Resumen Técnico: Estimación Conjunta de un Solo Disparo de ToA y DoA para el Rango VAA Basado en BLE con Ambigüedad de Fase

1. Planteamiento del Problema

La estimación precisa de la Dirección de Llegada (DoA) y el Tiempo de Llegada (ToA) es crítica para la localización inalámbrica. Mientras que los métodos clásicos de superresolución (por ejemplo, MUSIC) funcionan bien en arreglos físicos de múltiples antenas, a menudo resultan poco prácticos para dispositivos Bluetooth Low Energy (BLE) con restricciones de tamaño y costo. Las técnicas de Arreglo de Antenas Virtuales (VAA) ofrecen una solución al sintetizar la diversidad espacial a partir de mediciones de una sola antena tomadas a lo largo de una trayectoria del receptor.

Sin embargo, aplicar VAA al rango de BLE enfrenta dos desafíos principales:

1. Limitaciones de la Respuesta en Frecuencia del Canal (CFR) de Dos Vías: El rango de BLE construye típicamente una CFR de dos vías para cancelar los desfases del Oscilador Local (LO) y de sincronización mediante un producto de Hadamard. Si bien esto elimina los desfases, exacerba los efectos de la multitrayectoria y reduce la Relación Señal-Ruido (SNR).
2. Ambigüedad de Fase Binaria: Recuperar la CFR de una vía a partir de la CFR de dos vías requiere una operación de raíz cuadrada elemento a elemento. Esto introduce una ambigüedad de fase binaria $\{ \pm 1 \}$ que, si no se resuelve, degrada severamente el rendimiento de la estimación de ToA y DoA.
3. Geometría No Uniforme: A diferencia de los arreglos lineales uniformes, los VAA formados por trayectorias de usuarios suelen tener geometrías irregulares, lo que complica el procesamiento de señales de arreglos tradicionales y hace que las heurísticas de resolución de ambigüedad existentes (diseñadas para arreglos uniformes) sean ineficaces.

Los enfoques existentes suelen asumir múltiples instantáneas (snapshots) o estructuras de arreglos uniformes, y no logran abordar las restricciones específicas de las mediciones de un solo disparo de BLE y la ambigüedad binaria inherente de la recuperación por raíz cuadrada.

2. Metodología

Los autores proponen un marco unificado que integra el modelado VAA con el procesamiento de la CFR de dos vías de BLE, junto con un mecanismo de recuperación de fase basado en aprendizaje profundo.

Modelo del Sistema

El sistema considera un escenario BLE de entrada única y salida única (SISO) de portadoras múltiples donde un Equipo de Usuario (UE) se desplaza a lo largo de una trayectoria para formar un VAA.

• Modelo de Señal: La señal recibida se modela como una suma de componentes de multitrayectoria, donde el coeficiente del canal incluye amplitud, fase inicial y un desplazamiento de fase espacial dependiente del desplazamiento ($d_n$) y la dirección ($\phi_n$) del UE.
• Construcción de la CFR de Dos Vías: Para cancelar los desfases del LO, el sistema forma una CFR de dos vías ($\hat{Y}$) tomando el producto de Hadamard de las respuestas de canal directa ($Y^{(R)}$) e inversa ($Y^{(I)}$). Esta operación cancela la matriz de fase $\Phi$ del LO pero introduce un término de canal al cuadrado y ruido.
• Introducción de la Ambigüedad: La CFR de una vía se recupera mediante $(\hat{Y})^{1/2} = Y \circ N$, donde $N$ es una matriz binaria con elementos $\{1, -1\}$ que representan la ambigüedad de fase desconocida.

