Rilevamento dei bersagli e misurazione della distanza basati su reti neurali spiking per il sensing e la comunicazione integrata.

Integrated Sensing and Communication (ISAC) is an emerging field that brings together two technologies that we often think of as separate: sensing and wireless data transfer. In a traditional system, there is one device or signal for ’seeing’ objects (like a radar) and another for ’communicating’ with other devices. ISAC combines these into a single system, letting us use the same signals, antennas, and hardware to both sense the environment and transfer data. This saves spectrum, power, and cost, and it is exactly what future applications like smart cars, drones, and the Internet of Things will need. In our work, we use a special kind of neural network called a Spiking Neural Network (SNN). Unlike ordinary deep networks, SNNs communicate via short electrical “spikes,” much like real neurons in the brain. We feed these SNNs with pulse-position–modulated impulse radio signals. The network has two ’heads’: one head learns to decide whether a target is present (classification), and the other predicts the target’s propagation delay (regression), all at once. To test our system un- der realistic conditions, we built simulated wireless channels, including random background echoes (clutter) and noise. By changing the statistical properties of the target and clutter sig- nals, we created 12 datasets to see how well the network could learn to separate “real” targets from distracting echoes. This approach explores how statistical separation affects target de- tectability via SNNs.

La Rilevazione e Comunicazione Integrata (ISAC) è un campo nuovo che unisce due tec- nologie che di solito consideriamo separate: il rilevamento (sensing) e il trasferimento di dati wireless. In un sistema tradizionale, c’è un dispositivo o un segnale per “vedere” gli oggetti (come un radar) e un altro per “comunicare” con altri dispositivi. ISAC riunisce questi due compiti in un unico sistema, permettendo di usare gli stessi segnali, antenne e hardware sia per rilevare l’ambiente sia per inviare dati. Questo risparmia spettro, energia e costi ed è proprio ciò che servirà a future applicazioni come auto intelligenti, droni e Internet delle Cose. Nel nostro lavoro usiamo un tipo speciale di rete neurale chiamata Rete Neurale a Spike (SNN). A differenza delle reti profonde tradizionali, le SNN comunicano tramite brevi “spike” elettrici, proprio come i neuroni reali del cervello. Alleniamo queste SNN con segnali radio a impulso modulati nella posizione dei picchi (pulse‐position modulation). La rete ha due “teste”: una testa impara a capire se c’è un bersaglio (classificazione) e l’altra predice il ritardo del segnale di ritorno del bersaglio (regressione), tutto insieme. Per testare il nostro sistema in condizioni realistiche, abbiamo creato canali wireless simulati che includono echi di fondo casuali (clutter) e rumore. Cambiando le caratteristiche statistiche dei segnali del bersaglio e del clutter, abbiamo generato 12 set di dati per vedere quanto bene la rete riesce a separare i “veri” bersagli dagli echi di disturbo. Questo approccio mostra come la differenza tra i dati (separazione statistica) influenzi la capacità delle SNN di individuare il bersaglio.