Decoupled Azimuth Elevation AoA Estimation Exploiting Kronecker Separable Steering Matrices

Resumen Técnico: Estimación de AoA Acimut-Elevación Desacoplada

Enunciado del Problema
Mientras que las antenas lineales han sido estudiadas extensamente para la estimación del Ángulo de Llegada (AoA), las geometrías de antenas planas, específicamente las Arrays Rectangulares Uniformes (URAs) y las Arrays Rectangulares No Uniformes Estructuradas (NURAs), han recibido comparativamente menos atención a pesar de sus ventajas en aplicaciones modernas como MIMO y localización 3-D. Los métodos existentes para antenas planas, como MUSIC 2-D o ESPRIT 2-D, a menudo sufren de alta complejidad computacional, particularmente cuando requieren búsquedas espectrales 2-D o descomposiciones tensoriales. Además, los métodos computacionalmente eficientes para NURAs estructuradas (que ofrecen mayor flexibilidad de despliegue que las URAs) siguen siendo escasos. El desafío central abordado es el desarrollo de un marco económico para la estimación de AoA 2-D que reduzca la carga computacional manteniendo o mejorando la precisión, especialmente bajo condiciones de pocas tomas o baja Relación Señal-Ruido (SNR).

Metodología
El enfoque propuesto explota la estructura matemática de los vectores de dirección en geometrías de antena específicas. El artículo considera URAs, NURAs estructuradas y arrays con forma de paralelogramo (UPgA y NUPgA). Para estas configuraciones, la matriz de dirección completa $A$ puede expresarse como el producto de Khatri–Rao de dos matrices de dirección de menor dimensión: una para el acimut ($A_h$) y otra para la elevación ($A_v$).

La metodología procede a través de los siguientes pasos:

1. Extracción del Subespacio: El subespacio de señal conjunto se extrae primero de la matriz de covarianza espacial mediante descomposición en valores propios.
2. Desacoplamiento mediante Manipulación Matricial: En lugar de utilizar enfoques basados en tensores, los autores derivan matrices de proyección de subespacio de señal y ruido separadas para cada dimensión espacial. Al remodelar los vectores propios del subespacio de señal conjunto y apilarlos apropiadamente, se recuperan los espacios columna de las matrices de dirección individuales de acimut ($A_h$) y elevación ($A_v$). Esto implica construir matrices $C$ y $B$ a partir del subespacio conjunto y realizar una Descomposición en Valores Singulares (SVD) para obtener bases ortonormales para los subespacios desacoplados.
3. Estimación 1-D Independiente: Una vez obtenidos los subespacios desacoplados, se aplican algoritmos 1-D convencionales (MUSIC, root-MUSIC o ESPRIT) de forma independiente a las dimensiones de acimut y elevación.
   • Para arrays uniformes, se aplican root-MUSIC y ESPRIT.
   • Para arrays no uniformes estructurados, se utiliza MUSIC o root-MUSIC irregular (basado en descomposición de Vandermonde).
4. Emparejamiento de Ángulos: Los ángulos de acimut y elevación estimados se emparejan utilizando una función espectral 2-D (pseudoespectro) para asegurar que corresponden a la misma fuente.

Contribuciones Clave

• Marco de Desacoplamiento de Subespacio: El artículo introduce una técnica puramente basada en matrices para desacoplar la estimación de AoA 2-D en dos problemas 1-D independientes. Esto evita el gasto computacional de los métodos basados en tensores (por ejemplo, tensor-MUSIC o tensor-ESPRIT) y las búsquedas espectrales 2-D.
• Eficiencia Computacional: El desacoplamiento reduce significativamente la complejidad computacional. Por ejemplo, en el caso de NURAs estructuradas, una búsqueda en cuadrícula 2-D de tamaño $n_h \times n_v$ se reduce a dos búsquedas 1-D de tamaño $n_h + n_v$. Los autores citan un ejemplo específico donde un espacio de búsqueda de 32.761 puntos se reduce a 362, logrando una reducción de 90,5 veces.
• Aplicabilidad a Arrays Estructurados: El método está diseñado explícitamente para manejar NURAs estructuradas y arrays de paralelogramo, que son más flexibles para el despliegue práctico que las URAs estándar pero carecen de algoritmos dedicados eficientes.
• Rendimiento Mejorado en Regímenes Desafiantes: Se demuestra que el enfoque es efectivo en escenarios con arrays de escala mediana a grande, pocas tomas y baja SNR.

Resultados
Se realizaron simulaciones de Monte Carlo para evaluar los métodos propuestos (De-RMUSIC, De-ESPRIT, De-MUSIC y De-MUSIC-Opt) frente a referencias de última generación (MUSIC 2-D, MUSIC de Dimensión Reducida y ESPRIT 2-D/ESPRIT-MIMO).

• Precisión: Para URAs de tamaños $10\times10$, $20\times20$ y $30\times30$, el De-RMUSIC propuesto logró consistentemente el menor Error Cuadrático Medio (RMSE) a través de diversos niveles de SNR, superando a RD-MUSIC y a menudo superando a ESPRIT-MIMO, particularmente en SNRs bajas.
• Eficiencia de Tomas: Los algoritmos propuestos demostraron una precisión superior comparada con ESPRIT-MIMO cuando el número de tomas era limitado. Aunque el rendimiento convergió con conteos de tomas más altos, los métodos propuestos mantuvieron una ventaja en regímenes de pocos datos.
• NURAs Estructuradas: Para NURAs estructuradas, el enfoque desacoplado de MUSIC (De-MUSIC) logró una precisión comparable a MUSIC 2-D pero con un tiempo de ejecución significativamente menor. La variante optimizada (De-MUSIC-Opt), que utiliza optimización no lineal para una búsqueda fina, fue la más eficiente computacionalmente.
• Costo Computacional: Si bien los métodos propuestos requieren SVDs adicionales y un paso de emparejamiento de ángulos (haciéndolos ligeramente más costosos que ESPRIT-MIMO sin emparejamiento en algunos casos), son sustancialmente más eficientes que MUSIC 2-D y RD-MUSIC. La brecha de tiempo de ejecución con ESPRIT-MIMO se señala como no significativa para los tamaños de array probados, pero podría aumentar con dimensiones espaciales más grandes.

Significado y Afirmaciones
El artículo afirma que la estrategia de desacoplamiento propuesta ofrece una alternativa práctica y eficiente a las técnicas existentes de estimación de AoA 2-D. Al aprovechar la estructura separable por Kronecker de las matrices de dirección, el método permite el uso de algoritmos 1-D bien establecidos en arrays planas sin la pesada carga computacional de búsquedas 2-D o descomposiciones tensoriales.

Los autores enfatizan que, si bien el método tiene una limitación en el número máximo de fuentes detectables (específicamente, puede detectar hasta $\min\{M, N\} - 1$ fuentes, que es menor que el límite de $MN-1$ de MUSIC 2-D), proporciona un compromiso convincente. Para arrays uniformes grandes y arrays no uniformes estructurados, el enfoque ofrece mayor precisión con menos tomas y una eficiencia espectral mejorada. El trabajo se presenta como un paso significativo hacia la habilitación de aplicaciones de localización 3-D de alto rendimiento y radar MIMO utilizando geometrías de antena flexibles donde los algoritmos computacionalmente eficientes eran previamente escasos.