Résumé technique : Estimation conjointe en une seule passe de l'Arrivée du Temps (ToA) et de l'Arrivée de l'Angle (DoA) pour le positionnement BLE basé sur les VAA avec ambiguïté de phase

1. Énoncé du problème

L'estimation précise de l'Arrivée de l'Angle (DoA) et de l'Arrivée du Temps (ToA) est cruciale pour la localisation sans fil. Bien que les méthodes classiques de super-résolution (ex. : MUSIC) soient performantes sur des réseaux physiques multi-antennes, elles sont souvent peu pratiques pour les dispositifs Bluetooth Low Energy (BLE) contraints par la taille et le coût. Les techniques de Réseau d'Antennes Virtuelles (VAA) offrent une solution en synthétisant la diversité spatiale à partir de mesures à antenne unique effectuées le long d'une trajectoire de réception.

Cependant, l'application des VAA au positionnement BLE fait face à deux défis majeurs :

1. Limitations de la Réponse en Fréquence du Canal (CFR) bidirectionnelle : Le positionnement BLE construit généralement une CFR bidirectionnelle pour annuler les décalages de l'oscillateur local (LO) et de synchronisation via un produit de Hadamard. Bien que cela élimine les déphasages, cela exacerbe les effets de trajets multiples et réduit le rapport signal sur bruit (SNR).
2. Ambiguïté de phase binaire : La récupération de la CFR unidirectionnelle à partir de la CFR bidirectionnelle nécessite une opération de racine carrée élément par élément. Cela introduit une ambiguïté de phase binaire $\{ \pm 1 \}$ qui, si elle n'est pas résolue, dégrade gravement les performances d'estimation du ToA et du DoA.
3. Géométrie non uniforme : Contrairement aux réseaux linéaires uniformes, les VAA formés par les trajectoires d'utilisateurs présentent souvent des géométries irrégulières, ce qui complique le traitement de signal de réseau traditionnel et rend inefficaces les heuristiques de résolution d'ambiguïté existantes (conçues pour les réseaux uniformes).

Les approches existantes supposent souvent plusieurs instantanés (snapshots) ou des structures de réseau uniformes, et ne parviennent pas à traiter les contraintes spécifiques des mesures en une seule passe du BLE ainsi que l'ambiguïté binaire inhérente de la récupération par racine carrée.

2. Méthodologie

Les auteurs proposent un cadre unifié qui intègre la modélisation VAA avec le traitement de la CFR bidirectionnelle du BLE, couplé à un mécanisme de récupération de phase basé sur l'apprentissage profond.

Modèle de système

Le système considère un scénario BLE SISO (Single-Input Single-Output) multi-porteuse où un équipement utilisateur (UE) se déplace le long d'une trajectoire pour former un VAA.

• Modèle de signal : Le signal reçu est modélisé comme une somme de composantes de trajets multiples, où le coefficient de canal inclut l'amplitude, la phase initiale et un déphasage spatial dépendant du déplacement ($d_n$) et de la direction ($\phi_n$) de l'UE.
• Construction de la CFR bidirectionnelle : Pour annuler les décalages du LO, le système forme une CFR bidirectionnelle ($\hat{Y}$) en prenant le produit de Hadamard des réponses de canal directe ($Y^{(R)}$) et inverse ($Y^{(I)}$). Cette opération annule la matrice de phase $\Phi$ du LO mais introduit un terme de canal au carré et du bruit.
• Introduction de l'ambiguïté : La CFR unidirectionnelle est récupérée via $(\hat{Y})^{1/2} = Y \circ N$, où $N$ est une matrice binaire dont les éléments sont $\{1, -1\}$, représentant l'ambiguïté de phase inconnue.

