Sintesi Tecnica: Array di Sensori Sparsi per il Sensing Attivo

Definizione del Problema

I sistemi di sensing attivo, come il radar, il sonar e l'ecografia medica, si affidano tradizionalmente ad array lineari uniformi (ULA) per ottenere un'elevata risoluzione angolare. Tuttavia, gli ULA richiedono un gran numero di sensori fisici per risolvere bersagli ravvicinati, portando a una maggiore complessità hardware, costi e consumo di potenza. Sebbene la maggior parte della ricerca esistente sui sensori sparsi si concentri sul sensing passivo (utilizzando il co-array di differenza), gli array di sensori sparsi offrono una via per ottenere un'alta risoluzione con meno elementi fisici sfruttando i concetti di array virtuale.

Nel sensing attivo, la struttura virtuale rilevante è il co-array di somma, formato dalle somme a coppie delle posizioni dei sensori di trasmissione (Tx) e ricezione (Rx). Esiste un vuoto significativo nella letteratura riguardante la progettazione di array sparsi specificamente per il sensing attivo. Le sfide chiave includono:

1. Configurazione dell'Array: Determinare le posizioni ottimali dei sensori quando gli array Tx e Rx possono essere vincolati a condividere le stesse posizioni fisiche (completamente sovrapposti), come comune nel radar monostatico e nell'ecografia medica. Trovare l'Array a Ridondanza Minima (MRA) per queste configurazioni è un problema di ottimizzazione combinatoria che diventa computazionalmente intrattabile per un numero elevato di sensori.
2. Lobi di Grating: Gli array sparsi soffrono di sottocampionamento spaziale, che porta alla comparsa di lobi di grating nel beampattern. Nel sensing attivo, l'efficacia del beampattern è il prodotto dei beampattern di Tx e Rx, ma mitigare questi lobi mantenendo un co-array virtuale contiguo richiede una progettazione attenta.
3. Sintesi del Beamforming: Sintetizzare un beampattern congiunto Tx-Rx desiderato su un array sparso richiede spesso molteplici trasmissioni (immagini componente) se l'array è ridondante. È necessario comprendere il compromesso tra la sparsità dell'array e il numero di immagini componente necessari per sintetizzare pesature arbitrarie dell'array virtuale.

Metodologia

Il documento stabilisce un quadro generale per la progettazione di array sparsi attivi e l'elaborazione dei segnali, concentrandosi su architetture di beamforming completamente digitali monodimensionali.

1. Modellazione del Segnale

Gli autori definiscono un modello di segnale di sensing attivo in cui un array Tx lineare illumina $K$ diffusori in campo lontano, e un array Rx co-localizzato riceve i segnali riflessi.

• Array Virtuale (Co-array di Somma): Il nucleo del modello è il co-array di somma $D_\Sigma = D_t + D_r$, dove $D_t$ e $D_r$ sono gli insiemi delle posizioni dei sensori Tx e Rx. A differenza del co-array di differenza nel sensing passivo, il co-array di somma emerge naturalmente dalla coerenza di fase degli array Tx/Rx co-localizzati senza richiedere assunzioni statistiche sui segnali sorgente.
• Modello di Misura: Il vettore del segnale ricevuto viene vettorializzato ed espresso tramite il prodotto di Khatri-Rao, collegando le misurazioni fisiche al manifold del co-array di somma virtuale tramite una matrice di pattern di ridondanza $\Upsilon$.

2. Progettazione della Configurazione dell'Array

Il documento categorizza gli array attivi in base alla sovrapposizione tra i sensori Tx e Rx: completamente sovrapposti, parzialmente sovrapposti e non sovrapposti.

• Array a Ridondanza Minima (MRA): Gli autori definiscono l'MRA attivo come la configurazione che massimizza la dimensione del co-array di somma contiguo per un dato numero di sensori fisici.
  • Per gli array non sovrapposti, esiste una soluzione in forma chiusa (la geometria nidificata), che è non ridondante.
  • Per gli array completamente sovrapposti (dove $D_t = D_r = D$), trovare l'MRA è un problema combinatorio difficile. Il documento nota che le soluzioni sono note solo fino a $N=48$ sensori.
• Array Sparsi Simmetrici: Per affrontare l'intrattabilità computazionale degli MRA per grandi $N$, gli autori propongono una classe di array sparsi simmetrici.
  • Introducono un framework basato su un generatore, dove un array simmetrico $S$ è costruito da un generatore $G$ e un offset $\ell$.
  • Il Teorema 9.1 fornisce una condizione sufficiente: se il generatore $G$ ha un co-array di differenza contiguo e l'offset $\ell$ soddisfa vincoli specifici, l'array simmetrico $S$ risultante possiede un co-array di somma contiguo.
  • Come esempio specifico, derivano l'Array Nidificato Simmetrico (SNA) e l'Array Nidificato Concatenato (CNA). Queste configurazioni sono scalabili, simmetriche e raggiungono un co-array di somma contiguo con bassa ridondanza.
  • Gli autori dimostrano che la ridondanza asintotica di queste configurazioni simmetriche è limitata a 2, fornendo un limite superiore stretto per la ridondanza asintotica dell'MRA completamente sovrapposto.

3. Beamforming e Addizione di Immagini

Il documento affronta come sintetizzare beampattern desiderati su array sparsi.

