⚡ electrical engineering

Zak-OTFS ISAC with Bistatic Sensing via Semi-Blind Atomic Norm Denoising Scheme

Este artículo propone un esquema de eliminación de ruido de norma atómica semi-ciego para sistemas ISAC basados en Zak-OTFS que permite la detección bistática precisa y una comunicación robusta en entornos de doble dispersión y alta movilidad mediante la formulación de la estimación conjunta del canal y la detección de datos como un problema de optimización con restricciones resuelto a través de un algoritmo iterativo acelerado rigurosamente probado.

Autores originales: Kecheng Zhang, Weijie Yuan, Maria Sabrina Greco

Publicado 2026-08-05

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kecheng Zhang, Weijie Yuan, Maria Sabrina Greco

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina intentar tener una conversación con un amigo mientras ambos pasan a toda velocidad el uno al lado del otro en una montaña rusa, gritando por encima del estruendo del viento. En el mundo de las comunicaciones inalámbricas, esto es exactamente lo que sucede cuando los datos viajan hacia objetos que se mueven rápido, como coches o drones. Las señales se estiran y se comprimen, convirtiendo mensajes claros en un caos ininteligible. Durante décadas, los ingenieros han utilizado una técnica llamada OFDM para mantener estas conversaciones claras, pero es como intentar atrapar un pez resbaladizo con una red que tiene agujeros; cuando las cosas se mueven demasiado rápido, la señal se escapa. Aquí entra una idea más nueva y robusta llamada OTFS (Orthogonal Time Frequency Space). En lugar de enviar mensajes en una línea recta, el OTFS los mapea en una cuadrícula que representa tanto el tiempo como la velocidad (Doppler). Es como dibujar tu mensaje sobre una hoja de goma; incluso si la hoja se estira y se retuerce, el dibujo permanece intacto. Esto hace que el OTFS sea perfecto para escenarios de alta velocidad, pero también abre un nuevo superpoder: debido a que la señal es tan sensible al movimiento, la misma señal utilizada para hablar también puede usarse para "ver" objetos, actuando como un radar. Esta configuración de doble propósito se llama Integración de Sensado y Comunicación (ISAC). Sin embargo, hay un inconveniente: si el objeto no está sentado perfectamente sobre una línea de la cuadrícula predefinida, la señal se desenfoca, lo que dificulta saber exactamente dónde está el objeto o qué mensaje recibió.

Este artículo aborda precisamente ese problema de desenfoque. Los autores, trabajando con una versión específica de OTF llamada Zak-OTFS, proponen una nueva y astuta forma de desenredar el lío. Tratan el problema como un juego de "adivina la imagen oculta", donde la imagen está hecha de unos pocos puntos nítidos (los objetivos) y unas pocas letras (los datos), pero la imagen está emborronada por desplazamientos fraccionarios. En lugar de adivinar a ciegas, utilizan un truco matemático llamado "denoising de norma atómica" (atomic norm denoising). Imagina que intentas limpiar una ventana embarrada para ver unas pocas estrellas distintas detrás. La mayoría de los métodos intentarían adivinar dónde están las estrellas en una cuadrícula fija, lo cual falla si las estrellas están ligeramente descentradas. El método de este artículo es como tener una lente flexible que puede hacer zoom y encontrar las estrellas exactamente donde están, incluso si flotan entre las líneas de la cuadrícula. También tienen que averiguar el mensaje secreto que se está enviando al mismo tiempo. Para lograrlo, utilizan un enfoque "semi-ciego": conocen las señales piloto (como una marca de agua conocida) pero no los datos aleatorios. Formulan un rompecabezas matemático complejo que obliga a la solución a parecerse a un mensaje válido (usando una "penalización de cuadrado negativo" para empujar la respuesta hacia las formas correctas) mientras simultáneamente agudiza la imagen de los objetivos.

