Compressed Sensing-Driven Near-Field Localization Exploiting Array of Subarrays

Résumé Technique : Localisation en Champ Proche Pilotée par l'Acquisition de Signaux Compressés et Exploitant une Réseau de Sous-réseaux

Énoncé du Problème
L'article traite du défi de la localisation à haute résolution en champ proche pour les systèmes d'intégration de la détection et de la communication (ISAC). À mesure que les systèmes sans fil migrent vers des fréquences plus élevées (ondes millimétriques et térahertz) et que les réseaux d'antennes s'agrandissent, la région de champ proche s'étend, nécessitant l'estimation à la fois de l'angle et de la distance (range). Bien que les architectures de réseaux entièrement numériques (où chaque élément d'antenne possède une chaîne RF dédiée) offrent une haute résolution, elles sont excessivement coûteuses et gourmandes en énergie pour de grandes ouvertures.

Pour atténuer les coûts matériels, des architectures de réseaux modulaires creuses (partitionnant un grand réseau en sous-réseaux plus petits avec moins de chaînes RF) sont envisagées. Cependant, ces configurations creuses introduisent un sous-échantillonnage spatial sévère, entraînant des lobes de réseau qui provoquent une ambiguïté significative dans l'estimation des paramètres. Les méthodes existantes peinent à équilibrer le coût matériel élevé des réseaux entièrement numériques avec les problèmes d'ambiguïté des sous-réseaux creux, particulièrement lorsqu'on utilise l'acquisition de signaux compressés (CS) pour réduire davantage les dimensions des données.

Méthodologie : L'Algorithme SHARE
Les auteurs proposent SHARE (Sparse Hierarchical Angle-Range Estimation), un nouvel algorithme de récupération creuse à deux étapes conçu pour une architecture de réseau modulaire où $P$ sous-réseaux, contenant chacun $M_0$ éléments, sont connectés à $P$ chaînes RF via des réseaux de combinaison analogique. Le système utilise l'acquisition de signaux compressés pour acquérir $K$ instantanés de mesure distincts en faisant varier les déphaseurs analogiques.

L'algorithme fonctionne comme suit :

1. Étape 1 : Estimation d'Angle Grossière Non Ambiguë

   • Objectif : Résoudre les ambiguïtés des lobes de réseau sans une recherche globale coûteuse en calcul.
   • Mécanisme : L'algorithme traite chaque sous-réseau individuellement. Puisque l'ouverture intra-sous-réseau est petite ($M_0$ éléments), elle est dense (espacement $d \le \lambda/2$) et exempte de lobes de réseau. De plus, les sources sont approximées comme étant en champ lointan par rapport au petit sous-réseau, permettant l'utilisation d'un vecteur de direction simplifié indépendant de la distance.
   • Traitement : L'algorithme calcule le spectre de puissance pour chaque sous-réseau indépendamment en utilisant une combinaison non cohérente. Ces spectres de puissance individuels sont sommés pour créer un spectre combiné robuste ($P_{total}(\theta)$). Les pics de ce spectre fournissent des estimations d'angles grossières et non ambiguës ($\hat{\Theta}_0$). Cette étape évite la dépendance circulaire de la combinaison cohérente (qui nécessite de connaître l'angle pour compenser la phase) et supprime efficacement le bruit et les artefacts parasites.

2. Étape 2 : Affinement Conjoint Angle-Distance à Haute Résolution

   • Objectif : Exploiter la pleine ouverture creuse pour estimer précisément la distance et affiner l'angle.
   • Mécanisme : En utilisant les estimations d'angle grossières de l'étape 1, l'algorithme construit une grille de recherche 2D fine et localisée (un dictionnaire) uniquement dans le voisinage des angles estimés. Cela réduit considérablement l'espace de recherche par rapport à une grille globale.
   • Traitement : Le problème est formulé comme un problème de récupération creuse (Vecteur de Mesure Multiple) sur ce dictionnaire localisé. Un algorithme glouton, tel que l'Orthogonal Matching Pursuit (OMP), est utilisé pour trouver la solution creuse, produisant des estimations affinées pour l'angle et la distance simultanément.

Principales Contributions

• Cadre à Faible Complexité : L'article introduit un cadre d'acquisition de signaux compressés qui traite les signaux d'un grand nombre d'antennes en utilisant un petit nombre de chaînes RF, réduisant considérablement les coûts matériels tout en maintenant une grande ouverture.
• Algorithme Hiérarchique (SHARE) : Les auteurs proposent un algorithme à deux étapes qui découple le problème d'estimation. Il résout les ambiguïtés angulaires à l'aide de sous-réseaux denses (Étape 1) puis effectue un affinement conjoint haute résolution à l'aide de la pleine ouverture creuse (Étape 2).
• Validation des Performances : Grâce à des simulations approfondies, l'article démontre que SHARE surpasse les méthodes classiques d'acquisition de signaux compressés en une seule étape (2D-OMP) et les algorithmes classiques entièrement numériques (2D-MUSIC) dans des scénarios de champ proche multi-sources.

Résultats de Simulation
Les auteurs ont évalué SHARE par rapport à 2D-OMP (opérant sur les mêmes données compressées) et 2D-MUSIC (opérant sur des données entièrement numériques) à l'aide de simulations de Monte Carlo avec $P=4$ sous-réseaux et $M_0=16$ éléments.

• Précision : Dans les scénarios de sources proches, 2D-OMP n'a pas réussi à résoudre les sources en raison de la cohérence du dictionnaire, et 2D-MUSIC n'a pas réussi à estimer la distance avec précision. SHARE a réussi à résoudre à la fois l'angle et la distance, atteignant une précision comparable ou supérieure à 2D-MUSIC malgré l'accès à moins de données.
• Robustesse : SHARE a démontré une erreur quadratique moyenne (RMSE) médiane plus faible pour l'estimation de position à travers différents nombres de sources et de mesures compressées. Contrairement à 2D-OMP, dont la performance plafonnait avec l'ajout de mesures, la précision de SHARE s'est améliorée à mesure que davantage de mesures étaient fournies.
• Efficacité Computationnelle : SHARE a considérablement réduit la complexité de calcul. En transformant une recherche 2D globale en une recherche 1D grossière suivie d'une recherche 2D localisée, SHARE a été environ 8 fois plus efficace sur le plan computationnel que 2D-OMP dans la configuration testée, tout en étant bien plus efficace que la complexité en $O(M^3)$ de 2D-MUSIC.

Signification et Revendications
L'article affirme que SHARE offre une voie pratique pour l'implémentation de systèmes ISAC en champ proche à haute résolution. Il répond au compromis entre coût matériel et ambiguïté d'estimation en exploitant les propriétés spécifiques des architectures de sous-réseaux. Les auteurs soutiennent que leur approche hiérarchique évite le coût computationnel prohibitif des recherches exhaustives sur grille 2D tout en préservant les avantages de résolution des grandes ouvertures. Ils concluent que SHARE est non seulement plus précis et robuste que les méthodes de compression brute, mais offre également une solution évolutive qui rend la localisation de haute performance en champ proche réalisable avec un matériel creux à faible coût.

Les travaux futurs mentionnés par les auteurs incluent la conception de matrices de détection optimisées et la validation de l'algorithme sur un banc d'essai matériel pratique, spécifiquement pour tenir compte des effets de couplage mutuel et d'autres non-idéalités matérielles.