A Simultaneous Clustering and Tracking Algorithm for Capturing Cluster-Level Spatial Consistency in 6G Wireless Channels

Resumen Técnico: Un algoritmo de agrupamiento y seguimiento simultáneos para capturar la consistencia espacial a nivel de clúster en canales inalámbricos 6G

Planteamiento del Problema
La consistencia espacial es una propiedad física crítica para el modelado de canales realistas en sistemas 6G, particularmente para tecnologías como MIMO masivo, detección e comunicación integradas y comunicación de terahercios (THz). A nivel de clúster, esta propiedad requiere que los componentes de trayectoria múltiple (MPC) con características similares permanezcan agrupados en los mismos clústeres a medida que los transceptores se mueven, asegurando una evolución suave de los parámetros del canal.

Los métodos existentes para extraer la consistencia espacial a nivel de clúster generalmente se dividen en dos categorías: "agrupamiento tras el seguimiento" y "agrupamiento y seguimiento conjuntos".

• Agrupamiento tras el seguimiento (Tracking-after-clustering): desacopla los procesos, realizando el agrupamiento en instantáneas individuales (por ejemplo, usando KPowerMeans o DBSCAN) y luego asociando los clústeres entre instantáneas. Esto a menudo conduce a trayectorias fragmentadas cuando la composición de los clústeres cambia entre instantáneas.
• Agrupamiento y seguimiento conjuntos (Joint clustering-and-tracking): intenta utilizar información de instantáneas previas (típicamente centroides de clúster o predicciones de filtro de Kalman) para guiar el agrupamiento actual. Sin embargo, estos métodos suelen depender excesivamente de la coincidencia simple de centroides y no explotan plenamente la distribución conjunta de los MPC en los dominios de retardo, ángulo y espacio.

Consecuentemente, las métricas existentes (como los índices de Davies–Bouldin o Calinski–Harabasz para el agrupamiento, y la Tasa de Cambio de Gradiente para el seguimiento) evalúan estos aspectos por separado, fallando al no reflejar conjuntamente la calidad del agrupamiento y la consistencia del seguimiento.

Metodología: Algoritmo MD-SCT
Los autores proponen un algoritmo de Agrupamiento y Seguimiento Simultáneos basado en la Distancia de Mahalanobis (MD-SCT). A diferencia de los enfoques basados en la distancia euclidiana, el MD-SCT utiliza la distancia de Mahalanobis para medir la distancia entre un nuevo MPC observado y la distribución de parámetros de los clústeres existentes. Este enfoque tiene en cuenta intrínsecamente la estructura de covarianza entre los parámetros de los MPC (retardo, ángulos de salida y llegada de azimut/cenit, y la ubicación de los transceptores).

El algoritmo opera de la siguiente manera:

1. Inicialización: En una región espacial densa, se aplican métodos de agrupamiento convencionales (por ejemplo, KPowerMeans o DBSCAN) a un conjunto inicial de MPC para establecer $K_1$ clústeres iniciales. Esto asegura una estimación robusta de los vectores de media y las matrices de covarianza iniciales.
2. Asignación Simultánea: Para las instantáneas subsiguientes, cada nuevo MPC se asigna a un clúster existente $k$ si su distancia de Mahalanobis ($D_{Mah}$) a la distribución de parámetros del clúster es inferior a un umbral ($D_{th}$). Este paso realiza intrínsecamente el seguimiento al asociar las nuevas observaciones con las distribuciones históricas.
3. Gestión de Valores Atípicos (Outliers): Los MPC que no encajan en los clústeres existentes se marcan como valores atípicos. Estos son posteriormente re-agrupados mediante métodos convencionales para formar nuevos clústeres (representando el nacimiento de clústeres).
4. Ciclo de Vida del Clúster: Los clústeres que no tienen asignados MPC durante instantáneas consecutivas se consideran inactivos (muerte del clúster). El algoritmo también incorpora un mecanismo de memoria para retener clústeres latentes durante breves periodos de falta de observación, mejorando la robustez contra el bloqueo.
5. Optimización de la Complejidad: Para gestionar el coste computacional, la matriz de covarianza inversa se actualiza iterativamente utilizando el lema de inversión de matriz de Woodbury, reduciendo la complejidad de $O(N_{par}^3$ a $O(N_{par}^2)$.

Contribuciones Clave

1. Diseño del Algoritmo: La propuesta del algoritmo MD-SCT, que mejora la consistencia espacial a nivel de clúster al explotar la estructura de la distribución conjunta de retardo, ángulo y posición del transceptor formada por los MPC asignados previamente.
2. Aplicación: La aplicación de este algoritmo a canales sub-THz a 132 GHz, generados mediante trazado de rayos determinista basado en mediciones en un escenario de Internet de las Cosas Industrial (IIoT).
3. Métrica de Evaluación: La introducción de la Diferencia Cuadrática Media Sucesiva (MSSD) como una nueva métrica para cuantificar la consistencia espacial de las estadísticas de agrupamiento (por ejemplo, índices DB, CH, desviaciones estándar de los parámetros) a través de instantáneas sucesivas.

Resultados Experimentales
El algoritmo fue validado frente a un método de seguimiento basado en métricas de características multidimensionales (MFM) utilizando datos de canal de un escenario IIoT de 132 GHz.

• Continuidad de los Clústeres: El algoritmo MD-SCT produjo trayectorias de clúster significativamente menos numerosas pero más largas y continuas en comparación con MFM. Específicamente, MD-SCT identificó 17 clústeres con una longitud de seguimiento promedio de 11.894 m, mientras que MFM produjo 104 clústeres con una longitud promedio de solo 1.457 m.
• Consistencia de Seguimiento: El algoritmo MD-SCT logró una Tasa de Cambio de Gradiente (GCR) de 0.028, significativamente inferior al 0.561 del método MFM, lo que indica una evolución mucho más suave del centro de los clústeres.
• Estabilidad Estadística: Los valores de MSSD para las estadísticas de agrupamiento (DB, CH) y las desviaciones estándar de los parámetros (retardo, ángulos) fueron consistentemente menores para MD-SCT. Por ejemplo, el MSSD para el índice de Davies–Bouldin fue de 0.003 para MD-SCT frente a 0.007 para MFM.
• Calidad de Agrupamiento: A pesar del enfoque en el seguimiento, MD-SCT mantuvo una compacidad y separación de clústeres comparable (Promedio DB: 0.369; Promedio CH: 146.072) al método MFM optimizado por instantánea (Promedio DB: 0.402; Promedio CH: 134.825).

Significado
El artículo afirma que el algoritmo MD-SCT produce una evolución de clústeres más suave al realizar el seguimiento de forma intrínseca mientras agrupa, mejorando así la fiabilidad de los canales agrupados para el modelado de la consistencia espacial en 6G. Los autores sostienen que estos hallazgos respaldan el modelado de canales consciente de la consistencia espacial, lo cual es esencial para el seguimiento de haces (beam tracking), la detección consciente del entorno y el diseño de sistemas de comunicación sub-THz y MIMO masivo. El trabajo enfatiza que, al capturar la distribución conjunta de los MPC, el método propuesto aborda las limitaciones de los enfoques de seguimiento desacoplados o dependientes de centroides.