Decoupled Delay-Doppler and Angle Estimation in BD-RIS Sensing via Nested Tucker Decomposition

Resumen Técnico: Estimación Desacoplada de Retardo-Doppler y Ángulo en Sensado con BD-RIS mediante Descomposición Tucker Anidada

Enunciado del Problema
El artículo aborda el desafío de la localización de un objetivo único en una red de sensado monostática asistida por una Superficie Inteligente Reconfigurable Más Allá de la Diagonal (BD-RIS) conectada en grupos. A diferencia de las RIS pasivas tradicionales que utilizan matrices de desplazamiento de fase diagonales, las arquitecturas BD-RIS emplean acoplamiento entre elementos para realizar matrices de desplazamiento de fase no diagonales, ofreciendo grados de libertad adicionales. Sin embargo, esto introduce complejidad en la estimación del canal y la extracción de parámetros. El problema específico consiste en estimar los parámetros físicos del objetivo: retardo ($\tau$), desplazamiento Doppler ($\nu$) y ángulos de llegada/salida ($\phi, \theta$), en un escenario donde el camino directo de línea de visión está bloqueado y el sensado depende del enlace de eco a través de la BD-RIS. El sistema involucra un transmisor de sensado (ST) con múltiples antenas y una BD-RIS con $N$ elementos divididos en $K$ grupos, donde se preserva el acoplamiento intra-grupo pero se evita la interconexión completa para equilibrar la complejidad del hardware y la identificabilidad.

Metodología
Los autores proponen el algoritmo de Factorización y Estimación Tucker Anidada (NTFE), que modela la señal recibida como un tensor Tucker anidado de tercer orden. Este enfoque explota explícitamente la estructura por bloques inducida por la arquitectura de BD-RIS conectada en grupos.

1. Modelado de la Señal: La señal de eco recibida se formula como una descomposición de tensor Tucker anidado de tercer orden. El modelo separa el dominio retardo-Doppler del dominio angular. El tensor de datos recibidos $\mathbf{Y}$ se expresa como:
   $$\mathbf{Y} = \mathbf{I} \times_1 \mathbf{G} \times_2 [\mathbf{F}]_{(1)} \times_3 \mathbf{S} \times_4 \mathbf{p}'$$
   donde $\mathbf{G}$ representa el canal geométrico, $\mathbf{S}$ las matrices de desplazamiento de fase, $\mathbf{p}'$ el vector de información angular y $[\mathbf{F}]_{(1)}$ el despliegue de modo-1 que contiene la información de retardo-Doppler. Un modelo anidado secundario aísla aún más los vectores de guiado de retardo y Doppler.

2. Procedimiento de Estimación en Dos Etapas:

   • Etapa 1 (Estimación de Factores): El algoritmo emplea un enfoque de Mínimos Cuadrados Alternos (ALS), específicamente un procedimiento de Mínimos Cuadrados Alternos Bilineales (BALS), para estimar los factores del tensor $[\mathbf{F}]_{(1)}$ y $\mathbf{p}'$. Este paso desacopla los componentes espaciales (ángulo) y temporales (retardo-Doppler).
   • Etapa 2 (Extracción de Parámetros):
     • Retardo y Doppler: Utilizando el factor estimado $[\mathbf{F}]_{(1)}$, el algoritmo aplica ESPRIT 1D (Estimación de Parámetros de Señal mediante Técnicas de Invarianza Rotacional) para extraer el retardo $\tau$ y el Doppler $\nu$.
     • Ángulos: Las estimaciones de retardo y Doppler se utilizan para reconstruir paramétricamente sus vectores de guiado. Estos factores refinados se sustituyen nuevamente en el modelo para extraer la matriz de información angular $\mathbf{P}$. Luego, se aplica un algoritmo ESPRIT 2D a $\mathbf{P}$ para estimar los ángulos de acimut y elevación.
     • Ganancia Compleja: Finalmente, el coeficiente de ganancia de canal complejo $\alpha$ se estima mediante un paso de mínimos cuadrados de forma cerrada utilizando división elemento a elemento, aprovechando el conjunto de datos multidimensional completo para mitigar el ruido.

3. Análisis de Identificabilidad: El artículo analiza las condiciones de unicidad del modelo propuesto. Debido al uso de un tensor núcleo $\mathbf{I}$ determinista y conocido, se evitan rotaciones arbitrarias de las estimaciones. Las ambigüedades restantes se limitan a factores de escala triviales, que se cancelan en el tensor reconstruido o se resuelven a través de la estructura específica de los pasos de estimación.

Contribuciones Clave

• Algoritmo Novel: El desarrollo del algoritmo NTFE, que utiliza una descomposición Tucker anidada para modelar las señales de sensado asistidas por BD-RIS, teniendo en cuenta explícitamente la arquitectura conectada en grupos.
• Estrategia de Desacoplamiento: Un procedimiento en dos etapas que desacopla exitosamente la estimación de parámetros de retardo-Doppler de los parámetros angulares, evitando el alto costo computacional y la propagación de errores asociados con las búsquedas secuenciales de Máxima Verosimilitud (ML) 4D.
• Garantías Teóricas: Derivación de condiciones de identificabilidad y unicidad, demostrando que el modelo propuesto permite una estimación única de parámetros hasta ambigüedades de escala triviales bajo restricciones específicas de dimensión del sistema (por ejemplo, $LT \geq N$ y $LMQT \geq N^2$).
• Estimación de Ganancia de Forma Cerrada: Un método de baja complejidad para estimar el coeficiente de ganancia de canal complejo una vez resueltos los parámetros estructurales.

Resultados de Simulación
El rendimiento de NTFE se evaluó mediante simulaciones de Monte Carlo frente a tres puntos de referencia: un método ML 4D secuencial, una estimación directa de Mínimos Cuadrados (LS) y un método basado en Factorización de Kronecker (KF).

• Estimación Efectiva del Canal: NTFE demostró una mejora significativa en el Error Cuadrático Medio Normalizado (NMSE) para la estimación del canal efectivo. Superó al método KF en aproximadamente 25 dB y al método LS directo en aproximadamente 35 dB.
• Precisión de Parámetros: En términos de Error Cuadrático Medio (RMSE) para la estimación de retardo, Doppler y ángulos, NTFE logró una ganancia de rendimiento de aproximadamente 10 dB en comparación con el punto de referencia estándar ML 4D.
• Robustez: Los resultados indican que NTFE explota eficazmente la estructura de BD-RIS conectada en grupos, proporcionando una estimación precisa incluso en escenarios donde los métodos ML secuenciales sufren de dependencia de la inicialización y propagación de errores.

Significado y Afirmaciones
El artículo afirma que el algoritmo NTFE representa un avance significativo en el sensado asistido por BD-RIS al cerrar la brecha entre el procesamiento basado en tensores y las restricciones de hardware específicas de las BD-RIS conectadas en grupos. El significado principal radica en la capacidad de desacoplar los dominios espacial y temporal, lo que conduce a una precisión de estimación superior y una complejidad computacional reducida en comparación con los puntos de referencia más avanzados. Los autores afirman que, al modelar explícitamente la estructura por bloques de la BD-RIS, el método logra identificabilidad y supera a las técnicas existentes tanto en la reconstrucción del canal efectivo como en la estimación de parámetros físicos, convirtiéndolo en una solución viable para sistemas de sensado y comunicaciones integrados (ISAC) que utilizan arquitecturas RIS avanzadas.