⚡ electrical engineering

Decoupled Delay-Doppler and Angle Estimation in BD-RIS Sensing via Nested Tucker Decomposition

यह शोध पत्र नेस्टेड टेंसर फैक्टराइजेशन एंड एस्टिमेशन (NTFE) एल्गोरिदम का प्रस्ताव देता है, जो ग्रुप-कनेक्टेड BD-RIS-असिस्टेड मोनोस्टैटिक नेटवर्क में सिंगल-टारगेट लोकलाइजेशन के लिए डिले-डॉप्लर और एंगल एस्टिमेशन को डिकपल करने हेतु नेस्टेड टकर डिकंपोजिशन का लाभ उठाता है, जो अत्याधुनिक बेंचमार्क की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Kenneth Benício, André L. F. de Almeida, Fazal-E-Asim, Bruno Sokal, Behrooz Makki, Gabor Fodor, A. Lee Swindlehurst

प्रकाशित 2026-05-28

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kenneth Benício, André L. F. de Almeida, Fazal-E-Asim, Bruno Sokal, Behrooz Makki, Gabor Fodor, A. Lee Swindlehurst

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक घने, कोहरे से भरे जंगल में एक खोए हुए हाइकर (हाइकर) को खोजने की कोशिश कर रहे हैं। आपके पास एक शक्तिशाली टॉर्च (ट्रांसमीटर) है और मदद करने वालों की एक टीम (RIS) एक पहाड़ी पर खड़ी है। आपका लक्ष्य यह पता लगाना है कि हाइकर वास्तव में कहाँ है, वह कितनी तेज़ी से चल रहा है, और उसका मुख किस दिशा में है, यह सब आपकी टॉर्च की रोशनी के हाइकर से टकराकर वापस आने वाली गूँज (इको) को सुनकर करना है।

यह शोध पत्र एक नई, अधिक स्मार्ट तरीके से उन गूँजों को प्रोसेस करने की विधि प्रस्तुत करता है जिसे BD-RIS (बियॉन्ड-डायगोनल रीकॉन्फ़िगेरेबल इंटेलिजेंट सरफेस) कहा जाता है। एक BD-RIS को एक विशाल दर्पण के रूप में नहीं, बल्कि कई छोटे, स्मार्ट टाइल्स से बनी एक दीवार के रूप में समझें। इन टाइल्स को समूहों में बांटा गया है; एक ही समूह के टाइल्स आपस में बात कर सकते हैं और अपने परावर्तन (रिफ्लेक्शन) को समन्वयित कर सकते हैं, लेकिन उन्हें अन्य समूहों के टाइल्स से बात करने की आवश्यकता नहीं होती है। यह ऊर्जा और हार्डवेयर जटिलता को बचाता है जबकि यह अभी भी बहुत लचीला है।

लेखक द्वारा बताई गई उनकी नई विधि, जिसे NTFE कहा जाता है, यहाँ सरल उपमाओं के माध्यम से समझाई गई है:

1. समस्या: डेटा का एक बिखरा हुआ ढेर

जब टॉर्च की रोशनी हाइकर से टकराकर वापस आती है, तो वह अपने साथ बहुत सारी मिली-जुली जानकारी लेकर आती है:

कब वह वापस आई (विलंब/डिले)।
हाइकर कितनी तेज़ी से चल रहा है (डॉप्लर)।
हाइकर कहाँ स्थित है (कोण/एंगल)।

पारंपरिक तरीके इस उलझन को सुलझाने के लिए डेटा को एक विशाल, भ्रमित करने वाली स्प्रेडशीट के रूप में देखते हैं। यह घास के ढेर में सुई खोजने के लिए पूरे ढेर को एक साथ देखने जैसा है। यह धीमा है, और यदि डेटा शोर वाला है (जैसे हवा से पत्तों का हिलना), तो आपको गलत उत्तर मिल सकता है।

2. समाधान: "नेस्टेड बॉक्स" रणनीति

लेखक नेस्टेड टकर डिकम्पोजिशन (Nested Tucker Decomposition) नामक एक विधि प्रस्तावित करते हैं। कल्पना कीजिए कि डेटा एक बिखरा हुआ ढेर नहीं है, बल्कि रूसी नेस्टिंग डॉल्स (या बक्सों के अंदर बक्से) का एक सेट है।