El artículo no solo propone esta idea; construye un algoritmo iterativo rápido para resolverla. Piensa en ello como un equipo de detectives que se turnan para refinar su teoría: un detective agudiza la imagen de los objetivos, y el siguiente utiliza esa imagen más nítida para decodificar el mensaje, luego intercambian roles y repiten el proceso hasta que la imagen es cristalina. Los autores demuestran matemáticamente que este proceso de vaivén eventualmente se asentará en una respuesta estable. En sus simulaciones por computadora, este nuevo método funciona increíblemente bien. Logra una "superresolución", lo que significa que puede detectar objetivos mucho más cerca unos de otros de lo que los métodos antiguos podían, y decodifica mensajes con muy pocos errores, desempeñándose casi tan bien como si el receptor ya conociera perfectamente las condiciones exactas del canal. Probaron esto con escenarios que involucran múltiples objetivos y diferentes tipos de datos, mostrando que incluso cuando los objetivos se mueven y la señal es desordenada, su método puede separar el "quién" (el objetivo) del "qué" (el mensaje) con alta precisión.

Sin embargo, el artículo es cuidadoso al señalar que esto no es una varita mágica para cada situación. El método depende del hecho de que el entorno es "disperso" (sparse), lo que significa que hay solo unos pocos objetivos o trayectorias dominantes, no un bosque denso de reflexiones. Si la escena está demasiado abarrotada o los objetivos están demasiado cerca unos de otros, el método podría tener dificultades para distinguirlos. Además, los resultados mostrados se basan en simulaciones, no en pruebas de campo en el mundo real todavía. Los autores también señalan que, aunque su método funciona de maravilla para ciertos tipos de formas de mensajes simples (como PSK), podría necesitar ajustes para formatos de mensajes más complejos y de alta definición. Pero para el desafío específico de la comunicación y el sensado de doble propósito a alta velocidad, este enfoque "semi-ciego" ofrece un paso significativo hacia adelante, convirtiendo una señal borrosa y confusa en una imagen clara y accionable.

Resumen Técnico: Zak-OTFS ISAC con Detección Bistática mediante Denoising de Norma Atómica Semi-Ciego

1. Planteamiento del Problema

Este artículo aborda el desafío de la Integración de Sensores y Comunicaciones (ISAC) en escenarios de alta movilidad utilizando la modulación de Espacio de Tiempo-Frecuencia Ortogonal (Zak-OTFS) basada en la transformada de Zak. En configuraciones de ISAC bistáticas, donde el transmisor y el receptor están espacialmente separados, la estimación precisa del canal es crítica tanto para la detección fiable de datos como para la estimación precisa de los parámetros del objetivo (retardo, Doppler y ganancia de canal).

Las principales dificultades identificadas son:

Retardos Fraccionarios y Desplazamientos Doppler: En escenarios prácticos de alta movilidad, los parámetros de los objetivos a menudo no se alinean con la rejilla discreta del dominio de Retardo-Doppler (DD). Estos desplazamientos "fuera de la rejilla" (off-grid) causan que las respuestas del canal se propaguen a través de múltiples celdas (bins) del dominio DD, provocando errores de desajuste de rejilla.
Acoplamiento Fuerte: La naturaleza fuera de la rejilla crea un fuerte acoplamiento entre la estimación del canal y la detección de datos. Los errores en la detección de símbolos actúan como interferencia, degradando la estimación del canal, mientras que las estimaciones de canal inexactas perjudican la detección de símbolos.
Limitaciones de los Métodos Existentes:
- Los enfoques de dos pasos (que estiman primero la matriz de canal efectiva) dependen de pulsos bi-ortogonales ideales o estructuras de invarianza de desplazamiento que no son físicamente realizables con pulsos rectangulares prácticos.
- Los métodos de estimación directa de parámetros a menudo dependen de rejillas discretizadas (por ejemplo, Aprendizaje Bayesiano Disperso), que sufren de límites de resolución y alta complejidad computacional cuando se aumenta la resolución de la rejilla.
- Las soluciones existentes generalmente fallan al intentar realizar conjuntamente la estimación de parámetros fuera de la rejilla y la detección de datos sin supuestos restrictivos (por ejemplo, retardos enteros o conteos de trayectorias conocidos).

