Deep Learning Based Sparse Array Design with Pre-Steering for Adaptive Beamforming

Resumen Técnico: Diseño de Arreglos Dispersos Basado en Aprendizaje Profundo con Pre-direccionamiento para Formación de Haz Adaptativa

Formulación del Problema
Los arreglos dispersos (sparse arrays) se utilizan ampliamente en radar, sonar y comunicaciones inalámbricas para lograr una alta resolución espacial y supresión de interferencias con una complejidad de hardware reducida. El desafío central abordado en este trabajo es el diseño de configuraciones óptimas de arreglos dispersos (seleccionando $M$ antenas activas de $N$ elementos disponibles) para maximizar la Relación Señal a Interferencia más Ruido (SINR) en entornos dinámicos. Si bien los métodos convencionales basados en optimización, como los algoritmos iterativos y la relajación semidefinida (SDR), pueden alcanzar la SINR máxima, son computacionalmente intensivos y a menudo no son adecuados para la adaptación en tiempo real en condiciones de propagación que cambian rápidamente.

Los enfoques de aprendizaje profundo (DL) existentes han intentado aprender estas configuraciones directamente de los datos. Sin embargo, los métodos previos típicamente requieren conjuntos de datos de entrenamiento que cubran todos los posibles ángulos de la fuente deseada. Esto requiere conjuntos de datos masivos y recursos computacionales significativos, lo que limita la escalabilidad y la capacidad de generalización a direcciones arbitrarias sin necesidad de reentrenamiento. Además, las implementaciones prácticas enfrentan desafíos relacionados con los errores de estimación de la Dirección de Llegada (DOA), los cuales pueden degradar el rendimiento de la formación de haz si el sistema no es robusto ante desajustes angulares.

Metodología
La solución propuesta introduce un marco de aprendizaje profundo que integra una estrategia de pre-direccionamiento (pre-steering) con Redes Neuronales Convolucionales (CNN) para permitir una configuración de arreglo disperso rápida y robusta.

1. Transformación de Pre-direccionamiento:
   En lugar de entrenar una red en cada ángulo de fuente posible, los autores proponen entrenar una única red exclusivamente en la dirección de broadside ($90^\circ$). Para cualquier escenario de prueba arbitrario con una fuente deseada en el ángulo $\theta_s$, la matriz de covarianza espacial recibida $R_x$ es pre-direccionada mediante una matriz de desplazamiento de fase diagonal $D(\theta_s)$. Esta transformación alinea la señal deseada hacia el broadside ($90^\circ$) antes de ser introducida en la red:
   $$R_{pre} = D(\theta_s) R_x D^H(\theta_s)$$
   Esto permite que la red, entrenada solo en escenarios de broadside, infiera la configuración dispersa óptima para cualquier dirección de fuente arbitraria, convirtiendo efectivamente el problema en un escenario equivalente de broadside.

2. Entrenamiento Aumentado por Errores de Robustez:
   Reconociendo que el pre-direccionamiento práctico puede sufrir errores de calibración o imprecisiones en la estimación de la DOA, los autores incorporan perturbaciones estructuradas durante el entrenamiento. En lugar de asumir un alineamiento perfecto, el proceso de entrenamiento incluye muestras con pequeños errores de pre-direccionamiento controlados (por ejemplo, $\pm 0.1^\circ, \pm 0.2^\circ$). Este entrenamiento "aumentado por error" obliga a la red a aprender configuraciones óptimas que sigan siendo válidas incluso cuando la dirección real de la fuente se desvía ligeramente de la dirección de observación asumida.

3. Arquitectura de la Red y Sectorización:
   La CNN toma los componentes real, imaginario y de fase de la matriz de correlación $N \times N$ como entrada ($3 \times N \times N$). Para gestionar la explosión combinatoria de posibles configuraciones de arreglo (por ejemplo, 924 combinaciones para $N=12, M=6$), el campo de visión se particiona en sectores angulares. A cada sector se le asigna la configuración óptima que ocurre con mayor frecuencia dentro de ese rango, reduciendo la tarea de clasificación a un número manejable de clases de salida.

Resultos Clave
Los resultados de la simulación utilizando un Arreglo Lineal Uniforme (ULA) de 12 elementos con 6 cadenas de RF demuestran la eficacia del enfoque propuesto:

• Generalización sin Reentrenamiento: La estrategia de pre-direccionamiento permite con éxito que una red entrenada únicamente en broadside se generalice a ángulos de fuente arbitrarios. Bajo condiciones de pre-direccionamiento ideal, el método alcanza una precisión de prueba superior al 90% en amplios rangos de ángulos de fuente e interferencia.
• Robustez ante Errores: Los experimentos iniciales mostraron que las redes no entrenadas sufrían caídas significativas de precisión (hasta ~25%) al exponerse a errores de pre-direccionamiento. Al implementar un aumento de error estructurado (entrenamiento con muestras que contienen perturbaciones pequeñas y específicas), la robustez de la red mejoró drásticamente.
• Rendimiento con Errores Grandes: La configuración más robusta, que utilizó un conjunto de datos expandido (16,000 muestras) con errores de pre-direccionamiento sistemáticos y pequeños ($\pm 0.2^\circ$), mantuvo una precisión de prueba del 90.66% incluso cuando fue probada contra errores de pre-direccionamiento aleatorios y mayores ($\pm 1^\circ$).
• Compromisos de la Sectorización: Si bien el etiquetado basado en sectores redujo la complejidad del modelo, el artículo señala que este enfoque puede degradar el rendimiento de la SINR si los límites de los sectores son demasiado amplios o si la configuración óptima varía significativamente dentro de un sector. Sin embargo, el enfoque de pre-direccionamiento mitigó la necesidad de conjuntos de datos de entrenamiento multi-ángulo que de otro modo serían requeridos para mantener una alta precisión.

Significancia y Contribuciones
El artículo reclama tres contribuciones primarias al campo de la formación de haz adaptativa:

1. Marco de Pre-direccionamiento Escalable: La introducción de un marco de pre-direccionamiento basado en DL que permite que una única red neuronal, entrenada solo en broadside, se generalice a direcciones deseadas arbitrarias. Esto reduce significativamente la complejidad del entrenamiento, los requisitos de almacenamiento de datos y las cargas de generalización en comparación con los métodos que requieren una cobertura angular exhaustiva.
2. Robustez bajo Incertidumbre: La investigación y demostración de que el método propuesto mantiene una alta precisión bajo incertidumbre angular. Al incorporar sistemáticamente perturbaciones de pre-direccionamiento estructuradas durante el entrenamiento, la red aprende a tolerar errores de estimación de la DOA, asegurando un rendimiento fiable en entornos dinámicos.
3. Adaptación en Tiempo Real: La capacidad de seleccionar eficientemente antenas activas para maximizar la SINR de salida para una fuente deseada y una señal de interferencia. La combinación de la eficiencia del pre-direccionamiento y la capacidad de inferencia de la red neuronal proporciona una vía práctica para la adaptación de arreglos dispersos en tiempo real, superando la latencia computacional de los métodos de optimización iterativos tradicionales.

Los autores concluyen que, si bien el enfoque basado en sectores tiene limitaciones respecto a la degradación de la SINR en ciertas regiones angulares, la integración del pre-direccionamiento con el entrenamiento consciente de los errores ofrece una solución robusta y eficiente para la configuración de arreglos dispersos en tiempo real en entornos de propagación inciertos.