Hybrid-Field Channel Estimation for XL-MIMO Systems: Dictionary-based Sparse Signal Recovery

Resumen Técnico: Estimación de Canal de Campo Híbrido para Sistemas XL-MIMO

Planteamiento del Problema
Los sistemas de múltiples entradas y múltiples salidas de escala extremadamente grande (XL-MIMO) son fundamentales para las futuras redes 6G, ofreciendo ganancias significativas en la eficiencia espectral y la resolución espacial. Sin embargo, las enormes aperturas de antenas en XL-MIMO crean un entorno de propagación único donde el supuesto tradicional de onda plana de campo lejano (FF) falla para muchos dispersores. En su lugar, surge un régimen de campo híbrido (HF), caracterizado por la coexistencia de ondas planas de FF y ondas esféricas de campo cercano (NF). La Información de Estado del Canal (CSI) precisa es esencial para explotar el potencial de XL-MIMO, pero la estimación de canales HF es un desafío debido a la necesidad de modelar simultáneamente las variaciones angulares y de distancia.

Los enfoques existentes, como los métodos de Búsqueda de Emparejamiento Ortogonal de Campo Híbrido (HF-OMP) y de Proyección de Gradiente Disperso (SGP), a menudo sufren de limitaciones prácticas. Muchos requieren conocimiento previo del nivel de dispersión del canal ($L$) y de la relación específica entre las trayectoras de NF y FF ($\gamma$). Otros dependen de operaciones computacionalmente costosas, como pseudo-inversiones de matrices o pasos de gradiente multidimensionales, para refinar los parámetros. Estas dependencias y complejidades dificultan un despliegue robusto en entornos dinámicos de XL-MIMO.

Metodología
Los autores proponen un marco de estimación de canal unificado llamado $\epsilon$-OMP–SSIGW (Epsilon-Orthogonal Matching Pursuit con Simplified Sparse Iterative Gridless Weighting). El enfoque modela el canal HF como una superposición de componentes FF y NF, aprovechando la dispersión inherente del canal tanto en el dominio angular (DFT) como en el polar (ángulo-distancia).

La metodología central consiste en un proceso iterativo y codicioso (greedy):

1. Selección Basada en Diccionario: Se utiliza un diccionario combinado que contiene tanto átomos de FF (angulares) como de NF (polares). En cada iteración, se selecciona el átomo más correlacionado con el residuo actual.
2. Conteo de Trayectorias Adaptativo: A diferencia de métodos previos, el algoritmo no requiere $L$ ni $\gamma$ como entradas. En su lugar, emplea una regla de parada basada en el residuo ($\|r\|^2/N \leq \sigma^2$) para determinar automáticamente el número de trayectorias significativas, lo que lo hace robusto ante estructuras de canal desconocidas.
3. Refinamiento Simplificado (SSIGW): Una vez seleccionado un átomo, el método realiza un refinamiento de "grueso a fino" para mitigar el desajuste de la rejilla (grid mismatch).
   • Actualización de Ganancia: La ganancia de la trayectoria se actualiza utilizando una solución de mínimos cuadrados (LS) escalar de forma cerrada derivada de una estructura de refinamiento de columna única, evitando las pseudo-inversiones de matrices.
   • Refinamiento de Parámetros: Los parámetros angulares y de distancia se refinan mediante gradientes escalares actualizados mediante una búsqueda de línea de retroceso de Armijo. Esto contrasta con trabajos previos que utilizan gradientes de matrices complejos.
4. Terminación: El proceso itera hasta que el error cuadrático medio (MSE) cae por debajo de un umbral dependiente del ruido o se alcanza un recuento máximo de iteraciones.

Contribuciones Clave

• Estimación Ciega: El método propuesto opera sin conocimiento previo del nivel total de dispersión ($L$) o de la relación de división de trayectorias NF/FF ($\gamma$). Solo requiere una estimación de la varianza del ruido, la cual es obtenible en la práctica.
• Eficiencia Computacional: Al derivar expresiones de forma cerrada para las actualizaciones de ganancia y utilizar gradientes escalares para el refinamiento de parámetros, los autores reducen significamente la complejidad computacional por iteración en comparación con los enfoques basados en matrices como SGP o variantes estándar de OMP.
• Modelo HF Unificado: El trabajo introduce un marco de estimación unificado que maneja de manera fluida tanto los componentes FF como NF dentro de un único problema de recuperación dispersa, en lugar de tratarlos como etapas secuenciales separadas.
• Robustez: El algoritmo está diseñado para ser robusto contra desajustes en la varianza del ruido y errores de discretización de la rejilla mediante su mecanismo de refinamiento iterativo.

Resultados
Se realizaron simulaciones numéricas bajo condiciones de No-Línea de Vista (NLoS) y condiciones mixtas de Línea de Vista/No-Línea de Vista (LoS/NLoS), comparando el $\epsilon$-OMP–SSIGW frente a ocho referentes del estado del arte, incluyendo LS, MMSE, variantes de HF-OMP y métodos HF-SGP.

• Precisión: El estimador propuesto logró el Error Cuadrático Medio Normalizado (NMSE) más bajo en todo el rango de Relación Señal-Ruido (SNR) tanto en escenarios LoS como NLoS. Superó notablemente a los métodos que requerían conocimiento previo de $L$ y $\gamma$.
• Complejidad: Aunque el $\epsilon$-OMP–SSIGW refinado incurre en una sobrecarga ligeramente mayor que el $\epsilon$-OMP básico, sigue siendo significativamente más rápido que HF-SGP y las variantes de HF-OMP basadas en búsqueda exhaustiva. Se demostró que el tiempo de ejecución es independiente de la SNR y está dominado por operaciones de matrices fijas.
• Adaptabilidad: Las simulaciones confirmaron que el estimador adapta correctamente el número de trayectorias detectadas ($L_{est}$) basándose en la SNR y los criterios de residuo, validando su capacidad para funcionar sin una entrada explícita de $L$.

Significancia
El artículo afirma que el marco $\epsilon$-OMP–SSIGW ofrece una solución práctica y computacionalmente eficiente para la estimación de canales HF en sistemas XL-MIMO. Al eliminar la necesidad de conocimiento previo de la dispersión del canal y de las relaciones de trayectoria, y al simplificar las operaciones matemáticas requeridas para el refinamiento, el método logra un compromiso superior entre rendimiento y complejidad. Los autores postulan que esto hace que el estimador sea particularmente adecuado para el despliegue en el mundo real, donde las características del canal son dinámicas y desconocidas. El trabajo sienta las bases para futuras extensiones a equipos de usuario de múltiples antenas, geometrías de arreglo general (UPA) y modelado de impedimentos de hardware.