2. Metodología

A. Modelo del Sistema y Relación I/O en Tiempo Discreto

Los autores derivan primero una relación de matriz de entrada-salida (I/O) en tiempo discreto para sistemas Zak-OTFS que emplean ventanas de tiempo y frecuencia rectangulares.

Marco de Trabajo Zak-OTFS: El sistema utiliza la transformada inversa de Zak para mapear los símbolos del dominio DD al dominio del tiempo y la transformada de Zak para recuperar la señal recibida en el dominio DD.
Convolución Retorcida (Twisted Convolution): La propagación del canal se modela como una convolución retorcida. Los autores demuestran que, incluso con pulsos rectangulares prácticos, el sistema conserva la "propiedad de predictibilidad", lo que significa que todos los símbolos del dominio DD experimentan la misma respuesta de canal efectiva.
Formulación Discreta: Se establece una relación de matriz I/O en tiempo discreto, cerrando la brecha entre la teoría de tiempo continuo y la implementación digital. Este modelo confirma que la estimación de canal libre de modelo (usando un único piloto) sigue siendo una estrategia de inicialización válida.

B. Formulación del Problema: Denoising de Norma Atómica Semi-Ciego

La estimación conjunta de los parámetros de canal fuera de la rejilla y los símbolos de datos desconocidos se formula como un problema de optimización.

Regularización de Norma Atómica: Para manejar la naturaleza fuera de la rejilla de los retardos y desplazamientos Doppler sin discretización, el vector del canal se regulariza utilizando la norma atómica. Esto aprovecha la dispersión inherente en el dominio DD.
Manejo de Restricciones Discretas: Los símbolos de datos pertenecen a una constelación discreta (por ejemplo, PSK). Para evitar la naturaleza NP-dura de la programación de enteros mixtos, los autores emplean una reformulación basada en penalización.
- La restricción discreta se relaja a su envolvente convexa.
- Se introduce una penalización de cuadrado negativo ( $-\rho \|x\|_2^2$ ) en la función objetivo. Esta penalización cóncava incentiva a la solución a moverse hacia los vértices de la envolvente convexa (los símbolos discretos reales) a medida que aumenta el parámetro de penalización $\rho$ .
Objetivo: El problema resultante minimiza el error de reconstrucción, la penalización de cuadrado negativo por la discreción de los símbolos y la norma atómica por la dispersión del canal.

C. Algoritmo Iterativo Acelerado

Para resolver el problema de optimización acoplado y no convexo, se desarrolla un algoritmo iterativo acelerado basado en el marco de trabajo de Majorización-Minimización (MM) y descenso de coordenadas.

Inicialización: Utiliza la estimación de canal libre de modelo (desde el piloto) para inicializar el canal y LMMSE para la detección inicial de símbolos.
Actualización del Canal: Se utiliza un método de gradiente proximal acelerado inexacto. En lugar de resolver el subproblema de la norma atómica mediante Programación Semidefinida (SDP) costosa, el algoritmo utiliza un marco de descenso de coordenadas que aprovecha la simetría de origen del conjunto atómico. Esto implica una búsqueda de rejilla sobremuestreada seguida de un refinamiento local basado en Newton para encontrar los parámetros óptimos fuera de la rejilla.
Actualización de Símbolos: Un método de gradiente proyectado acelerado actualiza los símbolos de datos. La penalización de cuadrado negativo se maneja mediante un paso de majoración, seguido de la proyección sobre la envolvente convexa de la constelación.
Técnica de Homotopía: El parámetro de penalización $\rho$ se incrementa gradualmente (homotopía) para rastrear la trayectoria de la solución desde el problema convexo relajado hacia la solución discreta, asegurando la convergencia a un punto de la constelación discreta válida.

