Multi-Target Estimation via Tensor Decomposition for Beyond Diagonal RIS-Aided Bistatic Sensing

1. Problema y Contexto

El artículo aborda el desafío de la estimación de múltiples objetivos en un escenario de sensado bistático asistido por una Superficie Inteligente Reconfigurable (RIS) más allá de la diagonal (BD-RIS).

• Escenario: Un sistema de comunicaciones y sensado integrados (ISAC) donde un transmisor de sensado (ST) y un receptor de sensado (SR) están separados físicamente. La línea de visión directa entre el ST y los objetivos está bloqueada; por lo tanto, las señales reflejadas por los objetivos se detectan únicamente a través de un camino virtual asistido por la BD-RIS.
• Limitaciones de las soluciones anteriores: Las RIS tradicionales (diagonales) solo permiten ajustar la fase de cada elemento de forma independiente, lo que limita los grados de libertad. Además, los métodos de estimación existentes a menudo requieren recursos de sensado masivos, sufren de acoplamiento entre parámetros (ángulo, retardo, Doppler) o tienen alta complejidad computacional.
• Objetivo: Desarrollar un marco eficiente para estimar simultáneamente los parámetros de múltiples objetivos (ángulos de llegada/salida, retardo y desplazamiento Doppler) utilizando la estructura multidimensional inherente de la señal recibida, minimizando los recursos de sensado necesarios.

2. Metodología Propuesta: TenDAE

Los autores proponen un marco de dos etapas llamado TenDAE (Tensor Doppler-delay-angle Estimation). Este enfoque explota la estructura tensorial de la señal recibida para desacoplar la estimación de los parámetros.

Etapa 1: Aproximación de Suma de Kronecker (KSA)

• Se modela la señal recibida como una suma de productos de Kronecker de rank $K$ (donde $K$ es el número de objetivos).
• Se aplica una descomposición en valores singulares (SVD) a una matriz reorganizada de la señal filtrada por la BD-RIS.
• Propósito: Obtener estimaciones de subespacio de bajo rango de los factores del canal efectivo ($\hat{J}_k$ y $\hat{G}_k$), que contienen la información combinada de los canales ST-RIS y RIS-SR, así como la información de retardo/Doppler.

Etapa 2: Estimación de Factorización Tensorial Anidada (NTFE)

Una vez obtenidos los factores de la KSA, se utilizan dos modelos tensoriales que se resuelven en paralelo para extraer los parámetros específicos:

1. Estimación de Ángulos (Modelo PARAFAC):

   • Se utiliza una descomposición PARAFAC de tercer orden sobre el factor $\hat{G}$.
   • Esto permite estimar los ángulos de llegada (AoA) en el receptor (SR) y los ángulos de salida (AoD) desde la BD-RIS hacia los objetivos.
   • Se emplea el algoritmo Alternating Least Squares (ALS) o HOSVD, seguido de ESPRIT (Estimation of Signal Parameters via Rotational Invariance Techniques) para una alta resolución angular.

2. Estimación de Retardo y Doppler (Modelo PARAFAC Anidado):

   • Se utiliza una descomposición PARAFAC anidada sobre el factor $\hat{J}$.
   • Este modelo es clave porque desacopla los dominios de ángulo y retardo-Doppler.
   • Permite estimar los retardos ($\tau$) y los desplazamientos Doppler ($\nu$) de los objetivos independientemente de los errores angulares.
   • También se utiliza ALS seguido de ESPRIT (1D) para la extracción de parámetros.

Etapa Final: Estimación de Ganancia Compleja

• Con los ángulos, retardos y Dopplers estimados, se resuelve un problema de mínimos cuadrados (LS) para recuperar las ganancias complejas del canal ($\alpha_k$) de cada objetivo.

3. Contribuciones Clave

1. Marco TenDAE: Introducción de un enfoque modular de dos etapas que combina estimación de subespacio y ajuste tensorial, logrando alta precisión con menor complejidad computacional.
2. Modelo de Desacoplamiento: Demostración de que el uso de una descomposición PARAFAC anidada permite separar eficazmente los dominios de retardo-Doppler y ángulo, mejorando la estimación de objetivos de alta velocidad sin degradar la precisión angular.
3. Ventaja de la BD-RIS: Comparación teórica y práctica que demuestra que las arquitecturas BD-RIS (con acoplamiento entre elementos) permiten una estimación única de los ángulos de llegada/salida en la RIS, algo que no es posible con RIS diagonales convencionales (que requieren aproximaciones de suma de Khatri-Rao).
4. Condiciones de Identificabilidad: Derivación de condiciones suficientes para la unicidad de la solución basadas en los criterios de Kruskal para modelos PARAFAC, proporcionando guías de diseño para el sistema.
5. Límite Inferior de Cramér-Rao (CRLB): Derivación del CRLB para el escenario propuesto, estableciendo un límite teórico de rendimiento para evaluar la eficiencia de los estimadores.

4. Resultados Numéricos

Los autores evaluaron el rendimiento mediante simulaciones de Monte Carlo comparando TenDAE con métodos de última generación (ML, OMP) y RIS diagonales:

• Precisión: TenDAE se acerca muy al CRLB (con una brecha menor a 1 dB para retardo/Doppler en escenarios de un solo objetivo). En escenarios multi-objetivo, el rendimiento se degrada ligeramente (3-10 dB) debido a la propagación de errores, pero sigue superando a los benchmarks.
• Comparación con ML/OMP: El método propuesto supera a las soluciones basadas en Máxima Verosimilitud (ML) y OMP de referencia (como las de [24]) en hasta 20 dB en términos de Error Cuadrático Medio (RMSE). Esto se debe a que TenDAE evita la propagación de errores secuencial y no requiere una inicialización tan precisa ni recursos masivos (necesita solo $Q=8$ subportadoras y $M=8$ símbolos OFDM, frente a cientos en otros métodos).
• BD-RIS vs. RIS Diagonal: La BD-RIS demuestra una superioridad clara, especialmente en la estimación de retardos y Doppler (mejora de ~5 dB) y en la capacidad de estimar ángulos únicos en la superficie, algo que la RIS diagonal no puede hacer sin ambigüedad.
• Complejidad: Aunque la complejidad aumenta con el número de objetivos y elementos de la RIS, el enfoque modular permite un equilibrio flexible entre precisión y costo computacional.

5. Significado e Impacto

Este trabajo es significativo porque:

• Habilita el Sensado Multi-Objetivo Eficiente: Proporciona una solución viable para detectar múltiples objetivos en entornos complejos con recursos limitados, crucial para aplicaciones 6G y ISAC.
• Justifica el Uso de BD-RIS: Cuantifica matemáticamente y mediante simulaciones la ventaja de las RIS "más allá de la diagonal" sobre las tradicionales, justificando la inversión en hardware más complejo.
• Avance en Procesamiento Tensorial: Introduce una metodología robusta de descomposición tensorial anidada que resuelve el problema del acoplamiento de parámetros, un obstáculo común en el sensado de radar y comunicaciones.
• Ceguera a la Arquitectura: El marco NTFE es "a ciegas" (blind) respecto a la arquitectura subyacente de la RIS, lo que lo hace adaptable y robusto.

En conclusión, el artículo presenta un avance sustancial en la teoría de sensado asistido por RIS, demostrando que la combinación de arquitecturas BD-RIS avanzadas y técnicas de descomposición tensorial permite una estimación de parámetros de alta precisión, robusta y eficiente en recursos para sistemas de sensado bistático multi-objetivo.