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

Resumen Técnico: Localización en Campo Cercano Impulsada por Compressive Sensing Aprovechando una Matriz de Subarreglos

Planteamiento del Problema
El artículo aborda el desafío de la localización de alta resolución en campo cercano para sistemas de Integración de Sensores y Comunicaciones (ISAC). A medida que los sistemas inalámbricos migran a frecuencias más altas (mmWave y terahercios) y las matrices de antenas crecen en tamaño, la región de campo cercano se expande, lo que requiere la estimación tanto del ángulo como del rango (distancia). Mientras que las arquitecturas de matriz totalmente digitales (donde cada elemento de antena tiene una cadena de RF dedicada) ofrecen una alta resolución, resultan prohibitivamente costosas y demandantes de energía para aperturas grandes.

Para mitigar los costos de hardware, se consideran arquitecturas de matriz modular dispersa (particionando una matriz grande en subarreglos más pequeños con menos cadenas de RF). Sin embargo, estas configuraciones dispersas introducen un submuestreo espacial severo, lo que resulta en lóbulos de rejilla (grating lobes) que causan ambigüedad significativa en la estimación de parámetros. Los métodos existentes luchan por equilibrar el alto costo de hardware de las matrices totalmente digitales con los problemas de ambigüedad de las submatrices dispersas, particularmente cuando se utiliza el muestreo compresivo (compressive sensing - CS) para reducir aún más las dimensiones de los datos.

Metodología: El Algoritmo SHARE
Los autores proponen SHARE (Sparse Hierarchical Angle-Range Estimation), un novedoso algoritmo de recuperación dispersa de dos etapas diseñado para una arquitectura de matriz modular donde $P$ subarreglos, cada uno con $M_0$ elementos, están conectados a $P$ cadenas de RF mediante redes de combinación analógica. El sistema utiliza el muestreo compresivo para adquirir $K$ instantáneas de medición distintas variando los desplazadores de fase analógicos.

El algoritmo opera de la siguiente manera:

1. Etapa 1: Estimación de Ángulo Coarse (Gruesa) e Inambigua

   • Objetivo: Resolver las ambigüedades de los lóbulos de rejilla sin una búsqueda global computacionalmente costosa.
   • Mecanismo: El algoritmo trata cada subarreglo de forma individual. Dado que la apertura intra-subarreglo es pequeña ($M_0$ elementos), es densa (espaciado $d \le \lambda/2$) y está libre de lóbulos de rejilla. Además, las fuentes se aproximan como si estuvieran en campo lejano respecto al pequeño subarreglo, lo que permite el uso de un vector de dirección simplificado e independiente del rango.
   • Procesamiento: El algoritmo calcula el espectro de potencia para cada subarreglo de forma independiente utilizando combinación no coherente. Estos espectros de potencia individuales se suman para crear un espectro combinado robusto ($P_{total}(\theta)$). Los picos de este espectro proporcionan estimaciones de ángulo gruesas e inambiguas ($\hat{\Theta}_0$). Esta etapa evita la dependencia circular de la combinación coherente (que requiere conocer el ángulo para compensar la fase) y suprime eficazmente el ruido y los artefactos espurios.

2. Etapa 2: Refinamiento Conjunto de Ángulo-Rango de Alta Resolución

   • Objetivo: Aprovechar la plena apertura dispersa para estimar con precisión el rango y refinar el ángulo.
   • Mecanismo: Utilizando las estimaciones de ángulo gruesas de la Etapa 1, el algoritmo construye una cuadrícula de búsqueda (diccionario) fina y localizada en 2D solo en la vecindad de los ángulos estimados. Esto reduce drásticamente el espacio de búsqueda en comparación con una cuadrícula global.
   • Procesamiento: El problema se plantea como un problema de recuperación dispersa (Vector de Múltiples Mediciones o Multiple Measurement Vector) sobre este diccionario localizado. Se utiliza un algoritmo codicioso, como la Búsqueda de Emparejamiento Ortogonal (OMP), para encontrar la solución dispersa, produciendo estimaciones refinadas tanto de ángulo como de rango simultáneamente.

Contribuciones Clave

• Marco de Baja Complejidad: El artículo introduce un marco de muestreo compresivo que procesa señales de un gran número de antenas utilizando un pequeño número de cadenas de RF, reduciendo significativamente los costos de hardware mientras mantiene una gran apertura.
• Algoritmo Jerárquico (SHARE): Los autores proponen un algoritmo de dos etapas que desacopla el problema de estimación. Resuelve las ambigüedades angulares utilizando subarreglos densos (Etapa 1) y luego realiza un refinamiento conjunto de alta resolución utilizando la plena apertura dispersa (Etapa 2).
• Validación del Desempeño: A través de extensas simulaciones, el artículo demuestra que SHARE supera a los métodos de muestreo compresivo de un solo paso (2D-OMP) y a los algoritmos clásicos totalmente digitales (2D-MUSIC) en escenarios de campo cercano con múltiples fuentes.

Resultados de la Simulación
Los autores evaluaron SHARE frente a 2D-OMP (operando sobre los mismos datos compresivos) y 2D-MUSIC (operando sobre datos totalmente digitales) utilizando simulaciones de Monte Carlo con $P=4$ subarreglos y $M_0=16$ elementos.

• Precisión: En escenarios con fuentes muy próximas entre sí, 2D-OMP falló en resolver las fuentes debido a la coherencia del diccionario, y 2D-MUSIC falló en estimar el rango con precisión. SHARE resolvió con éxito tanto el ángulo como el rango, logrando una precisión comparable o superior a 2D-MUSIC a pesar de tener acceso a menos datos.
• Robustez: SHARE demostró un error cuadrático medio (RMSE) mediano inferior en la estimación de posición a través de diferentes números de fuentes y mediciones compresivas. A diferencia de 2D-OMP, cuyo desempeño se estancaba con mediciones adicionales, la precisión de SHARE mejoró a medida que se proporcionaban más mediciones.
• Eficiencia Computacional: SHARE redujo significativamente la complejidad computacional. Al transformar una búsqueda 2D global en una búsqueda 1D gruesa seguida de una búsqueda 2D localizada, SHARE fue aproximadamente 8 veces más eficiente computacionalmente que 2D-OMP en la configuración probada, siendo mucho más eficiente que la complejidad $O(M^3)$ de 2D-MUSIC.

Significancia y Reivindicaciones
El artículo afirma que SHARE proporciona un camino práctico para implementar sistemas ISAC de campo cercano de alta resolución. Aborda el compromiso entre el costo de hardware y la ambigüedad de estimación aprovechando las propiedades específicas de las arquitecturas de subarreglos. Los autores sostienen que su enfoque jerárquico evita el costo computacional prohibitivo de las búsquedas exhaustivas en cuadrículas 2D, preservando al mismo tiempo los beneficios de resolución de las grandes aperturas. Concluyen que SHARE no solo es más preciso y robusto que los métodos compresivos de fuerza bruta, sino que también ofrece una solución escalable que hace factible la localización de alto rendimiento en campo cercano con hardware de bajo costo y disperso.

El trabajo futuro mencionado por los autores incluye el diseño de matrices de detección optimizadas y la validación del algoritmo en un banco de pruebas de hardware práctico, específicamente para considerar los efectos de acoplamiento mutuo y otras no idealidades del hardware.