Hierarchical Coherent Imaging of Composite Anisotropic Moving Targets in ISAC

Résumé technique : Imagerie cohérente hiérarchique de cibles composites anisotropes en mouvement dans les systèmes ISAC

Énoncé du problème
Les réseaux de Sensing et Communication Intégrés (ISAC), en particulier l'ISAC Distribué (DISAC), offrent le potentiel de générer des images radio haute résolution de l'environnement en exploitant un traitement de signal cohérent en phase à travers plusieurs Équipements Utilisateur (UE). Cependant, les méthodes d'imagerie existantes rencontrent deux limitations critiques lorsqu'elles sont appliquées à des scénarios dynamiques réalistes :

1. Hypothèse de diffusion isotrope : La littérature actuelle modélise généralement les cibles comme des ensembles de diffuseurs ponctuels indépendants et isotropes. Cela ne prend pas en compte l'anisotropie, où la réponse de diffusion des cibles étendues (par exemple, corps humains, machines) varie considérablement avec l'angle d'observation. Dans les réseaux DISAC, où les nœuds sont distribués sur de larges angles, cela entraîne des incohérences de phase et un défocalisation de l'image lors de la tentative de fusion cohérente.
2. Hypothèse de cible statique : La plupart des algorithmes d'imagerie existants supposent des cibles statiques ou en mouvement rigide. Ils échouent à gérer les cibles composites en mouvement composées de plusieurs parties se déplaçant avec des vitesses indépendantes (par exemple, une personne marchant avec des bras en mouvement). Ces méthodes reposent souvent sur une compensation Doppler simpliste (par exemple, centroïde et taux) qui ne peut pas résoudre les spectres Doppler multi-modaux générés par des composants en mouvement indépendant, entraînant un défocalisation sévère de l'image et des échos parasites.

Méthodologie : MOSAIC
Les auteurs proposent MOSAIC (Détection d'objets en mouvement sous anisotropie par imagerie avec fusion cohérente et non cohérente), un algorithme d'imagerie hiérarchique conçu pour les réseaux ISAC distribués et asynchrones. La méthode utilise des signaux pilotes de liaison montante (par exemple, DMRS) sans nécessiter de formes d'onde de détection dédiées. Le flux de travail principal comprend quatre étapes principales :

1. Modélisation de l'anisotropie et regroupement des UE :

   • Les auteurs dérivent un modèle analytique pour la phase de diffusion des parties de cibles étendues, démontrant que la différence de phase entre les UE est liée de manière quadratique à la différence de leurs angles d'observation bistatiques.
   • Sur cette base, les UE sont regroupés en clusters où les angles bistatiques sont suffisamment similaires pour assurer la cohérence de phase. Cela empêche le défocalisation causé par la combinaison de signaux provenant d'angles largement séparés observant différents points spéculaires sur la cible.

2. Estimation Doppler et association intra-cluster :

   • Des images de basse résolution sont générées pour chaque UE. Le spectre Doppler est estimé pour identifier les pics correspondant aux réflexions spéculaires des différentes parties de la cible.
   • Au sein de chaque cluster, les pics Doppler sont associés entre les UE pour identifier les parties mobiles distinctes.

3. Imagerie cohérente intra-cluster compensée en Doppler :

   • Pour chaque partie de cible identifiée, l'algorithme effectue une pré-compensation Doppler spécifique à la vitesse de cette partie et à la géométrie du cluster.
   • Un algorithme de rétroprojection modifié intègre les signaux compensés sur le temps lent. Cette étape focalise l'image de la partie spécifique de la cible tout en provoquant l'interférence destructive des contributions d'autres parties (avec des décalages Doppler différents), séparant ainsi efficacement les parties.
   • Cela produit des images haute résolution spécifiques à la partie et estime la localisation du centre de diffusion principal pour chaque partie au sein du cluster.

4. Association inter-cluster et fusion globale non cohérente :

   • L'algorithme associe les pics Doppler entre différents clusters pour estimer le vecteur de vitesse global de chaque partie de cible en utilisant la diversité géométrique des triangles UE-BS-cible.
   • Enfin, les images spécifiques à la partie de tous les clusters sont combinées de manière non cohérente. Cette étape intègre les observations provenant de larges angles pour reconstruire la forme complète de la cible, surmontant ainsi les limitations de l'angle de vue d'un seul cluster.

Contributions clés

• Première imagerie hiérarchique pour cibles composites : MOSAIC est le premier algorithme à réaliser une imagerie haute résolution de cibles composites anisotropes en mouvement dans les réseaux ISAC distribués, répondant aux limitations des modèles isotropes et statiques.
• Regroupement conscient de l'anisotropie : L'article introduit une règle de regroupement basée sur des seuils d'angles bistatiques dérivés d'un modèle d'anisotropie, permettant un traitement cohérent au sein des groupes tout en évitant les erreurs de phase sur de grandes ouvertures.
• Le Doppler comme mécanisme de résolution : Au lieu de considérer les décalages Doppler uniquement comme une source de défocalisation, MOSAIC les exploite comme un degré de liberté supplémentaire pour résoudre et séparer les parties de cibles en mouvement indépendant grâce à une pré-compensation spécifique à la partie.
• Estimation de vitesse à faible complexité : En associant les fréquences Doppler entre les clusters, la méthode estime les vecteurs de vitesse avec une précision de l'ordre du décimètre par seconde (dm/s), évitant ainsi la complexité prohibitive des recherches exhaustives de vitesse.

Résultats
Des simulations numériques extensives ont été menées en utilisant une fréquence porteuse de 7 GHz et une bande passante de 400 MHz, comparant MOSAIC à trois références : pré-compensation par centroïde/taux Doppler (DCR), compensation Doppler moyenne, et aucune compensation Doppler.

• Qualité de l'image : MOSAIC a démontré une amélioration de plus de 50 % de la qualité de l'image (mesurée par la distance de Wasserstein 1) par rapport aux méthodes de l'état de l'art. Il a reconstruit avec succès les formes de cibles composites (par exemple, un torse avec des bras en mouvement) là où les références produisaient des images peu fiables ou incomplètes.
• Estimation de vitesse : La méthode a atteint des erreurs d'estimation de vitesse au niveau dm/s, à condition que les UE soient suffisamment distribués autour de la Zone d'Intérêt (ROI).
• Robustesse : L'approche hiérarchique s'est révélée robuste aux erreurs de localisation des UE (jusqu'à un écart-type de longueur d'onde) et aux variations de fréquence porteuse (3–26 GHz), maintenant des performances là où les méthodes entièrement cohérentes échouaient.

Signification et affirmations
L'article affirme que MOSAIC comble des lacunes fondamentales dans la littérature actuelle sur l'imagerie DISAC, qui s'est largement concentrée sur des cibles statiques ou rigides avec diffusion isotrope. En reconsidérant les décalages Doppler comme un outil de séparation de parties et en introduisant une stratégie de fusion hiérarchique cohérente/non cohérente, MOSAIC permet des applications de détection fines telles que la reconnaissance de gestes humains et la détection de foule dans les réseaux 6G. Les auteurs soulignent que leur approche transforme les limitations de l'anisotropie et du mouvement complexe en paramètres gérables, offrant une voie pratique vers l'imagerie radio haute résolution dans des environnements dynamiques et distribués.