• Beamforming Congiunto Tx-Rx: L'efficacia del beampattern è il prodotto dei beampattern di Tx e Rx. Gli autori interpretano le pesature di beamforming congiunte nel contesto del co-array di somma.
• Addizione di Immagini: Per sintetizzare un beampattern virtuale desiderato (o una pesatura del co-array di somma) che non può essere ottenuto da una singola coppia di pesature Tx-Rx, gli autori utilizzano l'addizione di immagini. Questa tecnica combina linearmente molteplici "immagini componente" (ciascuna corrispondente a una distinta coppia di pesature di beamforming Tx-Rx).
• Ottimizzazione: Il problema è formulato come la ricerca di una matrice di pesi a basso rango $W$ tale che $\Upsilon \text{vec}(W) = w_\Sigma$, dove $w_\Sigma$ è la pesatura del co-array di somma desiderata.
• Compromesso: Il documento evidenzia un fondamentale compromesso spazio-temporale: gli array più sparsi richiedono un numero maggiore di immagini componente ($Q$) per sintetizzare pesature arbitrarie del co-array. Nello specifico, mentre un ULA può richiedere $Q \le 2$, gli array sparsi con $N$ sensori e $N^2$ sensori virtuali possono richiedere $Q \propto N$.

Contributi Chiave

1. Definizione e Analisi dell'MRA Attivo: Il documento estende formalmente il concetto di Array a Ridondanza Minima al sensing attivo, distinguendo tra configurazioni di sensori sovrapposte e non sovrapposte. Evidenzia la difficoltà computazionale di trovare MRA completamente sovrapposti.
2. Framework Scalabile per Array Simmetrici: Gli autori propongono un metodo generale per generare array sparsi simmetrici con co-array di somma contigui utilizzando un generatore e un offset. Questo framework permette la costruzione di array con centinaia o migliaia di sensori, superando i limiti combinatori della ricerca tradizionale degli MRA.
3. Symmetric Nested Array (SNA) e CNA: Il documento deriva i parametri in forma chiusa per una specifica configurazione nidificata simmetrica (CNA) che minimizza la ridondanza. Dimostra che questa configurazione raggiunge un co-array di somma contiguo e fornisce un limite di ridondanza asintotica di 2 per gli array attivi completamente sovrapposti.
4. Addizione di Immagini per Array Sparsi: Il documento chiarisce il ruolo dell'addizione di immagini nel sensing attivo, inquadrandola come un metodo per sintetizzare pesature arbitrarie del co-array di somma. Quantifica esplicitamente il compromesso tra la sparsità dell'array e il numero di trasmissioni (immagini componente) necessarie per la sintesi del beamforming.
5. Visione Unificata di Sensing Attivo e Passivo: Concentrandosi sugli array simmetrici, il documento dimostra che le configurazioni progettate correttamente forniscono sia co-array di somma che di differenza contigui, rendendoli adatti sia per applicazioni di sensing attivo che passivo.

Risultati

• Prestazioni dell'Array: I proposti array nidificati simmetrici raggiungono una dimensione del co-array di somma contiguo di circa $N^2/4$ per $N$ sensori fisici, paragonabile alle prestazioni degli MRA non sovrapposti, ma con il vantaggio pratico di posizioni dei sensori condivise.
• Limiti di Ridondanza: La ridondanza asintotica della classe simmetrica proposta è mostrata essere pari a 2. Questo funge da limite superiore provato per la ridondanza asintotica dell'MRA ottimale completamente sovrapposto (che è attualmente sconosciuto per $N \ge 49$).
• Sintesi del Beamforming: L'analisi conferma che, sebbene gli array sparsi offrano un'alta risoluzione, essi necessitano di molteplici immagini componente per sfruttare appieno i gradi di libertà dell'array virtuale. Il documento fornisce la formulazione matematica per minimizzare il rango della matrice di sintesi per ridurre il numero di trasmissioni richieste.

Significato e Rivendicazioni

Il documento si pone come una guida pragmatica per professionisti e ricercatori nel campo del sensing attivo. Il suo significato primario risiede nel colmare il divario tra l'ottimalità teorica degli MRA e la necessità pratica di design di array simmetrici e scalabili.

• Framework Pragmatico: Gli autori affermano di fornire un "framework generale e pragmatico" per generare array simmetrici adatti sia al sensing attivo che a quello passivo, rispondendo alla domanda se le note configurazioni passive (come l'array Nidificato) possano essere adattate per l'uso attivo.
• Scalabilità: A differenza dell'MRA, che è computazionalmente costoso da trovare per grandi $N$, le configurazioni simmetriche proposte possono essere generate per qualsiasi numero di sensori, rendendole vitali per sistemi su larga scala.
• Utilità Duale: Il documento sottolinea che gli array simmetrici sono unici nella loro capacità di fornire sia co-array di somma che di differenza contigui, unificando così i principi di progettazione per il sensing attivo e passivo.
• Consapevolezza del Compromesso: Gli autori affermano con modestia di aver illuminato il fondamentale compromesso tra la sparsità dell'array e il costo temporale (numero di trasmissioni) della sintesi del beamforming, suggerendo che il lavoro futuro dovrebbe concentrarsi sull'identificazione di beampattern che possano essere sintetizzati con un numero costante di immagini componente ($Q=O(1)$).

Gli autori concludono che, sebbene gli array sparsi offrano efficienza nei costi e prestazioni migliorate, il loro impiego richiede una considerazione attenta della specifica modalità di sensing (attiva vs passiva) e dei relativi vincoli sulla disposizione dei sensori e sulla progettazione della forma d'onda.