Hierarchical Coherent Imaging of Composite Anisotropic Moving Targets in ISAC

Sintesi Tecnica: Imaging Coerente Gerarchico di Target Compositi Anisotropi in Movimento in ISAC

Enunciato del Problema
Le reti di Sensing e Comunicazione Integrati (ISAC), in particolare l'ISAC Distribuito (DISAC), offrono il potenziale per generare immagini radio ad alta risoluzione dell'ambiente sfruttando l'elaborazione del segnale coerente in fase tra molteplici Equipaggiamenti Utente (UE). Tuttavia, i metodi di imaging esistenti affrontano due limitazioni critiche quando applicati a scenari realistici e dinamici:

1. Assunzione di Scattering Isotropo: La letteratura corrente modella tipicamente i target come collezioni di scatterer puntiformi indipendenti e isotropi. Ciò non tiene conto dell'anisotropia, dove la risposta di scattering dei target estesi (es. corpi umani, macchinari) varia significativamente con l'angolo di osservazione. Nelle reti DISAC, dove i nodi sono distribuiti su ampi angoli, ciò porta a incoerenze di fase e a sfocatura dell'immagine quando si tenta una fusione coerente.
2. Assunzione di Target Statici: La maggior parte degli algoritmi di imaging esistenti assume target statici o in movimento rigido. Non riescono a gestire target compositi in movimento composti da più parti che si muovono con velocità indipendenti (es. una persona che cammina con le braccia in movimento). Questi metodi si basano spesso su una compensazione Doppler semplificata (es. centroide e velocità) che non può risolvere gli spettri Doppler multi-modali generati da componenti in movimento indipendente, risultando in una grave sfocatura dell'immagine e in clutter.

Metodologia: MOSAIC
Gli autori propongono MOSAIC (Moving Object Sensing under Anisotropy by Imaging with Coherent and non-coherent fusion), un algoritmo di imaging gerarchico progettato per reti ISAC distribuite e asincrone. Il metodo utilizza segnali pilota in uplink (es. DMRS) senza richiedere forme d'onda di sensing dedicate. Il flusso di lavoro principale prevede quattro fasi principali:

1. Modellazione dell'Anisotropia e Clustering degli UE:

   • Gli autori derivano un modello analitico per la fase di scattering delle parti di un target esteso, dimostrando che la discrepanza di fase tra gli UE è quadraticamente correlata alla differenza nei loro angoli di osservazione bistatica.
   • Sulla base di ciò, gli UE sono raggruppati in cluster dove gli angoli bistatici sono sufficientemente simili da garantire la coerenza di fase. Ciò previene la sfocatura causata dalla combinazione di segnali da angoli ampiamente separati che osservano punti speculari diversi sul target.

2. Stima Doppler e Associazione Intra-Cluster:

   • Vengono generate immagini a bassa risoluzione per ciascun UE. Lo spettro Doppler è stimato per identificare i picchi corrispondenti alle riflessioni speculari di diverse parti del target.
   • All'interno di ciascun cluster, i picchi Doppler sono associati tra gli UE per identificare le parti in movimento distinte.

3. Imaging Coerente Intra-Cluster Compensato in Doppler:

   • Per ciascuna parte del target identificata, l'algoritmo esegue una pre-compensazione Doppler specifica per la velocità di quella parte e la geometria del cluster.
   • Un algoritmo di backprojection modificato integra i segnali compensati nel tempo lento. Questo passaggio mette a fuoco l'immagine della specifica parte del target, causando al contempo che i contributi di altre parti (con diversi spostamenti Doppler) interferiscano distruttivamente, separando efficacemente le parti.
   • Ciò produce immagini ad alta risoluzione specifiche per la parte e stima la posizione del centro di scattering principale per ciascuna parte all'interno del cluster.

4. Associazione Inter-Cluster e Fusione Globale Non Coerente:

   • L'algoritmo associa i picchi Doppler tra cluster diversi per stimare il vettore di velocità globale di ciascuna parte del target utilizzando la diversità geometrica dei triangoli UE-Stazione Base-Target.
   • Infine, le immagini specifiche per la parte da tutti i cluster sono combinate in modo non coerente. Questo passaggio integra osservazioni da ampi angoli per ricostruire la forma completa del target, superando i limiti dell'angolo di vista di un singolo cluster.

Contributi Chiave

• Primo Imaging Gerarchico per Target Compositi: MOSAIC è il primo algoritmo a eseguire imaging ad alta risoluzione di target compositi anisotropi in movimento in reti ISAC distribuite, affrontando le limitazioni dei modelli isotropi e statici.
• Clustering Consapevole dell'Anisotropia: Il documento introduce una regola di clustering basata su soglie di angolo bistatico derivate da un modello di anisotropia, abilitando l'elaborazione coerente all'interno dei gruppi evitando errori di fase su aperture ampie.
• Doppler come Meccanismo di Risoluzione: Invece di considerare gli spostamenti Doppler esclusivamente come fonte di sfocatura, MOSAIC li sfrutta come grado di libertà aggiuntivo per risolvere e separare parti di target in movimento indipendente attraverso una pre-compensazione specifica per la parte.
• Stima della Velocità a Bassa Complessità: Associando le frequenze Doppler tra cluster, il metodo stima i vettori di velocità con un'accuratezza di decimetri al secondo (dm/s), evitando la complessità proibitiva delle ricerche esaustive della velocità.

Risultati
Sono state condotte estese simulazioni numeriche utilizzando una frequenza portante di 7 GHz e una banda di 400 MHz, confrontando MOSAIC con tre benchmark: pre-compensazione centroide/velocità Doppler (DCR), compensazione Doppler media e nessuna compensazione Doppler.

• Qualità dell'Immagine: MOSAIC ha dimostrato un miglioramento >50% nella qualità dell'immagine (misurata tramite distanza di Wasserstein 1-W) rispetto ai metodi dello stato dell'arte. Ha ricostruito con successo le forme di target compositi (es. un busto con braccia in movimento) dove i benchmark producevano immagini inaffidabili o incomplete.
• Stima della Velocità: Il metodo ha raggiunto errori di stima della velocità a livello di dm/s, a condizione che gli UE fossero sufficientemente distribuiti attorno alla Regione di Interesse (ROI).
• Robustezza: L'approccio gerarchico si è dimostrato robusto agli errori di localizzazione degli UE (fino a una deviazione standard di una lunghezza d'onda) e a frequenze portanti variabili (3–26 GHz), mantenendo le prestazioni dove i metodi pienamente coerenti fallivano.

Significato e Affermazioni
Il documento afferma che MOSAIC affronta lacune fondamentali nella letteratura corrente sull'imaging DISAC, che si è concentrata prevalentemente su target statici o rigidi con scattering isotropo. Riformulando gli spostamenti Doppler come strumento per la separazione delle parti e introducendo una strategia di fusione gerarchica coerente/non coerente, MOSAIC abilita applicazioni di sensing a grana fine come il riconoscimento dei gesti umani e il sensing della folla nelle reti 6G. Gli autori sottolineano che il loro approccio trasforma le limitazioni dell'anisotropia e del movimento complesso in parametri gestibili, offrendo una via pratica verso l'imaging radio ad alta risoluzione in ambienti dinamici e distribuiti.