Recuperación de Fase Basada en Aprendizaje Profundo

Para resolver la matriz de ambigüedad binaria $N$, el artículo propone un Algoritmo de Doble Red Neuronal con un mecanismo de votación:

1. Predictores Duales: Se emplean dos arquitecturas U-Net:
   • Una red por filas ($f_{row}$) predice los signos a lo largo de la dimensión espacial (posiciones de las antenas).
   • Una red por columnas ($f_{col}$) predice los signos a lo largo de la dimensión de frecuencia (subportadoras).
   • Ambas redes emiten probabilidades para la consistencia de signo respecto al primer elemento de su respectiva fila o columna.
2. Entrenamiento: Las redes se entrenan mediante aprendizaje supervisado con pérdida de entropía cruzada, utilizando etiquetas de verdad de campo derivadas de las relaciones de signo conocidas en los datos simulados.
3. Mecanismo de Votación:
   • Se identificó empíricamente que el predictor por filas es más confiable debido al espaciamiento fijo de las subportadoras frente a la trayectoria aleatoria del VAA.
   • El algoritmo impone la consistencia con las prediciones por filas.
   • Para cada fila $n$, el signo del primer elemento ($N_{n,1}$) se determina agregando las estimaciones candidatas de todas las columnas mediante votación por mayoría.
   • Una vez resuelto el primer elemento de cada fila, toda la matriz de ambigüedad $N$ se reconstruye utilizando las predicciones por filas.

Estimación de Parámetros

Una vez recuperada la matriz de ambigüedad $N$, se obtiene la CFR de una vía corregida ($\tilde{Y}$). Luego, se aplica un algoritmo MUSIC 2D a estos datos corregidos para estimar el ToA y el DoA mediante el cálculo del pseudoespectro e identificación de picos.

3. Contribuciones Clave

• Modelo Unificado VAA-BLE: El artículo establece un modelo de señal unificado que combina la diversidad espacial de VAA con la construcción de la CFR de dos vías de BLE, contabilizando explícitamente la ambigüedad de fase binaria introducida durante la recuperación de la CFR de una vía.
• Marco de Votación Neuronal: Introduce un novedoso enfoque de aprendizaje profundo que descompone la tarea de resolución de ambigüedad en predicciones por filas y columnas, fusionándolas mediante un mecanismo de votación para manejar robustamente las geometrías de arreglos no uniformes.
• Capacidad de un Solo Disparo: El método propuesto permite la estimación conjunta de ToA y DoA a partir de mediciones de un solo disparo, abordando una limitación de trabajos previos que dependían de múltiples instantáneas.
• Desempeño bajo No Uniformidad: El enfoque está diseñado específicamente para funcionar eficazmente bajo geometrías de VAA irregulares donde los métodos tradicionales basados en la continuidad fallan.

4. Resultados de Simulación

Los autores evaluaron el método en un escenario 2D (40m $\times$ 40m) con un UE moviéndose a lo largo de una trayectoria para formar un VAA de $N=16$ elementos y $M=80$ subportadoras. El canal incluyó 1 trayectoria de Línea de Visión (LoS) y 1–3 trayectorias de No Línea de Visión (NLoS).

• Comparaciones: El método propuesto se comparó contra:
  1. MUSIC de CFR de dos vías (sin resolución de ambigüedad).
  2. Un enfoque basado en la continuidad de fase para la resolución de ambigüedad (diseñado para arreglos uniformes).
  3. El límite inferior de Cramér-Rao (CRLB) teórico.
• Métricas de Desempeño: Error Cuadrático Medio (MSE) para la estimación de DoA y ToA a través de varios niveles de SNR.
• Hallazgos:
  • El método propuesto superó significativamente a ambos modelos de base en todos los niveles de SNR.
  • El enfoque de continuidad de fase falló completamente bajo geometrías no uniformes, resultando en grandes errores de estimación.
  • El MSE del estimador propuesto se aproximó estrechamente al CRLB en SNR $\geq 5$ dB, demostrando eficiencia estadística.
  • El método logró una precisión superior en ToA y DoA, particularmente en regímenes de SNR de bajo a moderado.

5. Significado y Reivindicaciones

El artículo afirma que, al integrar el modelado VAA con una estrategia de votación neuronal asistida por aprendizaje, es posible resolver la ambigüedad de fase binaria inherente a la recuperación de la CFR de dos vías de BLE. Esto permite la aplicación de algoritmos de superresolución como MUSIC en dispositivos BLE de una sola antena con recursos limitados. Los autores aseguran que su enfoque proporciona una alternativa de alta fidelidad y bajo costo a los arreglos físicos de múltiples antenas, logrando una precisión de estimación casi óptima incluso en presencia de multitrayectoria y geometrías de arreglos no uniformes.