Come può l'IA rendere più veloce l'accesso ai satelliti LEO?

I satelliti in orbita bassa (LEO) stanno rivoluzionando internet, IoT e servizi diretti ai dispositivi. Però, far parlare tutti i dispositivi con il satellite è difficile: i segnali impiegano molto tempo a viaggiare, il Doppler è forte e molti utenti tentano di connettersi contemporaneamente. I metodi tradizionali di "random access", cioè l'accesso casuale al canale, faticano a gestire queste sfide, provocando ritardi e collisioni di segnali.

Un team di ricercatori ha proposto una soluzione basata sul deep learning. Hanno creato un classificatore che, usando le informazioni di più antenne, individua subito se più dispositivi hanno inviato lo stesso preambolo (il segnale di avvio). Il modello, una piccola rete neurale 1D, stima quanti utenti sono in collisione già nella fase iniziale.

Con questa stima, il sistema attiva una trasmissione opportunistica: regola la probabilità che ogni dispositivo riprovi, ottimizzando l'uso delle risorse e riducendo i tempi di attesa. I test in simulazioni conformi allo standard 3GPP per LEO mostrano che il nuovo approccio aumenta la probabilità di successo di accesso, diminuisce il ritardo, sfrutta meglio il canale uplink condiviso e richiede meno calcoli rispetto ai metodi esistenti.

In pratica, l'intelligenza artificiale diventa il “cervello” che decide quando e come far parlare i dispositivi con il satellite, rendendo la connessione più rapida e affidabile per tutti.

Il framework proposto sfrutta le proprietà di correlazione spaziale tra le antenne di ricezione per estrarre feature discriminanti dal segnale preamble. In pratica, il segnale ricevuto da ciascuna antenna è rappresentato come una sequenza temporale; la correlazione incrociata tra queste sequenze evidenzia pattern tipici di collisione multipla. Queste feature sono poi alimentate a una rete neurale convoluzionale 1‑D (CNN) con pochi strati e kernel di dimensione ridotta, garantendo un basso overhead computazionale adatto a hardware a bordo satellite.

La CNN è addestrata su dataset sintetici generati con parametri 3GPP per LEO, includendo variazioni di ritardo di propagazione (da 2 a 30 ms), shift Doppler (fino a ±40 kHz) e numero di utenti simultanei (1‑100). L'output è una stima discreta del numero di utenti in collisione, che alimenta un algoritmo di scheduling opportunistico basato su una funzione di utilità log‑lineare: \(U(p)=\log(1+\alpha p)\), dove \(p\) è la probabilità di trasmissione e \(\alpha\) un fattore di aggressività.

Il bilanciamento tra \(p\) e l'utilizzo delle risorse è ottimizzato mediante un algoritmo di gradient descent a bassa complessità, eseguito in tempo reale. I risultati mostrano un incremento del 15‑20% nella probabilità di accesso riuscito rispetto a schemi di back‑off tradizionali, e una riduzione del ritardo medio di 30 ms. Inoltre, il consumo energetico del processore a bordo diminuisce del 25% grazie al modello CNN leggero, rendendo la soluzione scalabile per costellazioni di grandi dimensioni.