Single-Base-Station Indoor Localization via Super-Resolved Relative Power Delay Profiles

Resumen Técnico: Localización en Interiores con una Única Estación Base mediante Perfiles de Retardo de Potencia de Superresolución

1. Planteamiento del Problema

El artículo aborda el desafío de la localización en interiores utilizando una única estación base (BS) sin depender de una trayectoria de Línea de Visión (LoS), información de ángulo de llegada (AoA) o un rango de tiempo de llegada (ToA) absoluto. Aunque se ha explorado el uso de los Perfiles de Retardo de Potencia (PDP) como huellas dactilares de localización, dado que los componentes de trayectoria múltiple están moldeados por la geometría circundante, existe una brecha crítica entre los PDP teóricos y las observaciones prácticas.

Los receptores de comunicación no observan PDP ideales y continuos. En su lugar, observan un número finito de muestras de frecuencia piloto ruidosas. Esta limitación introduce tres distorsiones específicas:

1. Desenfoque de Dirichlet (Dirichlet Blur): Causado por la apertura finita de la ventana de observación de los pilotos.
2. Plegado de Retardo (Delay Folding): Causado por el espaciamiento uniforme de los pilotos, lo que crea un periodo de ambigüedad donde los retardos físicos separados por múltiplos enteros del periodo de ambigüedad son indistinguibles.
3. Desajuste de Fuera de Rejilla (Off-Grid Mismatch): Derivado de cuando los retardos físicos continuos no se alinean con el diccionario de retardo discreto utilizado para la reconstrucción.

Los enfoques existentes suelen optimizar la fidelidad de la reconstrucción del canal (ignorando la discriminabilidad de la localización) o asumen que un PDP ya se ha formado (ignorando cómo la apertura finita y el espaciamiento de los pilotos remodelan la huella dactilar). Este artículo pretende cerrar la brecha entre la observación y la localización modelando estas distorsiones directamente desde los datos del dominio de los pilotos.

2. Metodología

El marco propuesto separa la cadena de localización en un front-end de PDP y una etapa de inferencia de mapa de radio, asegurando que las diferencias de rendimiento aíslen el método de representación en lugar del clasificador descendente.

A. Modelo de Observación
Los autores modelan el canal como una suma de componentes de trayectoria múltiple. Caracterizan explícitamente los efectos de la rejilla de pilotos:

• Plegado (Folding): La observación es periódica con un periodo de ambigüedad $T_{amb} = 1/\Delta f_p$. Las trayectorias se pliegan dentro de este intervalo, y la fase se absorbe en las ganancias complejas. El PDP plegado se trata como la huella dactilar dependiente de la ubicación.
• Desenfoque (Blur): El número finito de pilotos $M$ resulta en una función de dispersión de núcleo de Dirichlet, ensanchando los componentes y creando lóbulos secundarios.

B. Construcción de la Huella Dactilar
Se comparan tres front-ends de PDP:

1. PDP Nativo (Native PDP): El cuadrado de la magnitud de la DFT inversa de las muestras de los pilotos, muestreado en la rejilla de retardo natural.
2. PDP con Relleno de Ceros (Zero-Padded (ZP) PDP): La respuesta nativa interpolada mediante relleno de ceros (2x y 3x) a una rejilla más fina. Los autores señalan que esto no añade nuevas observaciones ni capacidad de resolución, solo un muestreo más denso de la respuesta desenfocada.
3. EM-SBL PDP (Propuesto): Una reconstrucción de potencia posterior dispersa utilizando Aprendizaje Bayesiano Disperso de Expectación-Maximización (EM-SBL).
   • El modelo asume un vector latente disperso $x_q$ en una rejilla fina ($q \ge 1$).
   • El algoritmo infiere el segundo momento posterior ($|\mu_n|^2 + [\Sigma]_{n,n}$) para reconstruir el perfil de potencia.
   • Este enfoque trata el PDP como una estructura latente dispersa inferida a partir de los pilotos, en lugar de una simple interpolación.

