Low-Complexity Tensor-Based Monostatic Sensing for IRS-Assisted Communication Systems

Technische Zusammenfassung: Low-Complexity Tensor-Based Monostatic Sensing für IRS-gestützte Kommunikationssysteme

Problemstellung
Der Beitrag adressiert die Herausforderung der Parameterschätzung in Integrated Sensing and Communications (ISAC)-Systemen, die durch Intelligent Reflecting Surfaces (IRS) unterstützt werden. Konkret konzentriert er sich auf ein monostatisches Sensing-Szenario, bei dem eine Basisstation (BS) eine Orthogonal Frequency Division Multiplexing (OFDM)-Welle aussendet, die an einem IRS reflektiert wird, von einem Ziel abprallt und zur BS zurückkehrt. Das Ziel ist die gemeinsame Schätzung der Zielverzögerung ($\tau$), des Doppler-Verschiebungswerts ($\nu$) und der Winkelinformationen (Abgangswinkel, $\theta$).

Bestehende Ansätze, wie die Basismethode in [11], verlassen sich auf Generalized Likelihood Ratio Test (GLRT)-Detektoren, die rechenintensive mehrdimensionale Peak-Suchen erfordern (insbesondere eine vierdimensionale Suche über Verzögerung, Doppler, Azimut und Elevationswinkel). Obwohl diese Methoden effektiv sind, leiden sie unter einer hohen rechnerischen Komplexität, insbesondere wenn die Suchgitter für Verzögerung und Doppler gekoppelt sind, was zu einer Komplexität führt, die proportional zum Produkt der Gittergrößen ($R_\tau R_\nu$) ist.

Methodik
Die Autoren schlagen eine Low-Complexity-Lösung vor, die das empfangene Echosignal als Tensor dritter Ordnung vom Rang eins neu interpretiert. Die Kernmethodik umfasst folgende Schritte:

1. Systemmodellierung und Signalumformulierung: Das empfangene Signal wird unter Berücksichtigung des BS-IRS-Ziel-IRS-BS-Links modelliert. Um die Winkelparameter vom Doppler-Parameter zu entkoppeln, wenden die Autoren ein IRS-Phasenverschiebungsprotokoll auf Basis von Wiederholungen an. Das IRS-Phasenverschiebungsmuster wird über einen Block von $Q$ OFDM-Symbolen wiederholt und über $L$ Blöcke variiert (insgesamt $M=QL$ Symbole). Diese Struktur ermöglicht es, den Zeitbereichs-Steuervektor in Kronecker-Produkte von Vektoren zu zerlegen, die sich auf den Blockindex und den Intra-Block-Index beziehen.
2. Tensor-Formulierung: Durch Ausnutzung dieser repetitiven Struktur wird die empfangene Signal-Matrix als Tensor dritter Ordnung vom Rang eins umformuliert: $\mathcal{Y} = c(\tau) \circ d_Q(\nu) \circ \beta(\theta, \nu) + \mathcal{Z}$, wobei $\circ$ das äußere Produkt bezeichnet. Diese Formulierung trennt den Verzögerungsvektor $c(\tau)$, den Doppler-Vektor $d_Q(\nu)$ und den kombinierten Winkel-Doppler-Vektor $\beta(\theta, \nu)$.
3. HOSVD-basierte Schätzung: Das Problem der Parameterschätzung wird unter Verwendung der Higher-Order Singular Value Decomposition (HOSVD) gelöst. Der Algorithmus berechnet die Singulärwertzerlegung (SVD) für die drei Matrix-Entfaltungen des empfangenen Signal-Tensors. Die dominanten linken Singulärvektoren dieser Zerlegungen liefern Schätzwerte für die Komponenten Verzögerung, Doppler und Winkel.
4. Entkopplung der Peak-Suche: Nach der HOSVD-Stufe führt der Algorithmus eindimensionale Peak-Suchen durch, um Verzögerung ($\tau$) und Doppler ($\nu$) unabhängig voneinander zu schätzen. Die Winkelschätzung ($\theta$) erfolgt anschließend über eine zweidimensionale Suche, wobei die zuvor geschätzte Doppler-Verschiebung genutzt wird, um den Suchraum zu vereinfachen.