D. Análisis de Convergencia

El artículo proporciona un análisis teórico riguroo que demuestra que el algoritmo propuesto converge a un punto $\epsilon$ -estacionario con una tasa de estacionariedad sublineal de $O(1/\sqrt{t})$ .

3. Contribuciones Clave

Modelo I/O de Tiempo Discreto: Derivación de una relación de matriz I/O en tiempo discreto para Zak-OTFS con ventanas rectangulares, demostrando la validez de la propiedad de predictibilidad para la inicialización.
Marco de Optimización Unificado: Una novedosa formulación semi-ciega que recupera conjuntamente los parámetros de canal fuera de la rejilla y los símbolos PSK utilizando el denoising de norma atómica combinado con una penalización de cuadrado negativo para las restricciones discretas.
Algoritmo Eficiente: Desarrollo de un algoritmo iterativo acelerado que combina MM, gradiente proximal acelerado inexacto y gradiente proyectado acelerado, evitando la alta complejidad de los resolvedores basados en SDP.
Prueba de Convergencia: Establecimiento de garantías teóricas de convergencia a un punto $\epsilon$ -estacionario.

4. Resultados de Simulación

El esquema propuesto fue evaluado mediante simulaciones de Monte Carlo en un escenario de ISAC bistático con múltiples objetivos y sin enlace de Línea de Visión (LoS).

Convergencia: El algoritmo acelerado demostró una convergencia significativamente más rápida y una menor carga computacional (menos iteraciones internas) en comparación con los esquemas ordinarios (no acelerados), particularmente cuando los parámetros de penalización se actualizaban rápidamente.
Rendimiento de Comunicación: El rendimiento de la Tasa de Error de Bit (BER) se acercó al límite teórico inferior de un CSI perfecto. El método superó a los detectores LMMSE estándar, especialmente en escenarios de múltiples objetivos, al explotar eficazmente la diversidad del dominio DD.
Rendimiento de Detección (Sensing): El algoritmo logró una detección de super-resolución, estimando con precisión los parámetros de retardo y Doppler fuera de la rejilla. Demostró una detección de múltiples objetivos fiable con una alta probabilidad de detección y bajas tasas de falsa alarma con un SNR suficiente.
Límites de Resolución: El artículo señala que, si bien el método permite la estimación fuera de la rejilla, su capacidad para resolver objetivos arbitrariamente cercanos está limitada por el número de objetivos y su separación mínima, así como por los posibles errores de detección de símbolos en el entorno semi-ciego.

5. Significado y Reivindicaciones

El artículo afirma proporcionar un marco unificado para una comunicación y detección (ISAC) de OTFS fiable sobre canales doblemente dispersivos sin depender de supuestos restrictivos (como retardos enteros o conteos de trayectorias conocidos).

Significado: Cierra la brecha entre los modelos teóricos de Zak-OTFS y la implementación práctica al abordar los problemas críticos de los desplazamientos fraccionarios y el acoplamiento entre detección y comunicación.
Reivindicaciones Modestas: Los autores declaran explícitamente que el algoritmo propuesto está diseñado para símbolos modulados en PSK y que la extensión a constelaciones QAM de alto orden (donde la penalización de cuadrado negativo puede no ser equivalente al problema original) queda para trabajos futuros. También reconocen que el método es más adecuado para escenarios de ISAC dispersos con unos pocos objetivos dominantes, ya que la complejidad computacional escala con el cuadrado del número de átomos activos.

En resumen, el artículo presenta una solución matemáticamente rigurosa y computacionalmente eficiente para la detección y comunicación conjunta en entornos de alta movilidad, logrando un rendimiento cercano a los puntos de referencia de CSI perfecto, al tiempo que permite la estimación de parámetros de super-resolución.