C. Normalización de Características e Inferencia

• Normalización: Para eliminar la dependencia de la potencia absoluta, los perfiles se recortan a un nivel $B$ dB por debajo del máximo (establecido en 50 dB) y se normalizan a $[0, 1]$.
• Mapa de Radio: El área de servicio se divide en celdas. Fuera de línea (offline), se construye un mapa de características normalizadas. En línea (online), una característica de consulta se empareja con el mapa utilizando un clasificador de $k$-vecinos más cercanos ponderado (weighted $k$-NN), aunque también se prueban otros clasificadores (SVM, Random Forest).

3. Contribuciones Clave

• Formulación de la Localización Sin LoS: El artículo formula la localización con una sola BS utilizando PDPs relativos como huellas dactilares ambientales, tratando explícitamente la trayectoria múltiple como información en lugar de un impedimento.
• Modelado Explícito de las Distorsiones Inducidas por los Pilotos: Deriva la función de dispersión de núcleo de Dirichlet periódica y la representación de retardo plegado inducida por el espaciamiento uniforme de los pilotos, manteniendo la representación plegada tanto para la etapa offline como para la online.
• Reconstrucción Consciente del Muestreo: Propone el uso de EM-SBL para reconstruir un perfil de potencia posterior disperso directamente desde las muestras de los pilotos, distinguiendo la inferencia dispersa de la simple interpolación por relleno de ceros.
• Evaluación Controlada: El estudio aísla el impacto del front-end del PDP manteniendo consistentes el protocolo de inferencia del mapa de radio, las divisiones de datos y las realizaciones de ruido en todos los métodos.

4. Resultados de la Simulación

La evaluación utiliza canales espacialmente consistentes generados mediante QuaDRiGa bajo un modelo NLOS de 3GPP para interiores (portadora de 3.5 GHz, 64 pilotos, ~196 MHz de ancho de banda).

• Precisión: Con un SNR de 20 dB, el método propuesto 2-fold EM-SBL logró una precisión de celda Top-1 del 93.27%. Esto representa una mejora significativa sobre:
  • PDP Nativo: 75.79%
  • 3-fold Zero-Padding: 87.24%
• Métricas de Error: El error medio de localización bidimensional para el 2-fold SBL fue de 0.392 m, comparado con 0.587 m para el PDP nativo y 0.419 m para el 3-fold zero-padding.
• Robustez:
  • Sensibilidad al SNR: Los métodos SBL superaron a los baselines en todos los SNRs probados (5–30 dB). El 3-fold SBL mostró ligeras ventajas en SNRs muy bajos, mientras que el 2-fold SBL ofreció el mejor compromiso de rendimiento.
  • Supresión de la Cola: Las Funciones de Distribución Acumulativa (CDF) de error mostraron que el SBL suprimió significativamente los grandes errores de localización (eventos de cola) en comparación con los métodos nativo y de relleno de ceros, particularmente a 10 dB.
  • Independencia del Clasificador: Las ganancias de rendimiento fueron consistentes en cinco localizadores diferentes (Centroide Cercano, Weighted $k$NN, SVM Lineal, SVM RBF, Random Forest), lo que indica que la ganancia proviene de la representación del PDP, no de la regla de decisión.

5. Significado y Reivindicaciones

El artículo afirma que los PDP de comunicación contienen inherentemente suficiente información ambiental para una localización precisa en interiores, siempre que las distorsiones inducidas por el muestreo (desenfoque, plegado y desajuste de rejilla) se manejen adecuadamente.

La importancia radica en demostrar que la superresolución mediante aprendizaje bayesiano disperso en el dominio de los pilotos produce una huella dactilar más discriminativa que la interpolación estándar (relleno de ceros) o la observación bruta. Los autores enfatizan que este enfoque no requiere el desanidamiento del retardo físico ni la identificación de LoS; en su lugar, aprovecha la estructura consistente, plegada y desenfocada del entorno de trayectoria múltiple como una firma única para la ubicación del usuario. El trabajo establece que, con un modelado adecuado del proceso de observación, una única estación base puede lograr una localización de alta precisión sin hardware especializado o rango absoluto.