Resumen Técnico: Posicionamiento de Solo Fase en MIMO Distribuido bajo Impedimentos de Fase

1. Declaración del Problema

El posicionamiento por fase de portadora (CPP, por sus siglas en inglés) ofrece el potencial para lograr una precisión de nivel centimétrico en las próximas generaciones de sistemas inalámbricos al utilizar exclusivamente observaciones de fase de portadora, sin depender de mediciones de tiempo de llegada (ToA) o de diferencia de tiempo de llegada (TDoA). Si bien la literatura reciente sugiere que es posible lograr una alta precisión en redes de MIMO distribuido (D-MIMO) utilizando mediciones de solo fase, los despliegues prácticos enfrentan desafíos significativos. Específicamente, los errores de sincronización de fase entre los puntos de acceso (AP) distribuidos degradan inherentemente el rendimiento. Además, las redes de próxima generación requieren un cumplimiento estricto de la latencia, lo que exige una reducción en la complejidad del modelo. Los métodos existentes a menudo no logran abordar adecuadamente el impacto combinado de los errores de sincronización de fase y la carga computacional de procesar todas las combinaciones de ambigüedad disponibles en los sistemas D-MIMO.

2. Metodología

El artículo propone un marco de Función de Gestión de Localización (LMF) basado en aprendizaje, denominado LMF Distribuido (DLMF), que integra el aprendizaje profundo (DL) con un método de intersección de hipérbolas para lograr un posicionamiento robusto y de alta precisión bajo impedimentos de fase. La metodología consta de tres componentes principales:

2.1 Modelo de Sistema y Mediciones Diferenciales

El sistema asume una configuración de enlace ascendente (uplink) con $I$ APs distribuidos espacialmente y un Equipo de Usuario (UE) en una posición desconocida $x_{ue}$. El modelo de la fase de la señal recibida en el $i$-ésimo AP incluye la distancia dependiente de la longitud de onda, perturbaciones de fase entre el DLMF y los APs, desfases del UE-DLMF, ambigüedad entera y ruido de medición.
Para mitigar los desfases comunes, el sistema utiliza mediciones diferenciales entre un AP de referencia ($i=0$) y otros APs ($m \in \{1, \dots, I-1\}$). Estas mediciones diferenciales corresponden geométricamente a conjuntos de hipérbolas parametrizadas por la ambigüedad entera diferencial ($\Delta z_m$).

2.2 Intersección de Hipérbolas con Estimación de Ambigüedad

El modelo de localización central adopta el método de intersección de hipérbolas, que comprende:

1. Estimador de Ambigüedad Diferencial: Un Perceptrón Multicapa (MLP) que estima el vector de ambigüedades diferenciales ($\Delta \hat{z}$) a partir de las mediciones de fase diferencial.
2. Solucionador de Descenso de Gradiente (GD): Un solucionador iterativo que refina la estimación de la posición del UE utilizando las distancias diferenciales estimadas. Minimiza una función de costo cuadrática a lo largo de $T$ iteraciones.

2.3 Selección de AP Basada en Aprendizaje Profundo

Para abordar la complejidad computacional y optimizar la precisión, el artículo introduce una red neuronal (NN) para la Selección Adaptativa de AP. En lugar de estimar todos los pares de ambigüedades posibles, el sistema selecciona un par óptimo de dos ambigüedades ($\Delta z_a, \Delta z_b$) para minimizar el error de posicionamiento.

• Características de Entrada: La NN utiliza un vector de características $F \in \mathbb{R}^{8I}$, que concatena:
  • Características basadas en mediciones: Mediciones de fase diferencial ($\delta$) y valores de relación señal-ruido (SNR) en cada AP.
  • Características basadas en la geometría: Distancias y ángulos relativos al AP de referencia, al vecino más cercano y al AP más lejano.
• Arquitectura de la Red: Un MLP con una capa de entrada de tamaño $8I$, cinco capas ocultas (tamaños $A, 2A, 4A, 2A, A$) y una capa de salida de tamaño $\binom{I-1}{2}$. La red predice el error de posicionamiento para cada par de ambigüedades.
• Estrategia de Selección: Se selecciona el par $(a^*, b^*)$ correspondiente al error predicho mínimo para el solucionador GD.

3. Contribuciones Clave

• Robustez ante Errores de Sincronización de Fase: El estudio demuestra que entrenar el estimador de ambigüedad con datos que reflejan perturbaciones de fase permite que el método de intersección de hipérbolas mantenga una alta precisión incluso en presencia de errores de sincronización.
• Selección de AP impulsada por DL: El artículo introduce un marco novedoso que utiliza una red neuronal profunda para seleccionar el par óptimo de puntos de antena para la estimación de la ambigüedad. Este enfoque aprovecha tanto las mediciones de señal como la geometría del despliegue para evitar la elección de pares subóptimos.
• Reducción de la Complejidad: Al restringir el proceso de localización únicamente a dos ambigüedades seleccionadas (en lugar de todas las disponibles) y utilizar el modelo DL para guiar esta selección, el marco reduce significamente la carga computacional sin sacrificar la precisión.

4. Resultados de la Simulación

Las simulaciones se realizaron en un área de $100 \text{ m}^2$ con $I=9$ APs distribuidos, emulando una topología D-MIMO.

• Precisión bajo Perturbación: Cuando se entrenó con datos que presentan perturbaciones de fase (desviación estándar $\sigma$), el modelo mantuvo una precisión de estimación de ambigüedad general superior al 99% y un error de posicionamiento del percentil 95 por debajo de 0.5 cm, incluso cuando se probó en conjuntos de datos con niveles de perturbación variables.
• Desempeño de la Selección de AP: El método de selección propuesto basado en DL superó significativamente a los referentes (benchmarks), incluyendo la selección Aleatoria, la selección Max-SNR y el uso de todas las ambigüedades (Sin selección).
  • Los referentes Max-SNR y Aleatorio resultaron en una degradación severa de la precisión (errores del percentil 95 de ~509 cm y ~551 cm, respectivamente).
  • El método Propuesto logró un error del percentil 95 de 0.26 cm, acercándose estrechamente al subconjunto de verdad de terreno (ground-truth) más óptimo (0.14 cm).
• Complejidad: El marco propuesto redujo la complejidad de inferencia total en aproximadamente un 19.7% en comparación con el uso de todas las ambigüedades, manteniendo una precisión superior en comparación con los métodos que no utilizan selección o que utilizan estrategias de selección ingenuas.

5. Significancia y Reivindicaciones

El artículo afirma que el posicionamiento de solo fase de portadora, cuando se aumenta con soluciones de aprendizaje profundo, es un habilitador viable para un posicionamiento de alta precisión y confiable en despliegues realistas de D-MIMO para 6G. La significancia del trabajo radica en:

1. Robustez Práctica: Abordar y mitigar explícitamente los errores de sincronización de fase, un impedimento práctico crítico que a menudo se pasa por alto en los estudios teóricos de CPP.
2. Eficiencia: Demostrar que la selección adaptativa de AP puede reducir la complejidad computacional (FLOPs) al tiempo que mejora la precisión del posicionamiento al evitar la elección de pares de ambigüedad deficientes.
3. Habilitador Futuro: Posicionar este enfoque impulsado por el aprendizaje como un componente clave para futuros sistemas 6G, señalando los autores que el trabajo futuro extenderá el marco a escenarios de trayectoria múltiple (multipath) y tridimensionales.

Los autores mantienen la modestia respecto al alcance actual, reconociendo que el estudio se centra en la propagación de línea de vista (LoS) y que la influencia de las incertidades en la posición de los AP requiere mayor investigación.