Mempelajari Skyline LoS dari Pengamatan Satelit LEO untuk Handover Proaktif

Pendekatan klasifikasi biner tanpa peta untuk merekonstruksi skyline penghalang lokal dan memprediksi penghentian line-of-sight pada jaringan non-terestrial

Marius Corici; Manar Zaboub; Fabian Eichhorn; Hauke Buhr· 2026· DOI 10.48550/arXiv.2608.00125

Masalah inti

Dalam penerapan jaringan non-terestrial (NTN), penghalang lokal seperti bangunan, medan, atau vegetasi dapat menghalangi tautan satelit line-of-sight (LoS) sebelum satelit mencapai mask elevasi geometris. Hal ini menyebabkan handover yang mendadak dan tidak terencana, sehingga menurunkan kontinuitas dan keandalan layanan. Strategi mitigasi tradisional bergantung pada peta bangunan 3D, kamera langit, atau penginderaan lingkungan tambahan, yang mahal, sulit diskalakan, dan sering tidak tersedia. Penulis mengatasi keterbatasan ini dengan mengusulkan metode tanpa peta untuk mempelajari skyline LoS lokal, yang didefinisikan sebagai elevasi penghalang terhadap azimuth, langsung dari label ketersediaan biner yang berasal dari pengamatan sinyal satelit pasif di terminal. Pertanyaan penelitian utamanya adalah: dapatkah skyline direkonstruksi dan peristiwa penghentian LoS di masa depan diprediksi hanya menggunakan pengamatan sinyal terminal itu sendiri dan ephemeris satelit, tanpa data lingkungan eksternal? Makalah ini merumuskan masalah sebagai tugas klasifikasi biner dalam ruang azimuth-elevasi, di mana skyline diekstraksi sebagai batas keputusan dari permukaan probabilitas penghalang yang

Penulis mengevaluasi estimator yang diusulkan terhadap empirical bracketing, metode baseline yang kemungkinan menggunakan thresholding sederhana atau interpolasi peristiwa penghalang yang diamati. Hasilnya menunjukkan bahwa baik klasifikasi GP maupun MLP dengan pengodean azimuth sirkular dan Monte Carlo Dropout meningkatkan rekonstruksi skyline dibandingkan dengan empirical bracketing. Meskipun metrik kuantitatif spesifik (misalnya, akurasi, presisi, recall, atau galat skyline) tidak dirinci dalam abstrak, peningkatan tersebut konsisten di seluruh skenario yang dievaluasi. Estimator yang dipelajari berhasil menangkap profil penghalang lokal hanya dari label ketersediaan biner, menunjukkan kelayakan pendekatan tanpa peta. Lebih lanjut, integrasi dengan EphemerisWindow memungkinkan persiapan handover proaktif dengan memprediksi peristiwa penghentian LoS di masa depan sebelum tautan yang melayani hilang. Kemampuan proaktif ini merupakan hasil utama, karena memungkinkan terminal memulai prosedur handover lebih awal, sehingga mengurangi risiko kegagalan tautan mendadak.

Dalam penerapan jaringan non-terestrial (NTN), penghalang lokal seperti bangunan, medan, atau vegetasi dapat menghalangi tautan satelit line-of-sight (LoS) sebelum satelit mencapai mask elevasi geometris. Hal ini menyebabkan handover yang mendadak dan tidak terencana, sehingga menurunkan kontinuitas dan keandalan layanan. Strategi mitigasi tradisional bergantung pada peta bangunan 3D, kamera langit, atau penginderaan lingkungan tambahan, yang mahal, sulit diskalakan, dan sering tidak tersedia. Penulis mengatasi keterbatasan ini dengan mengusulkan metode tanpa peta untuk mempelajari skyline LoS lokal, yang didefinisikan sebagai elevasi penghalang terhadap azimuth, langsung dari label ketersediaan biner yang berasal dari pengamatan sinyal satelit pasif di terminal. Pertanyaan penelitian utamanya adalah: dapatkah skyline direkonstruksi dan peristiwa penghentian LoS di masa depan diprediksi hanya menggunakan pengamatan sinyal terminal itu sendiri dan ephemeris satelit, tanpa data lingkungan eksternal? Makalah ini merumuskan masalah sebagai tugas klasifikasi biner dalam ruang azimuth-elevasi, di mana skyline diekstraksi sebagai batas keputusan dari permukaan probabilitas penghalang yang dipelajari.

Masalah diformalkan sebagai berikut. Misalkan a \in [0, 36 0^{\circ}) menyatakan azimuth dan e \in [0^{\circ}, 9 0^{\circ}] menyatakan elevasi. Untuk setiap pengamatan, label biner y \in {0, 1} menunjukkan apakah sinyal satelit tersedia (y = 1) atau terhalang (y = 0). Tujuannya adalah mempelajari fungsi probabilitas penghalang P (y = 0 ∣ a, e) dan mengekstraksi skyline sebagai batas keputusan di mana P (y = 0 ∣ a, e) = 0.5 .

Kontribusi utama makalah ini adalah metode tanpa peta dan berbasis data untuk mempelajari skyline LoS lokal dan memprediksi peristiwa penghentian LoS dalam penerapan NTN. Dengan merumuskan masalah sebagai klasifikasi biner dalam ruang azimuth-elevasi, pendekatan ini memanfaatkan pengamatan sinyal satelit pasif yang tersedia di terminal, sehingga menghindari kebutuhan penginderaan lingkungan yang mahal atau sulit diskalakan. Kedua estimator menawarkan kekuatan yang saling melengkapi: klasifikasi GP memberikan kuantifikasi ketidakpastian yang berprinsip, sedangkan MLP dengan pengodean azimuth sirkular dan Monte Carlo Dropout menawarkan alternatif saraf yang dapat diskalakan dengan indikator ketidakpastian. Kombinasi dengan EphemerisWindow menjembatani kesenjangan antara pembelajaran skyline statis dan prediksi lintasan dinamis, sehingga memungkinkan handover proaktif. Batasan potensial meliputi ketergantungan pada observasi biner yang cukup untuk melatih model, asumsi skyline statis selama periode pembelajaran, dan kebutuhan ephemeris satelit yang akurat. Pekerjaan selanjutnya dapat mengeksplorasi pembelajaran daring, kolaborasi multi-terminal, dan integrasi dengan protokol handover standar. Secara keseluruhan, metode ini merupakan langkah praktis menuju operasi NTN yang otonom dan tangguh tanpa bergantung pada peta atau sensor eksternal.

Praktisi dan peneliti ilmu komputer

Membuka konten member…