Gaussian Process-Based Extended Object Estimation for 6G ISAC at Millimeter-Wave Frequencies

Resumen Técnico: Estimación de Objetos Extendidos Basada en Procesos Gaussianos para ISAC 6G en Frecuencias de Ondas Milimétricas

Enunciado del Problema
Los futuros sistemas integrados de detección y comunicación (ISAC) de sexta generación (6G) buscan mejorar la conciencia ambiental al superar la suposición convencional de que los componentes de trayecto múltiple originan en objetos puntuales únicos (hitos). Si bien la detección de alta resolución en frecuencias de ondas milimétricas (mmWave) permite resolver múltiples puntos de incidencia (IP) provenientes de un único objeto físico —denominado "objeto extendido"—, la literatura existente carece de validación experimental de métodos capaces de estimar las formas de estos objetos en escenarios prácticos. Específicamente, aunque los Procesos Gaussianos (GP) se han propuesto teóricamente para la estimación de objetos extendidos (EOE), su eficacia utilizando datos de medición reales compatibles con la Nueva Radio 5G (NR) en contextos tanto de mapeo como de Localización y Mapeo Simultáneos (SLAM) permanece inexplorada.

Metodología
El artículo propone un marco basado en GP para EOE, validado mediante una configuración de detección bistática operando a 60 GHz con un ancho de banda de 400 MHz, compatible con los estándares 5G NR. La metodología procede en tres etapas:

1. Estimación del Punto de Incidencia (IP):

   • Modelo del Sistema: El sistema utiliza transmisión OFDM basada en haces con Arrays Planos Uniformes (UPA) tanto en el transmisor (Tx) como en el receptor (Rx). Los parámetros del canal (Tiempo de Llegada, Ángulo de Salida, Ángulo de Llegada) se extraen de las Señales de Referencia de Posicionamiento (PRS).
   • Escenario de Mapeo: Asumiendo que el estado del Rx (posición, rumbo, sesgo de reloj) es conocido, los IP se estiman resolviendo un problema de optimización no lineal que minimiza la función de costo cuadrática entre los parámetros del canal medidos y los predichos geométricamente.
   • Escenario SLAM: Cuando el estado del Rx es desconocido, se emplea un algoritmo robusto de SLAM por instantáneas basado en Consenso por Muestreo Aleatorio (RANSAC) y Mínimos Cuadrados (LS). Esto divide las mediciones en valores internos (Línea de Vista y No Línea de Vista de rebote simple) y valores atípicos para estimar conjuntamente la trayectoria del Rx y las ubicaciones de los IP.

2. Agrupamiento y Transformación de Datos:

   • Los IP estimados se agrupan utilizando el algoritmo de Agrupamiento Espacial Basado en Densidad con Ruido (DBSCAN) para agrupar puntos que pertenecen al mismo objeto.
   • Para cada grupo, las coordenadas cartesianas se convierten a coordenadas polares $(\theta, r)$ con respecto al centroide del grupo. Los ángulos $\theta$ sirven como regresores (entradas) y las distancias radiales $r$ como observaciones (salidas).

3. Regresión con Procesos Gaussianos:

   • La forma del objeto se modela como una función estrellada-convexa $f(\theta)$ que mapea ángulos polares a distancias radiales.
   • Se entrena un modelo de regresión GP utilizando una función de covarianza exponencial cuadrática periódica para capturar la naturaleza estrellada-convexa de los objetos.
   • Los hiperparámetros (escala de magnitud $\sigma_f$, escala de longitud $\ell$ y varianza de ruido $\sigma_n^2$) y la función media se aprenden maximizando la verosimilitud marginal logarítmica.
   • El modelo predice el contorno completo del objeto y proporciona un intervalo de confianza del 95%, incluso cuando se entrena con datos de contorno parciales.

Contribuciones Clave

• Validación Experimental: El artículo proporciona la primera validación experimental de EOE basada en GP utilizando datos prácticos de mmWave adquiridos desde una configuración compatible con 5G NR, cerrando la brecha entre propuestas teóricas e implementación en el mundo real.
• Evaluación de Doble Escenario: El método se prueba rigurosamente en dos modos operativos distintos:
  • Mapeo mmWave: Donde la trayectoria del receptor es conocida.
  • SLAM mmWave: Donde la trayectoria del receptor es desconocida y debe estimarse simultáneamente con las formas de los objetos.
• Manejo de Contorno Parcial: El estudio demuestra la capacidad de los GP para reconstruir formas de objetos (específicamente pilares y muros) utilizando solo un subconjunto limitado de puntos de medición, reflejando restricciones prácticas donde un único par Tx-Rx no puede capturar el contorno completo del objeto.

Resultados

• Datos Sintéticos: Las pruebas iniciales con datos sintéticos mostraron que aumentar el número de puntos de medición mejora el rendimiento del Error Cuadrático Medio (RMSE), confirmando la robustez de la EOE basada en GP incluso con conjuntos de datos pequeños.
• Datos Experimentales (Mapeo): En el escenario de mapeo, el GP reconstruyó exitosamente las formas de pilares (aproximando círculos) y muros. Los resultados indicaron que las geometrías suaves (pilares) se estimaron con precisión incluso con datos parciales, mientras que las geometrías complejas (muros) requirieron una cobertura angular más extensa para una estimación precisa.
• Datos Experimentales (SLAM): A pesar de las imprecisiones inherentes en la estimación de IP cuando el estado del Rx es desconocido (en comparación con el caso de mapeo), el rendimiento general de la estimación de formas permaneció comparable al escenario de mapeo.
• Variaciones Geométricas: El estudio notó que el hiperparámetro de escala de longitud característica ($\ell$) varió significativamente entre tipos de objetos (por ejemplo, $\ell \approx 0.23$ para muros frente a $\ell \approx 1.31$ para pilares), reflejando la tasa de variación en la función radial requerida para modelar diferentes formas.

Significado y Afirmaciones
Los autores afirman que combinar sistemas ISAC con EOE basada en GP permite una mejora en la conciencia ambiental en futuros sistemas inalámbricos. El significado principal radica en la capacidad de estimar las características físicas (forma, tamaño) de objetos extendidos en lugar de tratarlos como dispersores puntuales. El artículo afirma que:

• La EOE basada en GP funciona de manera fiable tanto en escenarios de mapeo mmWave como en SLAM bajo condiciones prácticas de medición.
• Los objetos extendidos estimados proporcionan insights estructurales más concretos que los modelos de dispersores puntuales.
• Esta conciencia mejorada puede aprovecharse para mejorar aplicaciones ISAC, como refinar algoritmos de cancelación de desorden y permitir mapeos ambientales más precisos.

El artículo mantiene una postura modesta, reconociendo que la capacidad predictiva está limitada por el número de puntos de medición y la cobertura angular. Sugiere que, aunque son posibles estimaciones gruesas de las extensiones de los muros con datos limitados, los detalles más finos pueden requerir múltiples pares Tx-Rx para capturar contornos completos.