, ISAC, IA) sejam bem estudados isoladamente, seu tratamento integrado permanece fragmentado. Os trabalhos existentes frequentemente otimizam o throughput ou a eficiência energética, negligenciando o sensoriamento e a localização conjunta, ou assumem dispositivos ativos em vez de etiquetas passivas de zero energia.
• Perspectiva Cross-Layer: O levantamento modela explicitamente as dependências entre variáveis da camada física (coeficientes de reflexão, canais em cascata), variáveis da camada de rede (trajetória do UAV, escalonamento) e variáveis da camada de inteligência (políticas de aprendizado). Destaca como a otimização de uma métrica (ex: taxa de comunicação) pode impactar negativamente outras (ex: energia colhida ou geometria de localização).
• Elementos de Tutorial: O artigo fornece equações fundamentais para energia colhida, canais de backscatter em cascata e funções de utilidade multiobjetivo, juntamente com ilustrações numéricas de estilo tutorial para esclarecer compensações em altitude, processamento de arranjo e formação de feixe.
• Direções Futuras e Desafios: Delimita desafios críticos em aberto, incluindo a necessidade de modelagem de canal realista (considerando o sombreamento do corpo do UAV e a orientação da etiqueta), frameworks de otimização conjunta, IA escalável e confiável, e o desenvolvimento de benchmarks reproduzíveis e plataformas de validação de hardware.

Resultados e Descobertas

• Lacunas de Cobertura: A análise quantitativa revela que, embora existam literaturas significativas sobre BackCom assistida por UAV e BackCom habilitada por IA, a integração da mobilidade de UAV com localização passiva e ISAC é subexplorada. A maioria dos estudos foca em throughput de comunicação ou eficiência energética, com avaliação conjunta limitada de precisão de sensoriamento, erro de localização e neutralidade energética.
• Compensações (Trade-offs): A revisão confirma que a altitude e a trajetória do UAV impactam significativamente a compensação entre cobertura e ganho de link. Altitudes maiores melhoram a cobertura, mas reduzem a energia colhida e a força do sinal de backscatter. Da mesma forma, aumentar o coeficiente de reflexão melhora a visibilidade de comunicação e sensoriamento, mas reduz a energia disponível para a colheita.
• Papel da IA: A IA é identificada como uma ferramenta cross-layer crucial para lidar com problemas de otimização não lineares, dinâmicos e de alta dimensão (ex: planejamento de trajetória, alocação de recursos). No entanto, o artigo observa que as soluções de IA enfrentam desafios relacionados à escassez de dados, generalização para ambientes não vistos, complexidade computacional e explicabilidade.
• Benchmarking: A pesquisa atual carece de benchmarks padronizados. A maioria dos estudos utiliza simulações customizadas, dificultando a comparação entre artigos. O artigo clama por cenários unificados que incluam métricas de comunicação, sensoriamento, localização e energia.

Significância e Alegações
O artigo afirma ser o primeiro levantamento abrangente a unificar os domínios de IA, mobilidade de UAV, BackCom, localização, ISAC e IoT de zero energia sob um único framework. Sua significância reside em:

• Ponte entre Campos Dispares: Conecta fluxos de pesquisa que tradicionalmente foram tratados separadamente, fornecendo uma visão estruturada de como essas tecnologias interagem.
• Insight Orientado ao Design: Em vez de apenas resumir artigos, oferece uma perspectiva orientada ao design sobre por que suposições e variáveis de otimização específicas importam, ajudando pesquisadores a passar da compreensão de nível de levantamento para a formulação de novos problemas de otimização.
• Roteiro para Pesquisa Futura: Ao identificar lacunas específicas em modelagem de canal realista, operação de zero energia e benchmarking reproduzível, o artigo fornece um roteiro para o desenvolvimento de infraestruturas de IoT de zero energia sustentáveis, inteligentes e conscientes de sensoriamento, alinhadas com as visões do 6G e IMT-2030.

Os autores mantêm um tom modesto, reconhecendo que a síntese quantitativa é baseada em um corpus curado em vez de um censo bibliométrico completo e que as ilustrações numéricas são de estilo tutorial, em vez de validações experimentais. O artigo posiciona-se como uma referência fundamental para guiar pesquisas futuras rumo a soluções integradas e cross-layer.