Spatially Distributed Task-Oriented Compression for Multi-Emitter Localization and Characterization with Spectral Overlap

Résumé technique : Compression orientée tâche spatialement distribuée pour la localisation et la caractérisation de multi-émetteurs avec chevauchement spectral

Énoncé du problème
L'article traite du défi de la connaissance du spectre RF dans des environnements sans fil denses et contestés, où des émetteurs non autorisés ou adverses peuvent perturber les infrastructures critiques. Si un récepteur unique peut détecter les interférences, il manque d'informations spatiales nécessaires pour localiser et caractériser plusieurs émetteurs simultanés, particulièrement lorsque leurs spectres se chevauchent. La détection distribuée utilisant des récepteurs spatialement séparés offre une solution en exploitant la diversité spatiale. Cependant, la transmission de l'ensemble des échantillons complexes en phase et quadrature (IQ) bruts provenant de multiples récepteurs vers un centre de fusion central impose des exigences de bande passante de communication prohibitives, surtout pour la détection à large bande. Le problème central est de concevoir un cadre de compression efficace en termes de communication qui compresse les observations locales des récepteurs en représentations compactes, tout en préservant suffisamment d'informations pour qu'un décodeur central puisse estimer conjointement le nombre, les emplacements, les paramètres spectraux et les familles de formes d'ondes des émetteurs actifs.

Méthodologie
Les auteurs proposent un cadre de compression distribuée orientée tâche utilisant l'apprentissage profond. Le système se compose de $M$ récepteurs spatialement distribués et d'un décodeur de fusion central.

1. Encodage local : Chaque récepteur observe une courte fenêtre d'échantillons IQ complexes. Ces échantillons sont transformés en une représentation temps-fréquence via la transformée de Fourier à court terme (STFT), en empilant les composantes réelles et imaginaires comme canaux d'entrée. Un encodeur neuronal local (un réseau de neurones convolutifs résiduels avec sous-échantillonnage asymétrique) projette cette représentation en un vecteur latent de faible dimension $z_i \in \mathbb{R}^{d_{rx}}$. Crucialement, bien que tous les récepteurs partagent la même architecture, leurs paramètres ne sont pas partagés, ce qui leur permet d'apprendre des représentations spécifiques au récepteur basées sur leurs positions géométriques fixes.
2. Fusion centrale et prédiction d'ensemble : Le centre de fusion concatène les vecteurs latents de tous les récepteurs dans un ordre fixe. Un décodeur MLP (Perceptron Multicouche) central traite ce vecteur fusionné pour prédire un ensemble non ordonné d'émetteurs actifs. La sortie est structurée en $K_{max}$ créneaux candidats, où chaque créneau prédit un logit d'existence, une localisation 2D, un décalage de fréquence centrale, une largeur de bande occupée et une étiquette binaire de famille de formes d'ondes.
3. Entraînement invariant à la permutation : Puisque le nombre d'émetteurs actifs $K$ est inconnu et que leur ordre est arbitraire, le modèle utilise un objectif d'entraînement invariant à la permutation. La fonction de perte minimise la distorsion entre l'ensemble prédit et l'ensemble de vérité terrain en trouvant l'assignation optimale (permutation) qui minimise le coût total. La fonction de coût combine l'entropie croisée binaire pour l'existence et la classification de la forme d'onde avec la perte Smooth L1 pour la régression des paramètres continus (localisation, fréquence, largeur de bande).

Contributions clés

• Cadre d'estimation conjointe : Ce travail formule la connaissance du spectre distribuée comme un problème d'estimation d'ensemble d'émetteurs conjoint, inférant simultanément la cardinalité, les localisations spatiales, les paramètres spectraux (fréquence centrale, largeur de bande) et les familles de formes d'ondes à partir d'observations IQ compressées.
• Compression neuronale orientée tâche : Il propose une architecture neuronale spécifique où les encodeurs côté récepteur produisent des latents compacts conçus explicitement pour la tâche d'inférence en aval plutôt que pour la reconstruction du signal brut, adhérant ainsi au principe du goulot d'étranglement de l'information distribuée.
• Gestion des ensembles non ordonnés : L'application d'un objectif invariant à la permutation permet au système de gérer des scènes avec des nombres variables d'émetteurs et des ordres arbitraires, incluant des scénarios de spectres partiellement ou fortement chevauchants.
• Analyse de la dimensionnalité : L'étude évalue systématiquement le compromis entre la dimensionnalité latente côté récepteur ($d_{rx}$) et la précision de l'estimation pour la cardinalité, la localisation et les paramètres spectraux.

Résultats expérimentaux
Des expériences ont été menées sur des scènes synthétiques multi-émetteurs avec chevauchement spectral, utilisant quatre récepteurs fixes et des comptes maximums d'émetteurs variables ($K_{max} \in \{3, 4, 5\}$).

• Impact de la dimension latente : La dimension latente du récepteur $d_{rx}$ impacte significativement les performances. Augmenter $d_{rx}$ de 1 à 16 a produit les améliorations les plus substantielles sur tous les indicateurs. Plus précisément, l'erreur quadratique moyenne (RMSE) de localisation est passée d'environ 238–290 m à 102–140 m, et les erreurs de paramètres spectraux ont diminué de manière significative.
• Rendements décroissants : Augmenter davantage $d_{rx}$ jusqu'à 64 a fourni des gains plus faibles et moins constants, suggérant que $d_{rx}=16$ capture la majorité de l'information pertinente pour la tâche tout en maintenant une compression élevée.
• Sensibilité à la tâche : Des représentations extrêmement compactes ($d_{rx}=1$) étaient suffisantes pour préserver l'information pour le comptage d'émetteurs et l'estimation de la famille de formes d'ondes (atteignant une précision quasi parfaite), mais résultaient en de mauvaises performances pour la régression des paramètres continus (localisation et paramètres spectraux).
• Complexité : Les performances se sont dégradées à mesure que $K_{max}$ augmentait, reflétant la difficulté accrue de résoudre l'ambiguïté spatiale et le chevauchement spectral.

Signification et affirmations
L'article affirme que la compression neuronale orientée tâche est une approche viable pour la connaissance du spectre distribuée efficace en termes de communication. Les résultats démontent que même des représentations extrêmement compactes côté récepteur peuvent préserver des informations utiles pour les tâches discrètes (comptage et classification), tandis que des augmentations modérées de la dimensionnalité permettent une estimation précise des paramètres continus. Les auteurs positionnent ce travail comme un pont entre la théorie du goulot d'étranglement de l'information distribuée et la surveillance RF pratique, montrant que la localisation et la caractérisation conjointes sont réalisables sans transmettre de données à large bande brutes.

Les auteurs restent modestes quant à la portée actuelle, reconnaissant que le modèle est lié à des géométries de récepteurs fixes et à des statistiques de propagation simulées (absence de trajets multiples, d'ombrage et de problèmes de synchronisation). Ils notent que $d_{rx}$ représente la compacité de la représentation plutôt qu'un débit binaire explicite, car la quantification et les effets de canal n'ont pas été modélisés. Des travaux futurs sont identifiés comme nécessaires pour incorporer des contraintes explicites de niveau bit, la quantification et des effets matériels et de propagation plus réalistes.