Integrated Sensing, User Location and Orientation Estimation in RIS-Assisted Dynamic Rich Scattering Environment

Título: Estimación Integrada de Sensado, Ubicación y Orientación de Usuarios en Entornos de Dispersión Rica Dinámicos Asistidos por RIS

1. Planteamiento del Problema

El artículo aborda el desafío de localizar y estimar la orientación de un Equipo de Usuario (UE) en entornos interiores de dispersión rica (RSE) utilizando sistemas de comunicación MIMO de banda estrecha asistidos por Superficies Inteligentes Reconfigurables (RIS).

• Desafío Principal: En entornos RSE, las señales de piloto del uplink sufren múltiples interacciones con objetos de dispersión dinámicos (SOs, como personas o muebles en movimiento) y los elementos del RIS. Esto genera componentes de propagación superpuestos con amplitudes y fases diversas, haciendo difícil distinguir las trayectorias individuales.
• Limitaciones de Métodos Existentes: Los enfoques convencionales basados en modelos (como la minimización de la Cota Inferior de Cramér-Rao Bayesiana - BCRLB) o técnicas de aprendizaje automático estáticas a menudo fallan en estos escenarios debido a la no linealidad del canal, la dificultad de separar trayectorias y la incapacidad de adaptarse a cambios rápidos en el entorno.
• Objetivo: Desarrollar un sistema que no solo localice al UE, sino que también estime su orientación y el estado del entorno (posición de los SOs) mediante un diseño adaptativo y secuencial de las configuraciones del RIS y los vectores de formación de haces (beamforming) en la estación base (BS) y el UE.

2. Metodología Propuesta

Los autores proponen un enfoque basado en aprendizaje profundo secuencial que utiliza una arquitectura de Memoria a Largo y Corto Plazo Bidireccional (biLSTM) para capturar las dependencias temporales en las mediciones de los pilotos recibidos.

El sistema opera en un ciclo de retroalimentación adaptativa a lo largo de $T$ intervalos de tiempo:

1. Modelado del Canal: Se utiliza un modelo de canal físico de extremo a extremo basado en dipolos, que trata el entorno, las paredes, el RIS y los transceptores como ensamblajes de dipolos configurables. Esto captura efectos complejos como el acoplamiento mutuo y la dispersión dinámica.
2. Arquitectura de Dos Etapas (Red Neuronal):
   • Etapa 1: Estimación de Dispersión (Scattering Estimation biLSTM): Procesa las mediciones de los elementos de RIS dedicados al sensado ($S_{RIS}$) para estimar la posición de los objetos de dispersión en movimiento ($\hat{p}(t)$). Esto permite "mapear" el entorno dinámico sin cooperación del UE.
   • Etapa 2: Localización y Diseño de Beamforming (UE Localization biLSTM): Utiliza la estimación de dispersión anterior junto con la historia de los pilotos recibidos en la BS para diseñar secuencialmente:
     • El vector de configuración del RIS ($k$).
     • El vector de formación de haces de la BS ($\omega_{BS}$).
     • El vector de formación de haces del UE ($\omega_{UE}$).
   • El objetivo es enfocar progresivamente la energía y la información hacia el UE para maximizar la precisión en el paso final.
3. Función de Pérdida: El entrenamiento se realiza minimizando el Error Cuadrático Medio (RMSE) de la ubicación, la orientación y la estimación de los objetos de dispersión.
4. Comparativa Analítica: Se desarrolla un modelo analítico basado en la BCRLB (Bayesian Cramér-Rao Lower Bound) para servir como referencia teórica. Este método optimiza el RIS en cada paso para minimizar la cota inferior del error, pero de forma "codiciosa" (greedy) y sin aprender la dinámica compleja del entorno.

3. Contribuciones Clave

1. Enfoque de Sensado Adaptativo: Propone un método de aprendizaje que diseña conjuntamente la configuración del RIS y los haces de la BS/UE basándose en mediciones pasadas y la estimación del entorno, permitiendo la localización simultánea de posición y orientación en RSE dinámicos.
2. Benchmarking Analítico: Proporciona una comparación rigurosa contra un enfoque basado en BCRLB, cuantificando la brecha de rendimiento entre los métodos de datos (data-driven) y los límites teóricos de estimación en entornos complejos.
3. Evaluación Exhaustiva: Evalúa el sistema bajo diversas condiciones no exploradas previamente, incluyendo:
   • Despliegues distribuidos de RIS en múltiples paredes.
   • Variación en el número de objetos de dispersión móviles.
   • Variación en el número de elementos de RIS dedicados al sensado.
4. Resultados Interpretativos: Demuestra que el diseño secuencial conjunto mejora la calidad de la información de las trayectorias multipath y reduce la ambigüedad en la estimación.

4. Resultados de Simulación

Las simulaciones confirman que el enfoque propuesto supera consistentemente a las técnicas de referencia (BCRLB, biLSTM sin formación de haces, y biLSTM solo de localización):

• Precisión: El método propuesto logra el RMSE más bajo tanto para la ubicación como para la orientación del UE en todos los escenarios probados.
• Robustez ante Dinámica: A diferencia del método BCRLB, que no se desempeña bien en RSE dinámicos debido a su incapacidad para modelar la evolución no lineal del canal, el enfoque basado en biLSTM aprende las dependencias temporales y se adapta mejor.
• Impacto del Despliegue de RIS:
  • Los despliegues distribuidos (en múltiples paredes) reducen significativamente el error en comparación con un solo panel, gracias a la mayor diversidad angular y espacial.
  • Existe un punto de rendimientos decrecientes: aumentar la densidad de elementos RIS más allá de cierto umbral no mejora drásticamente la precisión debido a limitaciones de ruido y estimación de canal.
• Sensado del Entorno: Un mayor número de elementos de RIS dedicados al sensado ($S_{RIS}$) mejora la estimación de los objetos de dispersión, lo que a su vez refina la configuración del RIS y la localización final.
• Efecto de los Objetos de Dispersión (SOs): A medida que aumenta el número de objetos móviles ($M$), la complejidad del entorno eleva el error de estimación, especialmente a bajas relaciones señal-ruido (SNR). Sin embargo, el método propuesto mantiene una robustez superior frente a estos desafíos en comparación con los métodos estáticos.

5. Significado e Impacto

Este trabajo es significativo para el desarrollo de redes 6G y aplicaciones que requieren posicionamiento de alta precisión en interiores (robótica, fábricas inteligentes, realidad aumentada).

• Paradigma de Sensado Activo: Demuestra que el RIS no es solo un reflector pasivo, sino un sensor activo que puede "esculpir" el entorno de propagación para extraer información oculta en las trayectorias multipath.
• Superioridad del Aprendizaje sobre Modelos Fijos: En entornos donde los modelos físicos son demasiado complejos para ser analizados en tiempo real (como RSE con objetos móviles), los enfoques basados en aprendizaje profundo que aprenden la dinámica del entorno superan a los métodos de optimización teórica tradicionales.
• Viabilidad Práctica: Al utilizar RIS para crear "anclas virtuales" sin necesidad de cadenas de radiofrecuencia (RF) adicionales, ofrece una solución económica y escalable para la localización resiliente en entornos hostiles.

En resumen, el artículo establece un nuevo estándar para la localización en entornos complejos, demostrando que la combinación de sensado ambiental adaptativo y diseño secuencial de haces mediante redes neuronales es la clave para lograr precisión y robustez en la próxima generación de comunicaciones inalámbricas.