Uplink Channel Estimation for Multi-User MISO Systems Assisted by a Fluid Reconfigurable Intelligent Surface

Resumen Técnico: Estimación de Canal de Enlace Ascendente para Sistemas MISO Multiusuario Asistidos por una Superficie Inteligente Reconfigurable Fluida

Planteamiento del Problema
Las Superficies Inteligentes Reconfigurables Fluidas (FRIS) representan un paradigma emergente donde los elementos reflectantes pueden seleccionar dinámicamente sus posiciones efectivas de radiación desde una cuadrícula preestablecida densa, ofreciendo diversidad espacial con menos elementos físicos en comparación con las RIS convencionales. Sin embargo, la Información de Estado del Canal (CSI) precisa es crítica para aprovechar estas ganancias. Mientras que la estimación de canal (CE) en sistemas RIS convencionales se ve desafiada por no idealidades de hardware, los sistemas asistidos por FRIS enfrentan complejidades adicionales debido a la estructura de canal bilineal en cascada y, crucialmente, a las incertidumbres de posición. Estas incertidumbres surgen de imprecisiones de calibración o errores de movimiento, lo que conduce a desajustes entre las posiciones de los elementos comandadas y las realizadas. Hasta donde llega el conocimiento de los autores, la CE para sistemas asistidos por FRIS bajo dicha incertidumbre de posición no ha sido explorada previamente en la literatura.

Metodología
El artículo propone un marco de CE para un sistema MISO de enlace ascendente multiusuario donde $Q$ usuarios con antena única se comunican con una estación base (BS) a través de una FRIS compuesta por $M$ elementos fluidos. El sistema opera bajo un protocolo de configuración de FRIS a dos escalas de tiempo:

1. Desplazamientos de Fase: Los desplazamientos de fase electrónicos ($\phi$) permanecen fijos durante $K$ bloques dentro de una subtrama, pero varían entre subtramas.
2. Posiciones de los Elementos: Las posiciones de reflexión controladas ($t$) varían entre bloques pero se repiten a lo largo de las subtramas.

La señal recibida se modela como un tensor de cuarto orden, que admite una descomposición de Factor Paralelo (PARAFAC). Los autores abordan dos escenarios distintos:

• Escenario 1: Realización de Movimiento Perfecta (Idealizada)
  Asumiendo que las posiciones realizadas coinciden con las comandadas, el objetivo es estimar los canales individuales ($G$ y $H$) dadas las matrices de movimiento ($T$) y fase ($\Phi$) conocidas. Los autores formulan un problema de mínimos cuadrados (LS) y utilizan la Factorización de Khatri-Rao (KRF) para desacoplar la estimación combinada del canal ($\hat{\Theta}$) en componentes de canal individuales ($G$ y $H$). Este enfoque aprovecha las propiedades de eliminación de ruido de la KRF.

• Escenario 2: Incertidumbre de Movimiento (Realista)
  Cuando ocurren desajustes de posición debido a errores de movimiento, la matriz de movimiento $T$ se trata como desconocida. Los autores proponen un marco de estimación conjunta para recuperar simultáneamente la matriz de movimiento $T$ y las matrices de canal $G$ y $H$.

  • El problema se formula como la minimización del error entre los datos observados y un modelo que involucra el producto de Khatri-Rao de $T$, $G^T$ y $H$.
  • La solución emplea factorización de Khatri-Rao LS multidimensional. Específicamente, las columnas del tensor combinado estimado se aproximan como tensores de rango uno.
  • Se aplica una descomposición en valores singulares de orden superior truncada de rango uno (HOSVD) para extraer los vectores singulares dominantes, obteniendo las estimaciones para $\hat{T}$, $\hat{G}$ y $\hat{H}$.

Contribuciones Clave

1. Marco Novel: Este trabajo presenta el primer marco de CE conocido para sistemas asistidos por FRIS que cuenta explícitamente con la incertidumbre de la posición de los elementos.
2. Modelado Tensorial: Los autores derivan una solución algebraica de forma cerrada basada en modelado tensorial (descomposición PARAFAC) que captura tanto la dinámica de desplazamiento de fase de reflexión como la de movimiento de elementos.
3. Algoritmo de Estimación Conjunta: Se propone un algoritmo específico para estimar conjuntamente los coeficientes de fase inducidos por el movimiento y las matrices de canal individuales, abordando el desafío de las desviaciones de posición desconocidas.
4. Análisis de Dos Escenarios: El artículo compara sistemáticamente el rendimiento bajo movimiento idealizado (donde $T$ es conocido) versus incertidumbre de movimiento realista (donde $T$ es ciego/desconocido).

Resultados de Rendimiento
Las simulaciones numéricas evalúan el Error Cuadrático Medio Normalizado (NMSE) del canal combinado bajo diversas Razones Señal-Ruido (SNR) y magnitudes de error de posición ($\sigma_{pos}$):

• Movimiento Ideal: En ausencia de errores de movimiento, el método KRF propuesto supera a los métodos LS estándar y se acerca al rendimiento de los sistemas RIS estáticos clásicos, beneficiándose de las capacidades de desacoplamiento y eliminación de ruido de la KRF.
• Incertidumbre de Movimiento: Cuando existen errores de posición (por ejemplo, $\sigma_{pos} = \lambda/20$), los métodos que ignoran estos errores (utilizando $T$ desajustado) sufren una degradación significativa del rendimiento. El método de estimación conjunta propuesto permanece robusto, mitigando eficazmente el impacto de las desviaciones de movimiento desconocidas y alcanzando niveles de rendimiento comparables al caso de movimiento idealizado y a las referencias de RIS estático.
• Robustez: El método propuesto demuestra resiliencia frente a niveles crecientes de error de posición, mientras que los esquemas que omiten la estimación de movimiento fallan en mantener la precisión.

Significado y Afirmaciones
El artículo afirma que la estimación de canal precisa en sistemas FRIS se ve fundamentalmente obstaculizada por las incertidumbres de posición, un factor previamente no abordado en la literatura. Al introducir un protocolo a dos escalas de tiempo y un marco de estimación conjunta basado en tensores, los autores demuestran que es posible lograr una CSI precisa incluso cuando las posiciones de los elementos se desvían de los valores comandados. El trabajo destaca que tratar la matriz de movimiento como una variable desconocida que debe estimarse conjuntamente es esencial para mantener el rendimiento del sistema en escenarios de implementación realista donde los errores de calibración y movimiento son inevitables. Los autores señalan que la versión completa del artículo elaborará ulteriormente sobre las condiciones de identificabilidad, la complejidad computacional y el impacto de los parámetros del sistema (número de elementos y usuarios).