Hierarchical Coherent Imaging of Composite Anisotropic Moving Targets in ISAC

Resumen Técnico: Imagen Coherente Jerárquica de Objetivos Compuestos Anisotrópicos en Movimiento en ISAC

Enunciado del Problema
Las redes de Sensación y Comunicación Integradas (ISAC), particularmente las ISAC Distribuidas (DISAC), ofrecen el potencial de generar imágenes de radio de alta resolución del entorno aprovechando el procesamiento de señales coherente en fase a través de múltiples Equipos de Usuario (UE). Sin embargo, los métodos de imagen existentes enfrentan dos limitaciones críticas al aplicarse a escenarios dinámicos realistas:

1. Suposición de Dispersión Isótropa: La literatura actual modela típicamente los objetivos como colecciones de dispersores puntuales independientes e isótropos. Esto no tiene en cuenta la anisotropía, donde la respuesta de dispersión de objetivos extendidos (por ejemplo, cuerpos humanos, maquinaria) varía significativamente con el ángulo de observación. En redes DISAC, donde los nodos están distribuidos en amplios ángulos, esto conduce a inconsistencias de fase y desenfoque de la imagen al intentar una fusión coherente.
2. Suposición de Objetivo Estático: La mayoría de los algoritmos de imagen existentes asumen objetivos estáticos o movimiento rígido. No logran manejar objetos compuestos en movimiento compuestos por múltiples partes que se mueven con velocidades independientes (por ejemplo, una persona caminando con los brazos en movimiento). Estos métodos suelen depender de una compensación Doppler simplista (por ejemplo, centroide y tasa) que no puede resolver los espectros Doppler multimodales generados por componentes en movimiento independiente, resultando en un severo desenfoque de la imagen y clutter.

Metodología: MOSAIC
Los autores proponen MOSAIC (Detección de Objetos en Movimiento bajo Anisotropía mediante Imagen con Fusión Coherente y No Coherente), un algoritmo de imagen jerárquico diseñado para redes ISAC distribuidas y asíncronas. El método utiliza señales piloto de enlace ascendente (por ejemplo, DMRS) sin requerir formas de onda de detección dedicadas. El flujo de trabajo central involucra cuatro etapas principales:

1. Modelado de Anisotropía y Agrupamiento de UE:

   • Los autores derivan un modelo analítico para la fase de dispersión de las partes de objetivos extendidos, demostrando que la discrepancia de fase entre las UE está cuadráticamente relacionada con la diferencia en sus ángulos de observación bistática.
   • Basándose en esto, las UE se agrupan en clústeres donde los ángulos bistáticos son suficientemente similares para garantizar la coherencia de fase. Esto previene el desenfoque causado por combinar señales de ángulos ampliamente separados que observan diferentes puntos especulares en el objetivo.

2. Estimación Doppler y Asociación Intra-Clúster:

   • Se generan imágenes de baja resolución para cada UE. Se estima el espectro Doppler para identificar picos correspondientes a las reflexiones especulares de diferentes partes del objetivo.
   • Dentro de cada clúster, los picos Doppler se asocian entre las UE para identificar las partes móviles distintas.

3. Imagen Coherente Intra-Clúster Compensada por Doppler:

   • Para cada parte de objetivo identificada, el algoritmo realiza una pre-compensación Doppler específica para la velocidad de esa parte y la geometría del clúster.
   • Un algoritmo de retroproyección modificado integra las señales compensadas a lo largo del tiempo lento. Este paso enfoca la imagen de la parte específica del objetivo mientras hace que las contribuciones de otras partes (con desplazamientos Doppler diferentes) interfieran destructivamente, separando efectivamente las partes.
   • Esto produce imágenes de alta resolución específicas por parte y estima la ubicación del centro de dispersión principal para cada parte dentro del clúster.

4. Asociación Inter-Clúster y Fusión Global No Coherente:

   • El algoritmo asocia los picos Doppler a través de diferentes clústeres para estimar el vector de velocidad global de cada parte del objetivo utilizando la diversidad geométrica de los triángulos UE-BS-objetivo.
   • Finalmente, las imágenes específicas por parte de todos los clústeres se combinan de forma no coherente. Esta etapa integra observaciones de amplios ángulos para reconstruir la forma completa del objetivo, superando las limitaciones del ángulo de visión de cualquier clúster individual.

Contribuciones Clave

• Primera Imagen Jerárquica para Objetivos Compuestos: MOSAIC es el primer algoritmo que realiza imagen de alta resolución de objetivos compuestos anisotrópicos en movimiento en redes ISAC distribuidas, abordando las limitaciones de los modelos isótropos y estáticos.
• Agrupamiento Consciente de la Anisotropía: El artículo introduce una regla de agrupamiento basada en umbrales de ángulo bistático derivados de un modelo de anisotropía, permitiendo el procesamiento coherente dentro de grupos mientras se evitan errores de fase en aperturas amplias.
• Doppler como Mecanismo de Resolución: En lugar de ver los desplazamientos Doppler únicamente como una fuente de desenfoque, MOSAIC los aprovecha como un grado de libertad adicional para resolver y separar partes de objetivos en movimiento independiente mediante pre-compensación específica por parte.
• Estimación de Velocidad de Baja Complejidad: Al asociar frecuencias Doppler a través de clústeres, el método estima vectores de velocidad con una precisión de decímetros por segundo (dm/s), evitando la complejidad prohibitiva de búsquedas exhaustivas de velocidad.

Resultados
Se realizaron simulaciones numéricas extensas utilizando una frecuencia portadora de 7 GHz y un ancho de banda de 400 MHz, comparando MOSAIC contra tres puntos de referencia: pre-compensación de centroide/tasa Doppler (DCR), compensación de Doppler medio y sin compensación Doppler.

• Calidad de Imagen: MOSAIC demostró una mejora >50% en la calidad de la imagen (medida por la distancia 1-Wasserstein) en comparación con los métodos más avanzados. Reconstruyó con éxito las formas de objetivos compuestos (por ejemplo, un torso con brazos en movimiento) donde los puntos de referencia produjeron imágenes poco fiables o incompletas.
• Estimación de Velocidad: El método logró errores de estimación de velocidad a nivel de dm/s, siempre que las UE estuvieran suficientemente distribuidas alrededor de la Región de Interés (ROI).
• Robustez: El enfoque jerárquico demostró ser robusto ante errores de localización de UE (hasta una desviación estándar de longitud de onda) y frecuencias portadoras variables (3–26 GHz), manteniendo el rendimiento donde los métodos totalmente coherentes fallaron.

Significado y Afirmaciones
El artículo afirma que MOSAIC aborda brechas fundamentales en la literatura actual de imagen DISAC, que se ha centrado en gran medida en objetivos estáticos o rígidos con dispersión isótropa. Al reinterpretar los desplazamientos Doppler como una herramienta para la separación de partes e introducir una estrategia de fusión coherente/no coherente jerárquica, MOSAIC habilita aplicaciones de detección de grano fino como el reconocimiento de gestos humanos y la detección de multitudes en redes 6G. Los autores enfatizan que su enfoque transforma las limitaciones de la anisotropía y el movimiento complejo en parámetros manejables, ofreciendo una vía práctica hacia la imagen de radio de alta resolución en entornos dinámicos y distribuidos.