बड़ा बॉक्स (सिग्नल): कच्चा इको डेटा जानकारी का एक 3D ब्लॉक है।
मध्य परत (समूह): लेखक समझते हैं कि "स्मार्ट टाइल्स" समूहों में बंटी हुई हैं। वे इस जानकारी का उपयोग बड़े बॉक्स को छोटे, प्रबंधनीय टुकड़ों में विभाजित करने के लिए करते हैं।
आंतरिक परत (पृथक्करण): यही असली जादू है। समय, गति और दिशा को एक साथ हल करने के बजाय, वे उन्हें अलग-अलग "कंपार्टमेंट" (हिस्सों) में विभाजित करते हैं।
- एक कंपार्टमेंट में समय/गति की जानकारी होती है।
- दूसरा कंपार्टमेंट दिशा की जानकारी रखता है।

इन "कंपार्टमेंट्स" को अलग करके, एल्गोरिदम गति से भ्रमित हुए बिना दिशा को हल कर सकता है, और इसके विपरीत भी। यह मिश्रित बैग से लाल और नीले मार्बल्स को दो अलग-अलग जार में छाँटने जैसा है, बजाय इसके कि उन्हें मिले-जुले होने पर ही गिनने की कोशिश की जाए।

3. दो-चरणीय नृत्य (Two-Step Dance)

एल्गोरिदम हाइकर को खोजने के लिए एक "दो-चरणीय नृत्य" करता है:

चरण 1: एक रफ स्केच (फैक्टरइज़ेशन): सबसे पहले, यह सिग्नल के "आकार" का एक मोटा अंदाज़ा लगाने के लिए एक गणितीय तकनीक (अल्टरनेटिंग लीस्ट स्क्वायर्स) का उपयोग करता है। इसे अभी तक सटीक गति या कोण जानने की आवश्यकता नहीं है; इसे बस "समय/गति" वाले बॉक्स को "दिशा" वाले बॉक्स से अलग करने की आवश्यकता है।
चरण 2: फाइन-ट्यूनिंग (सबस्पेस और क्लोज्ड-फॉर्म): एक बार जब बॉक्स अलग हो जाते हैं, तो एल्गोरिदम सटीक गति और दूरी प्राप्त करने के लिए "समय/गति" वाले बॉक्स के अंदर झांकने के लिए सटीक गणितीय उपकरणों (ESPRIT) का उपयोग करता है। फिर, यह सटीक कोण प्राप्त करने के लिए "दिशा" वाले बॉक्स के अंदर देखता है। अंत में, यह एक साधारण विभाजन चरण का उपयोग करके गणना करता है कि सिग्नल कितना मजबूत है (कॉम्प्लेक्स गेन)।

4. यह बेहतर क्यों है?

इस पेपर ने इस नई विधि का परीक्षण अन्य शीर्ष-स्तरीय विधियों (जैसे "मैक्सिमम लाइकलीहुड" खोज, जो कि हर संभव गति और कोण के संयोजन को आज़माने जैसा है जब तक कि कोई फिट न बैठ जाए) के विरुद्ध किया।

परिणाम: नया तरीका (NTFE) काफी अधिक सटीक था। उनके सिमुलेशन में, इसने मानक तरीकों की तुलना में त्रुटियों को लगभग 10 डेसिबल कम कर दिया।
उपमा: यदि पुराने तरीके रेडियो डायल को बेतरतीब ढंग से घुमाकर एक विशिष्ट गाना खोजने जैसे थे, तो नया तरीका एक डिजिटल ट्यूनर की तरह है जो तुरंत सही फ्रीक्वेंसी पर लॉक हो जाता है क्योंकि वह जानता है कि रेडियो स्टेशन की संरचना कैसी है।

सारांश

संक्षेप में, यह शोध पत्र एक स्मार्ट सतह से प्राप्त होने वाले अव्यवस्थित रडार डेटा को व्यवस्थित करने का एक चतुर तरीका पेश करता है। डेटा को एक उलझे हुए ढेर के बजाय नेस्टेड, अलग होने वाले बक्सों के सेट के रूप में मानकर, यह प्रणाली पिछले तकनीकों की तुलना में बहुत तेज़ी से और अधिक सटीकता के साथ किसी लक्ष्य के स्थान, गति और दिशा का पता लगा सकती है। यह सिद्ध करता है कि हार्डवेयर की "ग्रुप संरचना" को समझने से सुनने (इको सुनने) का कहीं अधिक स्मार्ट तरीका मिलता है।

