G-iMUSIC: Greedy Iterative MUSIC Algorithms for Multi-Target DoA Estimation

Resumen Técnico: G-iMUSIC: Algoritmos MUSIC Iterativos Voraces para la Estimación de DoA de Múltiples Objetivos

Planteamiento del Problema
La estimación de la dirección de llegada (DoA) de múltiples objetivos es un desafío fundamental en el procesamiento de señales de arreglo, crítico para radares, sonares y comunicaciones inalámbricas. El artículo aborda los compromisos inherentes en las estrategias de estimación existentes. Si bien el Estimador de Máxima Verosimilitud (MLE) alcanza asintóticamente el límite de Cramér-Rao, su complejidad computacional exponencial lo hace poco práctico para aplicaciones en tiempo real. Por el contrario, los métodos voraces como la Búsqueda de Coincidencia Ortogonal (OMP) y los Mínimos Cuadrados Ortogonales (OLS) ofrecen menor complejidad, pero son sensibles a errores de selección temprana, particularmente cuando los objetivos están próximos angularmente (limitados por el límite de Rayleigh). Los métodos de subespacio, como la Clasificación de Múltiples Señales (MUSIC), proporcionan capacidades de superresolución, pero se degradan significativamente cuando las señales de los objetivos están altamente correlacionadas. Además, las variantes anteriores de MUSIC iterativo (iMUSIC) a menudo carecen de una base estadística principista y requieren descomposiciones de valores propios (EVD) computacionalmente costosas en cada iteración.

Metodología
Los autores proponen dos algoritmos novedosos, OMP-iMUSIC y OLS-iMUSIC, que unifican la optimización voraz con la estimación basada en subespacio. La metodología central se basa en un marco unificado que vincula la estimación de subespacio con criterios de selección voraz:

1. Marco Unificado: Los autores reformulan los pasos de selección de OMP y OLS utilizando una descomposición tipo MUSIC de los subespacios de señal residual y ruido. Mediante la aproximación de las funciones objetivo a través de argumentos de rango bajo, derivan reglas de selección que utilizan el subespacio de señal residual (o subespacio de ruido) para guiar la búsqueda voraz.
2. Diseño de una sola EVD: A diferencia de los enfoques iMUSIC anteriores que recalculan la EVD en cada iteración, los algoritmos propuestos realizan únicamente una EVD inicial sobre la matriz de covarianza de la muestra para estimar los subespacios de señal y ruido. Las iteraciones posteriores actualizan estos subespacios residuales mediante multiplicaciones de matrices eficientes con operadores de proyección, evitando las EVD repetidas.
3. Variantes Ponderadas: El marco también incluye versiones ponderadas (OMP-iWMUSIC y OLS-iWMUSIC) que incorporan la ponderación de valores propios, análoga a la MUSIC Ponderada (WMUSIC).
4. Aceleración FFT: Para Arreglos Lineales Uniformes (ULA), los autores derivan implementaciones aceleradas mediante la Transformada Rápida de Fourier (FFT) para los pasos de selección de OLS y las variantes G-iMUSIC propuestas. Esto extiende las implementaciones existentes de MUSIC y OMP aceleradas por FFT a los dominios de OLS y G-iMUSIC, reduciendo significativamente la carga computacional.

Contribuciones Clave
El artículo describe cuatro contribuciones principales:

• Mejora del Rendimiento de Estimación: El desarrollo de OMP-iMUSIC y OLS-iMUSIC, que combinan los marcos voraces iterativos de OMP/OLS con las capacidades de superresolución de MUSIC. Estos métodos logran un mejor rendimiento de localización y detección que sus contrapartes independientes.
• Eficiencia Computacional: Un diseño que requiere únicamente una EVD inicial y utiliza actualizaciones eficientes de subespacio. Además, la introducción de implementaciones aceleradas por FFT para ULA apoya la operación en tiempo real de baja complejidad.
• Caracterización Exhaustiva: Un análisis teórico detallado de la complejidad y extensas simulaciones de Monte Carlo que comparan los métodos propuestos con técnicas de vanguardia (MLE, OMP, OLS, MUSIC).
• Métricas Diagnósticas y Validación: Validación en un escenario práctico de radar pasivo OFDM (sin decodificar símbolos de datos desconocidos). Los autores introducen dos métricas diagnósticas agnósticas al escenario: la métrica de correlación de vector de guiado ($T$) para cuantificar la proximidad angular media entre objetivos, y la métrica de correlación de señal ($S$) para cuantificar la correlación de señal media. Estas métricas se utilizan para interpretar el rendimiento en diferentes regímenes.

Resultados
Extensas simulaciones de Monte Carlo (10.000 ejecuciones) en un entorno de radar pasivo demuestran lo siguiente:

• Detección y Precisión: Tanto OMP-iMUSIC como OLS-iMUSIC superan consistentemente a OMP, OLS y MUSIC convencionales en términos de probabilidad de detección (estadístico J de Youden) y precisión (RMSE). OLS-iMUSIC, en particular, se acerca a la precisión casi óptima de MUSIC al resolver un problema de mínimos cuadrados en cada iteración, mientras que OMP-iMUSIC ofrece un equilibrio entre ambos.
• Robustez: Los métodos propuestos muestran una robustez superior en regímenes de baja correlación de señal (baja $S$) en comparación con MUSIC estándar, y un mejor manejo de objetivos próximos angularmente en comparación con los métodos voraces estándar.
• Complejidad Computacional: Los algoritmos propuestos exhiben tiempos de procesamiento más bajos que las líneas base tradicionales de OMP y OLS. Las implementaciones aceleradas por FFT reducen significativamente el tiempo de ejecución, haciendo que los métodos sean competitivos con MUSIC. Cabe destacar que, con bajas cantidades de objetivos, OMP-iMUSIC puede ser más rápido que MUSIC debido a la evitación de la costosa etapa de detección de picos de MUSIC.
• Variantes Ponderadas: Las variantes ponderadas (iWMUSIC) tienen un rendimiento similar al de sus contrapartes no ponderadas en detección y precisión, pero son superadas por el G-iMUSIC no ponderado en el escenario específico de radar pasivo probado.

Significado y Afirmaciones
El artículo afirma que los algoritmos G-iMUSIC propuestos ofrecen un equilibrio efectivo entre el rendimiento de estimación y la complejidad computacional, haciéndolos adecuados para la estimación de DoA de múltiples objetivos en tiempo real. Al integrar la superresolución de los métodos de subespacio en un marco voraz sin el costo de EVD repetidas, los autores abordan las limitaciones de los enfoques puramente voraces y puramente de subespacio. La introducción de métricas diagnósticas ($T$ y $S$) proporciona un marco generalizado para comprender el rendimiento del algoritmo más allá de configuraciones de radar específicas. Los autores concluyen que la elección entre OMP-iMUSIC y OLS-iMUSIC debe guiarse por el compromiso deseado entre rendimiento y complejidad, ofreciendo OLS-iMUSIC mayor precisión y OMP-iMUSIC menor complejidad. Se identifica como trabajo futuro la extensión de este marco a sistemas de radar MIMO y multistáticos.