Spatially Distributed Task-Oriented Compression for Multi-Emitter Localization and Characterization with Spectral Overlap

Resumen Técnico: Compresión Orientada a Tareas Espacialmente Distribuida para la Localización y Caracterización de Multi-emisores con Solapamiento Espectral

Planteamiento del Problema
El artículo aborda el desafío del conocimiento del espectro de Radiofrecuencia (RF) en entornos inalámbricos densos y disputados donde emisores no autorizados o adversarios pueden interrumpir infraestructuras críticas. Mientras que un solo receptor puede detectar interferencias, carece de la información espacial necesaria para localizar y caracterizar múltiples emisores simultáneos, particularmente cuando sus espectros se solapan. El uso de detección distribuida mediante receptores espacialmente separados ofrece una solución al explotar la diversidad espacial. Sin embargo, el reenvío de muestras de fase y cuadratura (IQ) complejas sin procesar desde múltiples receptores a un centro de fusión central impone requisitos de ancho de banda de comunicación prohibitivos, especialmente para la detección de banda ancha. El problema central es diseñar un marco de compresión eficiente en comunicación que comprima las observaciones locales de los receptores en representaciones compactas, preservando la información suficiente para que un decodificador central estime conjuntamente el número, las ubicaciones, los parámetros espectrales y las familias de formas de onda de los emisores activos.

Metodología
Los autores proponen un marco de compresión distribuida orientada a tareas utilizando aprendizaje profundo. El sistema consta de $M$ receptores espacialmente distribuidos y un decodificador de fusión central.

1. Codificación Local: Cada receptor observa una ventana corta de muestras IQ complejas. Estas muestras se transforman en una representación tiempo-frecuencia mediante la Transformada de Fourier de Tiempo Corto (STFT), apilando los componentes reales e imaginarios como canales de entrada. Un codificador neuronal local (una red convolucional residual con submuestreo asimétrico) mapea esta representación en un vector latente de baja dimensión $z_i \in \mathbb{R}^{d_{rx}}$. Crucialmente, aunque todos los receptores comparten la misma arquitectura, sus parámetros no son compartidos, lo que les permite aprender representaciones específicas del receptor basadas en sus posiciones geométricas fijas.
2. Fusión Central y Predicción de Conjuntos: El centro de fusión concatena los vectores latentes de todos los receptores en un orden fijo. Un decodificador MLP (Perceptrón Multicapa) central procesa este vector fusionado para predecir un conjunto desordenado de emisores activos. La salida está estructurada en $K_{max}$ ranuras candidatas, donde cada ranura predice un logit de existencia, una ubicación 2D, un desplazamiento de frecuencia central, un ancho de banda ocupado y una etiqueta binaria de familia de forma de onda.
3. Entrenamiento Invariante a la Permutación: Dado que el número de emisores activos $K$ es desconocido y su orden es arbitrario, el modelo emplea un objetivo de entrenamiento invariante a la permutación. La función de pérdida minimiza la distorsión entre el conjunto predicho y el conjunto de referencia (ground-truth) mediante la búsqueda de la asignación óptima (permutación) que minimice el costo total. La función de costo combina la entropía cruzada binaria para la existencia y la clasificación de la forma de onda con la pérdida Smooth L1 para la regresión de parámetros continuos (ubicación, frecuencia, ancho de banda).

Contribuciones Clave

• Marco de Estimación Conjunta: Este trabajo formula el conocimiento del espectro distribuido como un problema de estimación de conjuntos de emisores conjuntos, infiriendo simultáneamente la cardinalidad, las ubicaciones espaciales, los parámetros espectrales (frecuencia central, ancho de banda) y las familias de formas de onda a partir de observaciones IQ comprimidas.
• Compresión Neuronal Orientada a Tareas: Propone una arquitectura neuronal específica donde los codificadores del lado del receptor producen latentes compactos diseñados explícitamente para la tarea de inferencia descendente (downstream), en lugar de la reconstrucción de la señal sin procesar, adhiriéndose al principio del cuello de botella de información distribuido.
• Manejo de Conjuntos Desordenados: La aplicación de un objetivo invariante a la permutación permite al sistema manejar escenas con variaciones en el número de emisores y órdenes arbitrarios, incluyendo escenarios con espectros parcialmente o fuertemente solapados.
• Análisis de Dimensionalidad: El estudio evalúa sistemáticamente la compensación entre la dimensionalidad latente del lado del receptor ($d_{rx}$) y la precisión de la estimación para la cardinalidad, localización y parámetros espectrales.

Resultados Experimentales
Los experimentos se realizaron en escenas sintéticas de multi-emisores con solapamiento espectral, utilizando cuatro receptores fijos y variables en el número máximo de emisores ($K_{max} \in \{3, 4, 5\}$).

• Impacto de la Dimensión Latente: La dimensión latente del lado del receptor $d_{rx}$ impacta significamente el rendimiento. Incrementar $d_{rx}$ de 1 a 16 produjo las mejoras más sustanciales en todas las métricas. Específicamente, el error cuadrático medio (RMSE) de localización cayó de aproximadamente 238–290 m a 102–140 m, y los errores de parámetros espectrales disminuyeron significativamente.
• Rendimientos Decrecientes: Incrementar aún más $d_{rx}$ a 64 proporcionó ganancias menores y menos consistentes, sugiriendo que $d de_{rx}=16$ captura la mayor parte de la información relevante para la tarea manteniendo una alta compresión.
• Sensibilidad a la Tarea: Representaciones extremadamente compactas ($d_{rx}=1$) fueron suficientes para preservar la información para el conteo de emisores y la estimación de la familia de la forma de onda (alcanzando una precisión casi perfecta), pero resultaron en un desempeño pobre para la regresión de parámetros continuos (localización y parámetros espectrales).
• Complejidad: El desempeño se degradó a medida que $K_{max}$ aumentaba, reflejando la mayor dificultad para resolver la ambigüedad espacial y el solapamiento espectral.

Significancia y Reivindicaciones
El artículo afirma que la compresión aprendida orientada a tareas es un enfoque viable para el conocimiento del espectro distribuido con eficiencia de comunicación. Los resultados demuestran que incluso las representaciones extremadamente compactas del lado del receptor pueden preservar información útil para tareas discretas (conteo y clasificación), mientras que incrementos moderados en la dimensionalidad permiten una estimación precisa de parámetros continuos. Los autores posicionan este trabajo como un puente entre la teoría del cuello de botella de información distribuida y el monitoreo de RF práctico, mostrando que la localización y caracterización conjuntas son factibles sin transmitir datos de banda ancha sin procesar.

Los autores mantienen la modestia respecto al alcance actual, reconociendo que el modelo está ligado a geometrías de receptores fijas y estadísticas de propagación simuladas (careciendo de multitrayectoria, sombreado e impedimentos de sincronización). Señalan que $d_{rx}$ representa la compacidad de la representación en lugar de una tasa de bits explícita, ya que no se modelaron la cuantización ni los efectos del canal. Se identifica como trabajo futuro la necesidad de incorporar restricciones explícitas de nivel de bit, cuantización y efectos de hardware y propagación más realistas.