तकनीकी सारांश: नेस्टेड टकर डिकंपोज़िशन के माध्यम से BD-RIS सेंसिंग में डिकपल्ड डिले-डॉप्लर और एंगल एस्टीमेशन

समस्या विवरण
यह शोध पत्र एक मोनोस्टैटिक सेंसिंग नेटवर्क में सिंगल-टारगेट लोकलाइजेशन की चुनौती को संबोधित करता है, जो एक ग्रुप-कनेक्टेड बियॉन्ड-डायगोनल रीकॉन्फ़िगेरेबल इंटेलिजेंट सरफेस (BD-RIS) द्वारा समर्थित है। पारंपरिक पैसिव RISs के विपरीत, जो डायगोनल फेज-शिफ्ट मैट्रिसेस का उपयोग करते हैं, BD-RIS आर्किटेक्चर अतिरिक्त डिग्री ऑफ फ्रीडम प्रदान करने के लिए नॉन-डायगोनल फेज-शिफ्ट मैट्रिसेस को साकार करने हेतु इंटर-एलिमेंट कपलिंग का उपयोग करता है। हालाँकि, यह चैनल एस्टीमेशन और पैरामीटर एक्सट्रैक्शन में जटिलता भी लाता है। विशिष्ट समस्या लक्ष्य के भौतिक मापदंडों—डिले ( $\tau$ ), डॉप्लर शिफ्ट ( $\nu$ ), और एंगल्स ऑफ एराइवल/डिपार्चर ( $\phi, \theta$ )—का अनुमान लगाने की है, जहाँ डायरेक्ट लाइन-ऑफ-साइट पाथ बाधित है, और सेंसिंग पूरी तरह से BD-RIS के माध्यम से इको लिंक पर निर्भर है। इस सिस्टम में एक मल्टी-एंटीना सेंसिंग ट्रांसमिटर (ST) और एक BD-RIS शामिल है जिसमें $N$ एलिमेंट्स को $K$ ग्रुप्स में विभाजित किया गया है, जहाँ इंट्रा-ग्रुप कपलिंग को संरक्षित रखा गया है लेकिन हार्डवेयर जटिलता और आइडेंटिफिएबिलिटी के बीच संतुलन बनाने के लिए पूर्ण इंटरकनेक्शन से बचा गया है।

कार्यप्रणाली
लेखक नेस्टेड टकर फैक्टराइजेशन एंड एस्टीमेशन (NTFE) एल्गोरिदम प्रस्तावित करते हैं, जो प्राप्त सिग्नल को 3rd-ऑर्डर नेस्टेड टकर टेंसर के रूप में मॉडल करता है। यह दृष्टिकोण ग्रुप-कनेक्टेड BD-RIS आर्किटेक्चर द्वारा प्रेरित ब्लॉक-वाइज स्ट्रक्चर का स्पष्ट रूप से लाभ उठाता है।

