Compressed Sensing-Driven Near-Field Localization Exploiting Array of Subarrays

Technisches Resümee: Compressed-Sensing-gestützte Nahfeld-Lokalisierung unter Ausnutzung von Subarray-Anordnungen

Problemstellung
Die vorliegende Arbeit befasst sich mit der Herausforderung der hochauflösenden Nahfeld-Lokalisierung für integrierte Sensorik- und Kommunikationssysteme (ISAC). Da drahtlose Systeme zu höheren Frequenzen (mmWave und Terahertz) migrieren und Antennenarrays größer werden, dehnt sich die Nahfeldregion aus, was die Schätzung sowohl von Winkel als auch von Entfernung (Range) erforderlich macht. Während voll-digitale Array-Architekturen (bei denen jedes Antennenelement über eine eigene HF-Kette verfügt) eine hohe Auflösung bieten, sind sie für große Aperturen prohibitiv teuer und energieintensiv.

Um die Hardwarekosten zu senken, werden spärliche modulare Array-Architekturen (Aufteilung eines großen Arrays in kleinere Subarrays mit weniger HF-Ketten) in Betracht gezogen. Diese spärlichen Konfigurationen führen jedoch zu einer schweren räumlichen Unterabtastung, was Grating-Lobe-Effekte zur Folge hat, die erhebliche Mehrdeutigkeiten bei der Parameterschätzung verursachen. Bestehende Methoden haben Schwierigkeiten, die hohen Hardwarekosten voll-digitaler Arrays mit den Mehrdeutigkeitsproblemen spärlicher Subarrays zu vereinbaren, insbesondere wenn Compressive Sensing (CS) zur weiteren Reduzierung der Datendimensionen eingesetzt wird.

Methodik: Der SHARE-Algorithmus
Die Autoren schlagen SHARE (Sparse Hierarchical Angle-Range Estimation) vor, einen neuartigen zweistufigen Sparse-Recovery-Algorithmus, der für eine modulare Array-Architektur konzipiert ist, bei der $P$ Subarrays, die jeweils $M_0$ Elemente enthalten, über analoge Kombinationsnetzwerke mit $P$ HF-Ketten verbunden sind. Das System nutzt Compressive Sensing, um $K$ distinkte Mess-Snapshots durch Variation der analogen Phasenschieber zu erfassen.

Der Algorithmus arbeitet wie folgt:

1. Stufe 1: Grobe unambiguale Winkelschätzung

   • Ziel: Lösung der Grating-Lobe-Mehrdeutigkeiten ohne eine rechenintensive globale Suche.
   • Mechanismus: Der Algorithmus behandelt jedes Subarray einzeln. Da die Intra-Subarray-Apertur klein ist ($M_0$ Elemente), ist sie dicht bestückt (Abstand $d \le \lambda/2$) und frei von Grating Lobes. Zudem werden Quellen gegenüber dem kleinen Subarray als im Fernfeld approximiert, was die Verwendung eines vereinfachten, entfernungsunabhängigen Steuervektors ermöglicht.
   • Verarbeitung: Der Algorithmus berechnet das Leistungsspektrum für jedes Subarray unabhängig mittels nicht-kohärenter Kombination. Diese individuellen Leistungsspektren werden aufsummiert, um ein robustes kombiniertes Spektrum ($P_{total}(\theta)$) zu erstellen. Die Peaks dieses Spektrums liefern grobe, unambiguale Winkelschätzungen ($\hat{\Theta}_0$). Diese Stufe vermeidet die zirkuläre Abhängigkeit der kohärenten Kombination (die den Winkel zur Kompensation der Phase kennen müsste) und unterdrückt effektiv Rauschen sowie Scheinartefakte.

2. Stufe 2: Hochauflösende gemeinsame Winkel-Entfernung-Verfeinerung

   • Ziel: Nutzung der vollen spärlichen Apertur zur präzisen Schätzung der Entfernung und zur Verfeinerung des Winkels.
   • Mechanismus: Unter Verwendung der groben Winkelschätzungen aus Stufe 1 konstruiert der Algorithmus ein lokalisiertes, feingliedriges 2D-Suchgitter (ein Dictionary) nur in der Umgebung der geschätzten Winkel. Dies reduziert den Suchraum im Vergleich zu einem globalen Gitter drastisch.
   • Verarbeitung: Das Problem wird als Sparse-Recovery-Problem (Multiple Measurement Vector) über dieses lokalisierte Dictionary formuliert. Ein Greedy-Algorithmus, wie etwa die Orthogonal Matching Pursuit (OMP), wird verwendet, um die spärliche Lösung zu finden, wodurch sowohl Winkel als auch Entfernung simultan verfeinert geschätzt werden.

