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

Résumé technique : Un algorithme de partitionnement et de suivi simultanés pour capturer la cohérence spatiale au niveau des clusters dans les canaux sans fil 6G

Énoncé du problème
La cohérence spatiale est une propriété physique critique pour une modélisation de canal réaliste dans les systèmes 6G, particulièrement pour les technologies telles que le MIMO massif, la détection et communication intégrées (ISAC), et les communications térahertz (THz). Au niveau des clusters, cette propriété exige que les composantes multi-trajets (MPC) présentant des caractéristiques similaires restent regroupées dans les mêmes clusters à mesure que les émetteurs-récepteurs se déplacent, garantissant ainsi une évolution fluide des paramètres du canal.

Les méthodes existantes pour extraire la cohérence spatiale au niveau des clusters se divisent généralement en deux catégories : le « partitionnement après suivi » (tracking-after-clustering) et le « partitionnement et suivi conjoints » (joint clustering-and-tracking).

• Le partitionnement après suivi découple les processus, effectuant un partitionnement sur des instantanés individuels (par exemple, en utilisant KPowerMeans ou DBSCAN) puis associant les clusters entre les instantanés. Cela conduit souvent à des trajectoires fragmentées lorsque la composition des clusters change entre les instantanés.
• Le partitionnement et suivi conjoints tente d'utiliser les informations des instantanés précédents (typiquement les centroïdes des clusters ou les prédictions de filtres de Kalman) pour guider le partitionnement actuel. Cependant, ces méthodes reposent souvent lourdement sur une simple correspondance de centroïdes et n'exploitent pas pleinement la distribution jointe des MPC à travers les domaines du délai, des angles et de l'espace.

Par conséquent, les métriques existantes (telles que les indices Davies–Bouldin ou Calinski–Harabasz pour le partitionnement, et le Taux de Changement de Gradient pour le suivi) évaluent ces aspects séparément, échouant ainsi à refléter conjointement la qualité du partitionnement et la cohérence du suivi.

Méthodologie : Algorithme MD-SCT
Les auteurs proposent un algorithme de Partitionnement et Suivi Simultanés basé sur la distance de Mahalanobis (MD-SCT). Contrairement aux approches basées sur la distance euclidienne, le MD-SCT utilise la distance de Mahalanobis pour mesurer la distance entre une nouvelle MPC observée et la distribution des paramètres des clusters existants. Cette approche tient compte intrinsèquement de la structure de covariance entre les paramètres des MPC (délai, angles d'azimut/zénith de départ et d'arrivée, et emplacements des émetteurs-récepteurs).

L'algorithme fonctionne comme suit :

1. Initialisation : Dans une région spatiale dense, des méthodes de partitionnement conventionnelles (par exemple, KPowerMeans ou DBSCAN) sont appliquées à un ensemble initial de MPC pour établir $K_1$ clusters initiaux. Cela garantit une estimation robuste des vecteurs moyens et des matrices de covariance initiaux.
2. Assignation simultanée : Pour les instantanés suivants, chaque nouvelle MPC est assignée à un cluster existant $k$ si sa distance de Mahalanobis ($D_{Mah}$) par rapport à la distribution des paramètres du cluster est inférieure à un seuil ($D_{th}$). Cette étape réalise intrinsèquement le suivi en associant les nouvelles observations aux distributions historiques.
3. Gestion des valeurs aberrantes : Les MPC qui ne correspondent pas aux clusters existants sont marquées comme des valeurs aberrantes (outliers). Celles-ci sont ensuite re-partitionnées à l'aide de méthodes conventionnelles pour former de nouveaux clusters (représentant la naissance de clusters).
4. Cycle de vie des clusters : Les clusters sans MPC assignée sur des instantanés consécutifs sont considérés comme inactifs (mort du cluster). L'algorithme incorpore également un mécanisme de mémoire pour conserver les clusters dormants lors de lacunes d'observation temporaires, améliorant ainsi la robustesse face aux blocages.
5. Optimisation de la complexité : Pour gérer le coût computationnel, l'inverse de la matrice de covariance est mis à jour de manière itérative en utilisant le lemme d'inversion de matrice de Woodbury, réduisant la complexité de $O(N_{par}^3)$ à $O(N_{par}^2)$.

Principales contributions

1. Conception de l'algorithme : La proposition de l'algorithme MD-SCT, qui améliore la cohérence spatiale au niveau des clusters en exploitant la structure de la distribution jointe du délai, de l'angle et de la position de l'émetteur-récepteur formée par les MPC précédemment assignées.
2. Application : L'application de cet algorithme aux canaux sub-THz à 132 GHz, générés via un lancer de rayons déterministe basé sur des mesures dans un scénario d'Internet des Objets Industriels (IIoT).
3. Métrique d'évaluation : L'introduction de la Différence Quadratique Moyenne Successive (MSSD) comme nouvelle métrique pour quantifier la cohérence spatiale des statistiques de partitionnement (indices DB, CH, écarts-types des paramètres) à travers des instantanés successifs.

Résultats expérimentaux
L'algorithme a été validé par rapport à une méthode de suivi basée sur une métrique de caractéristiques multidimensionnelles (MFM) en utilisant des données de canal provenant d'un scénario IIoT à 132 GHz.

• Continuité des clusters : L'algorithme MD-SCT a produit des trajectoires de clusters nettement moins nombreuses mais plus longues et plus continues que la méthode MFM. Plus précisément, MD-SCT a identifié 17 clusters avec une longueur moyenne de suivi de 11,894 m, tandis que MFM a produit 104 clusters avec une longueur moyenne de seulement 1,457 m.
• Cohérence du suivi : L'algorithme MD-SCT a atteint un Taux de Changement de Gradient (GCR) de 0,028, nettement inférieur à celui de la méthode MFM qui est de 0,561, indiquant une évolution beaucoup plus fluide des centres de clusters.
• Stabilité statistique : Les valeurs MSSD pour les statistiques de partitionnement (DB, CH) et les écarts-types des paramètres (délai, angles) étaient systématiquement plus faibles pour MD-SCT. Par exemple, la MSSD pour l'indice Davies–Bouldin était de 0,003 pour MD-SCT contre 0,007 pour MFM.
• Qualité du partitionnement : Malgré l'accent mis sur le suivi, MD-SCT maintient une compacité et une séparation des clusters (DB moyen : 0,369 ; CH moyen : 146,072) comparables à la méthode MFM optimisée par instantané (DB moyen : 0,402 ; CH moyen : 134,825).

Signification
L'article affirme que l'algorithme MD-SCT permet une évolution plus fluide des clusters en assurant intrinsèquement le suivi tout en effectuant le partitionnement, améliorant ainsi la fiabilité des canaux partitionnés pour la modélisation de la cohérence spatiale en 6G. Les auteurs déclarent que ces résultats soutiennent une modélisation de canal sensible à la cohérence spatiale, ce qui est essentiel pour le suivi de faisceaux (beam tracking), la détection sensible à l'environnement et la conception de systèmes de communication sub-THz et MIMO massif. Ce travail souligne qu'en capturant la distribution jointe des MPC, la méthode proposée répond aux limites des approches de suivi déconnectées ou dépendantes des centroïdes.