Récupération de phase basée sur l'apprentissage profond

Pour résoudre la matrice d'ambiguïté binaire $N$, l'article propose un Algorithme de Double Réseau Neuronal avec un mécanisme de vote :

1. Doubles prédicteurs : Deux architectures U-Net sont employées :
   • Un réseau par ligne ($f_{row}$) prédit les signes le long de la dimension spatiale (positions des antennes).
   • Un réseau par colonne ($f_{col}$) prédit les signes le long de la dimension fréquentielle (sous-porteuses).
   • Les deux réseaux produisent des probabilités pour la cohérence de signe par rapport au premier élément de leur ligne ou colonne respective.
2. Entraînement : Les réseaux sont entraînés par apprentissage supervisé avec une perte d'entropie croisée, en utilisant des étiquettes de vérité terrain dérivées des relations de signe connues dans les données simulées.
3. Mécanisme de vote :
   • Le prédicteur par ligne est empiriquement identifié comme étant plus fiable en raison de l'espacement fixe des sous-porteuses par rapport à la trajectoire aléatoire du VAA.
   • L'algorithme impose la cohérence avec les prédictions par ligne.
   • Pour chaque ligne $n$, le signe du premier élément ($N_{n,1}$) est déterminé en agrégeant les estimations candidates de toutes les colonnes par vote majoritaire.
   • Une fois le premier élément de chaque ligne résolu, l'intégralité de la matrice d'ambiguïté $N$ est reconstruite à l'aide des prédictions par ligne.

Estimation des paramètres

Une fois la matrice d'ambiguïté $N$ récupérée, la CFR unidirectionnelle corrigée ($\tilde{Y}$) est obtenue. Un algorithme MUSIC 2D est ensuite appliqué à ces données corrigées pour estimer le ToA et le DoA en calculant le pseudo-spectre et en identifiant les pics.

3. Contributions clés

• Modèle VAA-BLE unifié : L'article établit un modèle de signal unifié qui combine la diversité spatiale VAA avec la construction de la CFR bidirectionnelle du BLE, en tenant compte explicitement de l'ambiguïté de phase binaire introduite lors de la récupération de la CFR unidirectionnelle.
• Cadre de vote neuronal : Il introduit une nouvelle approche d'apprentissage profond qui décompose la tâche de résolution d'ambiguïté en prédictions par ligne et par colonne, les fusionnant via un mécanisme de vote pour gérer de manière robuste les géométries de réseaux non uniformes.
• Capacité en une seule passe : La méthode proposée permet l'estimation conjointe du ToA et du DoA à partir de mesures en une seule passe, répondant ainsi à une limitation des travaux antérieurs qui reposaient sur plusieurs instantanés.
• Performance sous non-uniformité : L'approche est spécifiquement conçue pour fonctionner efficacement sous des géométries VAA irrégulières là où les méthodes traditionnelles de continuité échouent.

4. Résultats de simulation

Les auteurs ont évalué la méthode dans un scénario 2D (40m $\times$ 40m) avec un UE se déplaçant le long d'une trajectoire pour former un VAA de $N=16$ éléments et $M=80$ sous-porteuses. Le canal comprenait 1 trajet en visibilité directe (LoS) et 1 à 3 trajets hors visibilité directe (NLoS).

• Comparaisons : La méthode proposée a été comparée à :
  1. La MUSIC de la CFR bidirectionnelle (sans résolution d'ambiguïté).
  2. Une approche basée sur la continuité de phase pour la résolution d'ambiguïté (conçue pour les réseaux uniformes).
  3. La borne de Cramér–Rao théorique (CRLB).
• Métriques de performance : Erreur quadratique moyenne (MSE) pour l'estimation du DoA et du ToA à travers différents niveaux de SNR.
• Constatations :
  • La méthode proposée a nettement surpassé les deux lignes de base à tous les niveaux de SNR.
  • L'approche de continuité de phase a totalement échoué sous des géométries non uniformes, entraînant des erreurs d'estimation importantes.
  • L'estimateur proposé s'est rapproché de la CRLB pour un SNR $\geq 5$ dB, démontant une efficacité statistique.
  • La méthode a atteint une précision supérieure pour le ToA et le DoA, particulièrement dans les régimes de SNR faible à modéré.

5. Signification et affirmations

L'article affirme qu'en intégrant la modélisation VAA à une stratégie de vote neuronale assistée par l'apprentissage, il est possible de résoudre l'ambiguïté de phase binaire inhérente à la récupération de la CFR bidirectionnelle du BLE. Cela permet l'application d'algorithmes de super-résolution comme MUSIC sur des dispositifs BLE à antenne unique et à ressources limitées. Les auteurs soutiennent que leur approche constitue une alternative rentable et de haute fidélité aux réseaux physiques multi-antennes, atteignant une précision d'estimation quasi optimale même en présence de trajets multiples et de géométries de réseaux non uniformes.