Wesentliche Beiträge

• Komplexitätsarmes Framework: Das Paper führt ein Compressive-Sensing-Framework ein, das Signale einer großen Anzahl von Antennen mit einer geringen Anzahl von HF-Ketten verarbeitet, wodurch die Hardwarekosten signifikant gesenkt werden, während eine große Apertur erhalten bleibt.
• Hierarchischer Algorithmus (SHARE): Die Autoren schlagen einen zweistufigen Algorithmus vor, der das Schätzproblem entkoppelt. Er löst Winkel-Mehrdeutigkeiten mittels dichter Subarrays (Stufe 1) und führt anschließend eine hochauflösende gemeinsame Verfeinerung mittels der vollen spärlichen Apertur durch (Stufe 2).
• Leistungsvalidierung: Durch umfangreiche Simulationen demonstriert das Paper, dass SHARE herkömmliche One-Shot-Compressive-Methoden (2D-OMP) und klassische voll-digitale Algorithmen (2D-MUSIC) in Multi-Source-Nahfeldszenarien übertrifft.

Simulationsergebnisse
Die Autoren evaluierten SHARE im Vergleich zu 2D-OMP (das auf denselben komprimierten Daten operiert) und 2D-MUSIC (das auf voll-digitalen Daten operiert) mittels Monte-Carlo-Simulationen mit $P=4$ Subarrays und $M_0=16$ Elementen.

• Genauigkeit: In Szenarien mit eng beieinander liegenden Quellen konnte 2D-OMP die Quellen aufgrund der Dictionary-Kohärenz nicht auflösen, und 2D-MUSIC konnte die Entfernung nicht genau schätzen. SHARE konnte sowohl Winkel als auch Entfernung erfolgreich auflösen und erreichte eine Genauigkeit, die der von 2D-MUSIC vergleichbar oder sogar überlegen ist, obwohl es Zugriff auf weniger Daten hatte.
• Robustheit: SHARE zeigte einen niedrigeren medianen Root Mean Squared Error (RMSE) bei der Positionsbestimmung über variierende Anzahlen von Quellen und komprimierten Messungen hinweg. Im Gegensatz zu 2D-OMP, dessen Leistung mit zusätzlichen Messungen stagnierte, verbesserte sich die Genauigkeit von SHARE mit steigender Anzahl an Messungen.
• Recheneffizienz: SHARE reduzierte die Rechenkomplexität signifikant. Durch die Transformation einer globalen 2D-Suche in eine grobe 1D-Suche gefolgt von einer lokalisierten 2D-Suche war SHARE in der getesteten Konfiguration etwa 8-mal recheneffizienter als 2D-OMP und weitaus effizienter als die $O(M^3)$-Komplexität von 2D-MUSIC.

Bedeutung und Behauptungen
Das Paper behauptet, dass SHARE einen praktischen Weg für die Implementierung hochauflösender Nahfeld-ISAC-Systeme bietet. Es adresset den Zielkonflikt zwischen Hardwarekosten und Schätz-Mehrdeutigkeit durch die Nutzung der spezifischen Eigenschaften von Subarray-Architekturen. Die Autoren betonen, dass ihr hierarchischer Ansatz die prohibitiven Kosten einer exhaustiven 2D-Gitter-Suche vermeidet und gleichzeitig die Auflösungsvorteile großer Aperturen bewahrt. Sie kommen zu dem Schluss, dass SHARE nicht nur genauer und robuster als Brute-Force-Compressive-Methoden ist, sondern auch eine skalierbare Lösung bietet, die eine hochperformante Nahfeld-Lokalisierung mit kostengünstiger, spärlicher Hardware realisierbar macht.

Zukünftige Arbeiten, die von den Autoren erwähnt werden, umfassen das Design optimierter Sensing-Matrizen sowie die Validierung des Algorithmus auf einem praktischen Hardware-Testbed, insbesondere um Kopplungseffekte (Mutual Coupling) und andere Hardware-Nichtidealitäten zu berücksichtigen.