Hauptbeiträge

• Tensor-basierte Umformulierung: Der Beitrag führt eine neuartige tensor-basierte Darstellung des monostatischen IRS-gestützten Sensing-Signals ein und transformiert ein komplexes mehrdimensionales Optimierungsproblem in ein Tensor-Approximationsproblem vom Rang eins.
• Komplexitätsreduktion: Durch die Nutzung des HOSVD-Algorithmus entkoppelt die vorgeschlagene Methode die Schätzung von Verzögerung und Doppler. Dies ermöglicht eine parallele Schätzung dieser Parameter durch separate eindimensionale Suchen und durchbricht den rechnerischen Engpass der gekoppelten Suche, wie sie in Basismethoden vorkommt.
• Algorithmenentwurf: Die Autoren stellen einen vollständigen Algorithmus (Algorithmus 1) bereit, der den HOSVD-basierten Parameterschätzprozess im Detail beschreibt, einschließlich spezifischer Kostenfunktionen für die Schätzung von Verzögerung, Doppler und Winkel.

Ergebnisse
Simulationsergebnisse, die die vorgeschlagene tensor-basierte Methode mit dem Baseline-GLRT-Detektor aus [11] vergleichen, ergeben folgende Erkenntnisse:

• Leistungsgenauigkeit: Hinsichtlich des Root Mean Squared Error (RMSE) erreicht die vorgeschlagene Methode eine Leistung, die mit der Baseline vergleichbar ist.
  • Für die Schätzung von Verzögerung und Doppler verhält sich die vorgeschlagene Methode bei SNR-Werten höher als -5 dB ähnlich wie die Baseline, wobei eine leichte Leistungsminderung nur in sehr niedrigen SNR-Bereichen beobachtet wird.
  • Für die Winkelschätzung erzielen beide Methoden über alle getesteten SNR-Werte hinweg identische RMSE-Leistung, da beide ein Maximum-Likelihood-Kriterium für die finale Winkelsuche verwenden.
• Rechnerische Komplexität: Die vorgeschlagene Methode bietet eine drastische Reduktion der rechnerischen Komplexität.
  • Die Baseline-Komplexität skaliert mit dem Produkt der Gittergrößen ($R_\tau R_\nu$), während die vorgeschlagene Methode aufgrund der Entkopplung mit der Summe dieser Größen ($R_\tau + R_\nu$) skaliert.
  • Simulationskurven zeigen, dass die Baseline-Methode etwa 10-mal komplexer ist als die vorgeschlagene tensor-basierte Lösung. Dieser Komplexitätsvorteil gilt über verschiedene Anzahlen von Subträgern und Gitterpunkten hinweg.

Bedeutung und Behauptungen
Der Beitrag behauptet, dass sein primärer Beitrag die Bereitstellung einer Low-Complexity-Alternative zu bestehenden High-Performance-Sensing-Algorithmen ist, ohne die Schätzgenauigkeit in praktischen SNR-Bereichen zu beeinträchtigen. Die Autoren betonen, dass ihre tensor-basierte Lösung die rechnerische Komplexität „drastisch reduziert", während sie „die gleiche Leistung wie die Referenzmethode" hinsichtlich des RMSE für die Schätzung von Verzögerung, Doppler und Winkel beibehält.

Die Bedeutung liegt in der Skalierbarkeit der Lösung für zukünftige 6G-Netze, in denen die Integration von Sensing und Kommunikation eine effiziente Verarbeitung großer Datenmengen erfordert. Durch die Ausnutzung der intrinsischen multilinearen Struktur des empfangenen Signals ermöglicht die vorgeschlagene Methode parallele Berechnungen und macht sie zu einem viablen Kandidaten für die Echtzeit-Implementierung in IRS-gestützten ISAC-Systemen. Die Autoren vermerken bescheiden, dass die Methode bei sehr hohen Rauschpegeln etwas empfindlicher ist, betonen jedoch, dass der Kompromiss angesichts der erheblichen Gewinne in der rechnerischen Effizienz günstig ist. Als zukünftige Arbeit wird vorgeschlagen, die Leistung der Methode unter den intrinsischen Selbstinterferenzbedingungen des monostatischen Sensings zu untersuchen, die im aktuellen Umfang ausgeschlossen wurden.