सिग्नल मॉडलिंग: प्राप्त इको सिग्नल को 3rd-ऑर्डर नेस्टेड टकर टेंसर डिकंपोज़िशन के रूप में फॉर्म्युलेट किया गया है। यह मॉडल डिले-डॉप्लर डोमेन को एंगल डोमेन से अलग करता है। प्राप्त डेटा टेंसर $\mathbf{Y}$ को इस प्रकार व्यक्त किया जाता है:
$\mathbf{Y} = \mathbf{I} \times_1 \mathbf{G} \times_2 [\mathbf{F}]_{(1)} \times_3 \mathbf{S} \times_4 \mathbf{p}'$
जहाँ $\mathbf{G}$ ज्योमेट्रिक चैनल है, $\mathbf{S}$ फेज-शिफ्ट मैट्रिसेस है, $\mathbf{p}'$ एंगल इंफॉर्मेशन वेक्टर है, और $[\mathbf{F}]_{(1)}$ मोड-1 अनफोल्डिंग है जिसमें डिले-डॉप्लर जानकारी होती है। एक माध्यमिक नेस्टेड मॉडल डिले और डॉप्लर स्टीयरिंग वेक्टर्स को और अधिक अलग करता है।
दो-चरणीय एस्टीमेशन प्रक्रिया:
- चरण 1 (फैक्टर एस्टीमेशन): एल्गोरिदम एक अल्टरनेटिंग लीस्ट स्क्वायर्स (ALS) दृष्टिकोण, विशेष रूप से एक बाइनियर अल्टरनेटिंग लीस्ट स्क्वायर्स (BALS) प्रक्रिया का उपयोग करता है, ताकि फैक्टर $[\mathbf{F}]_{(1)}$ और $\mathbf{p}'$ का अनुमान लगाया जा सके। यह चरण स्थानिक (एंगल) और टेम्पोरल (डिले-डॉप्लर) घटकों को डिकपल करता है।
- चरण 2 (पैरामीटर एक्सट्रैक्शन):
  - डिले और डॉप्लर: अनुमानित फैक्टर $[\mathbf{F}]_{(1)}$ का उपयोग करते हुए, एल्गोरिदम $\tau$ और $\nu$ को निकालने के लिए 1D ESPRIT (एस्टीमेशन ऑफ सिग्नल पैरामीटर्स वाया रोटेशनल इनवेरिएंस टेक्निक्स) लागू करता है।
  - एंगल्स: डिले और डॉप्लर अनुमानों का उपयोग उनके स्टीयरिंग वेक्टर्स को पैरामीट्रिक रूप से पुनर्गठित करने के लिए किया जाता है। इन रिफाइंड फैक्टर्स को मॉडल में वापस प्रतिस्थापित किया जाता है ताकि एंगल इंफॉर्मेशन मैट्रिक्स $\mathbf{P}$ को निकाला जा सके। इसके बाद एज़िमुथ और एलिवेशन एंगल्स का अनुमान लगाने के लिए एक 2D ESPRIT एल्गोरिदम लागू किया जाता है।
  - कॉम्प्लेक्स गेन: अंत में, एलिमेंट-वाइज डिवीजन के माध्यम से क्लोज्ड-फॉर्म लीस्ट स्क्वायर्स स्टेप का उपयोग करके कॉम्प्लेक्स चैनल गेन कोएफिशिएंट $\alpha$ का अनुमान लगाया जाता है, जो शोर को कम करने के लिए पूर्ण मल्टी-डायमेंशनल डेटासेट का लाभ उठाता है।
आइडेंटिफिएबिलिटी विश्लेषण: पेपर प्रस्तावित मॉडल की यूनिकनेस कंडीशंस का विश्लेषण करता है। एक निर्धारित, ज्ञात कोर टेंसर $\mathbf{I}$ के उपयोग के कारण, अनुमानों के मनमाने रोटेशन को रोका जाता है। शेष अस्पष्टताएं ट्रिवियल स्केलिंग फैक्टर्स तक सीमित हैं, जो या तो पुनर्गठित टेंसर में रद्द हो जाते हैं या एस्टीमेशन स्टेप्स की विशिष्ट संरचना के माध्यम से हल हो जाते हैं।

प्रमुख योगदान

नवल एल्गोरिदम: NTFE एल्गोरिदम का विकास, जो ग्रुप-कनेक्टेड BD-RIS आर्किटेक्चर के विशिष्ट हार्डवेयर बाधाओं को ध्यान में रखते हुए, BD-RIS-असिस्टेड सेंसिंग सिग्नल्स को मॉडल करने के लिए नेस्टेड टकर डिकंपोज़िशन का उपयोग करता है।
डिकपलिंग स्ट्रैटेजी: एक दो-चरणीय प्रक्रिया जो सफलतापूर्वक डिले-डॉप्लर मापदंडों को एंगल मापदंडों से अलग करती है, जिससे अनुक्रमिक 4D मैक्सिमम लाइक्लीहुड (ML) सर्च से जुड़ी उच्च कम्प्यूटेशनल लागत और एरर प्रोपेगेशन से बचा जा जा सकता है।
सैद्धांतिक गारंटी: प्रस्तावित मॉडल की आइडेंटिफिएबिलिटी और यूनिकनेस कंडीशंस का व्युत्पन्न, जो यह दर्शाता है कि प्रस्तावित मॉडल विशिष्ट सिस्टम डाइमेंशन कंस्ट्रेंट्स (जैसे, $LT \geq N$ और $LMQT \geq N^2$ ) के तहत ट्रिवियल स्केलिंग एम्बिग्युटी तक अद्वितीय पैरामीटर एस्टीमेशन की अनुमति देता है।
क्लोज्ड-फॉर्म गेन एस्टीमेशन: स्ट्रक्चरल पैरामीटर्स के हल होने के बाद कॉम्प्लेक्स चैनल गेन कोएफिशिएंट का अनुमान लगाने के लिए एक लो-कॉम्प्लेक्सिटी मेथड।

