Near-Field NLOS Localization via Position-Unknown HRIS:From Self-Localization to Target Positioning

Título: Localización NLOS en Campo Cercano mediante HRIS de Posición Desconocida: De la Auto-localización al Posicionamiento de Objetivos

1. Problema Abordado

El artículo aborda un desafío crítico en las redes 6G y sistemas de localización asistidos por Superficies Inteligentes Reconfigurables (RIS): la localización de objetivos en campo cercano (Near-Field, NF) en escenarios de no línea de vista (NLOS), cuando la posición del RIS es desconocida.

• Limitaciones actuales: Los métodos existentes asumen que la posición del RIS se conoce a priori. Sin esta información, es imposible establecer la relación geométrica entre la estación base (BS) y los objetivos, haciendo que la localización efectiva sea extremadamente difícil.
• Complejidad del Campo Cercano: En el campo cercano, los frentes de onda son esféricos, no planos. Esto introduce un acoplamiento fuerte entre los parámetros de ángulo (elevación y acimut) y rango, invalidando los modelos de onda plana tradicionales y las técnicas de estimación de DOA (Direction of Arrival) convencionales.
• Desafío de Identificabilidad: En un RIS pasivo tradicional, el canal es una cascada de dos enlaces desconocidos (BS-RIS y RIS-Objetivo), lo que hace imposible separar la ubicación del objetivo de la del RIS sin conocimiento previo de uno de ellos.

2. Metodología Propuesta

Los autores proponen un marco de localización sin rejilla (gridless) de dos etapas que aprovecha una Superficie Inteligente Híbrida (HRIS). La HRIS es capaz de recibir y reflejar señales simultáneamente, lo que proporciona observabilidad adicional.

El proceso se divide en las siguientes fases:

Fase 1: Estimación de Parámetros Relativos y Auto-localización

• Construcción de Datos Virtuales de Campo Lejano (FF): Se utiliza una aproximación de Fresnel para convertir el modelo de señal de campo cercano en un modelo virtual de campo lejano. Esto se logra mediante una correlación cruzada basada en retardos de elementos simétricamente centrados en la HRIS. Esta operación expande la apertura del array virtual y desacopla los términos cuadráticos (rango) de los lineales (ángulos).
• Estimación de Ángulos (DANM): Se propone un algoritmo de Minimización de la Norma Atómica Desacoplada (DANM) de una sola instantánea (single-snapshot) para estimar los ángulos de llegada (2-D) en el modelo virtual. Esto permite una estimación de alta resolución sin necesidad de múltiples instantáneas para el suavizado espacial.
• Estimación de Rango y Corrección (MUSIC + TLS):
  • Se utiliza el método MUSIC para estimar el rango relativo basándose en los ángulos estimados.
  • Para mitigar el error sistemático introducido por la aproximación de Fresnel, se aplica un método de Mínimos Cuadrados Totales (TLS). Este paso refina los parámetros utilizando el modelo exacto de campo cercano, eliminando el sesgo (bias) que causaría un error asintótico en altas relaciones señal-ruido (SNR).
• Auto-localización de la HRIS:
  • La HRIS utiliza su capacidad de recepción para estimar los vectores de dirección hacia dos Estaciones Base (BS) diferentes mediante Minimización de la Norma Atómica (ANM).
  • Con los ángulos estimados desde las dos BS, se aplica una triangulación geométrica basada en Mínimos Cuadrados (LS) para determinar la posición 3D absoluta de la HRIS.

Fase 2: Optimización de Fase y Posicionamiento Final

• Optimización de Fase (SDR): Una vez estimada la posición aproximada de la HRIS, se optimiza la matriz de fase de la HRIS para maximizar la potencia de la señal recibida en las BS. Esto se formula como un problema de optimización no convexa que se resuelve mediante Relajación Semidefinida (SDR) y Randomización Gaussiana.
• Posicionamiento del Objetivo: Finalmente, se convierten las coordenadas relativas del objetivo (respecto a la HRIS) a coordenadas absolutas (respecto a las BS) utilizando la posición de la HRIS ahora conocida y la optimización de fase, lo que mejora la precisión global.

3. Contribuciones Clave

1. Marco de Dos Etapas: Primer enfoque sistemático que permite la localización de objetivos en campo cercano NLOS sin conocimiento previo de la posición del RIS, utilizando la dualidad de recepción/reflexión de la HRIS.
2. Algoritmo DANM de Una Sola Instantánea: Desarrollo de un método de estimación de ángulos desacoplado que reduce la complejidad computacional (de $O(\bar{m}^3\bar{n}^3)$ a $O(\bar{m}^3 + \bar{n}^3)$) manteniendo la super-resolución.
3. Corrección de Sesgo mediante TLS: Introducción de un método de corrección basado en TLS que elimina el error de piso (error floor) causado por la aproximación de Fresnel, permitiendo que el rendimiento se acerque al límite teórico (CRB) en altas SNR.
4. Optimización de Fase Cíclica: Propuesta de un método de diseño de fase basado en SDR que rompe la dependencia circular (necesidad de conocer la posición para optimizar la fase) mediante una estimación iterativa, mejorando la información de Fisher y reduciendo el límite de error.
5. Análisis Teórico: Derivación de la Cota de Cramér-Rao (CRB) para los parámetros del objetivo y la Cota de Error de Posición (PEB) para la HRIS, estableciendo benchmarks teóricos para el rendimiento.

4. Resultados de Simulación

Las simulaciones de Monte Carlo validan la efectividad del marco propuesto:

• Precisión de Parámetros: El algoritmo DANM + TLS supera significativamente al DANM estándar, especialmente en altas SNR, donde el TLS elimina el sesgo de la aproximación de Fresnel. La RMSE (Error Cuadrático Medio) de los ángulos y el rango converge cerca de la CRB teórica.
• Auto-localización de HRIS: La estimación de la posición de la HRIS mediante triangulación LS y ANM demuestra alta precisión, acercándose a la PEB teórica.
• Impacto de la Optimización de Fase: La optimización de fase mediante SDR mejora consistentemente la precisión de la estimación de ángulos de la HRIS, la posición de la HRIS y, en consecuencia, la localización final de los objetivos (UE).
• Robustez: El sistema mantiene un rendimiento superior incluso con un número limitado de instantáneas (snapshots) y en presencia de ruido, demostrando la eficacia de la construcción de datos virtuales y la corrección de sesgo.

5. Significado e Impacto

Este trabajo es fundamental para el despliegue práctico de redes 6G y sistemas de sensores basados en RIS:

• Viabilidad de Despliegue: Elimina la necesidad de infraestructura de posicionamiento precisa o calibración laboriosa para los RIS, permitiendo su instalación flexible en entornos dinámicos (ej. UAVs, desastres naturales).
• Superación de Limitaciones NLOS: Proporciona una solución robusta para la localización en entornos donde la línea de vista está bloqueada, un escenario común en entornos urbanos y de interior.
• Precisión en Campo Cercano: Aborda la transición crítica hacia el campo cercano en frecuencias milimétricas y sub-THz, donde los modelos tradicionales fallan, ofreciendo un marco matemático y algorítmico para manejar la curvatura de la onda esférica.
• Eficiencia Espectral y Computacional: Al utilizar técnicas de una sola instantánea y optimización convexa relajada, el método es viable para sistemas en tiempo real con recursos computacionales limitados.

En resumen, el artículo presenta un avance significativo al transformar la localización asistida por RIS de un problema dependiente de conocimiento previo a uno autónomo y auto-calibrable, logrando precisión teóricamente óptima en condiciones de campo cercano complejas.