सिमुलेशन परिणाम
NTFE के प्रदर्शन का मूल्यांकन तीन बेंचमार्क्स के विरुद्ध मोंटे कार्लो सिमुलेशन के माध्यम से किया गया: एक अनुक्रमिक 4D ML मेथड, एक डायरेक्ट लीस्ट स्क्वायर्स (LS) एस्टीमेट, और एक क्रोनेकर फैक्टराइजेशन (KF) आधारित मेथड।

प्रभावी चैनल एस्टीमेशन: NTFE ने प्रभावी चैनल के अनुमान के लिए नॉर्मलाइज्ड मीन स्क्वेर्ड एरर (NMSE) में महत्वपूर्ण सुधार दिखाया। इसने KF मेथड से लगभग 25 dB और डायरेक्ट LS मेथड से लगभग 35 dB बेहतर प्रदर्शन किया।
पैरामीटर सटीकता: डिले, डॉप्लर और एंगल एस्टीमेशन के रूट मीन स्क्वेर्ड एरर (RMSE) के संदर्भ में, NTFE ने मानक 4D ML बेंचमार्क की तुलना में लगभग 10 dB का प्रदर्शन लाभ प्राप्त किया।
रोबस्टनेस: परिणाम दर्शाते हैं कि NTFE प्रभावी रूप से ग्रुप-कनेक्टेड BD-RIS स्ट्रक्चर का लाभ उठाता है, जो उन परिदृश्यों में भी सटीक अनुमान प्रदान करता है जहाँ अनुक्रमिक ML मेथड्स इनिशियलाइजेशन डिपेंडेंस और एरर प्रोपेगेशन से जूझते हैं।

महत्व और दावे
पेपर का दावा है कि NTFE एल्गोरिदम, टेंसर-आधारित प्रोसेसिंग और ग्रुप-कनेक्टेड BD-RIS की विशिष्ट हार्डवेयर बाधाओं के बीच के अंतर को पाटकर, BD-RIS-असिस्टेड सेंसिंग में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। प्राथमिक महत्व स्थानिक और टेम्पोरल डोमेन को डिकपल करने की क्षमता में निहित है, जिससे स्टेट-ऑफ-द-आर्ट बेंचमार्क्स की तुलना में बेहतर एस्टीमेशन सटीकता और कम कम्प्यूटेशनल जटिलता प्राप्त होती है। लेखक दावा करते हैं कि BD-RIS के ब्लॉक-वाइज स्ट्रक्चर को स्पष्ट रूप से मॉडल करके, यह विधि विशिष्ट सिस्टम डाइमेंशन कंस्ट्रेंट्स के तहत यूनिक पैरामीटर एस्टीमेशन प्राप्त करती है और प्रभावी-चैनल पुनर्निर्माण तथा भौतिक पैरामीटर एस्टीमेशन दोनों में मौजूदा तकनीकों से बेहतर प्रदर्शन करती है, जिससे यह उन्नत RIS आर्किटेक्चर का उपयोग करने वाले इंटीग्रेटेड सेंसिंग एंड कम्युनिकेशंस (ISAC) सिस्टम के लिए एक व्यवहार्य समाधान बन जाता है।

1. समस्या: डेटा का एक बिखरा हुआ ढेर

2. समाधान: "नेस्टेड बॉक्स" रणनीति

3. दो-चरणीय नृत्य (Two-Step Dance)

4. यह बेहतर क्यों है?

सारांश

इसी तरह के और पेपर