Compressed Sensing-Driven Near-Field Localization Exploiting Array of Subarrays

Sintesi Tecnica: Localizzazione in Campo Vicino Guidata dal Compressive Sensing Sfruttando un Array di Subarray

Definizione del Problema
Il documento affronta la sfida della localizzazione ad alta risoluzione in campo vicino per i sistemi ISAC (Integrated Sensing and Communication). Mentre i sistemi wireless migrano verso frequenze più elevate (mmWave e terahertz) e le reti di antenne crescono di dimensioni, la regione di campo vicino si espande, rendendo necessaria la stima sia dell'angolo che della distanza (range). Sebbene le architetture di array completamente digitali (dove ogni elemento antenna ha una catena RF dedicata) offrano un'alta risoluzione, esse risultano proibitive in termini di costi e consumo energetico per aperture di grandi dimensioni.

Per mitigare i costi hardware, vengono considerate architetture di array modulari sparse (che suddividono un grande array in piccoli subarray con meno catene RF). Tuttavia, queste configurazioni sparse introducono un grave sottocampionamento spaziale, che genera lobi di reticolo (grating lobes) capaci di causare significative ambiguità nella stima dei parametri. I metodi esistenti faticano a bilanciare l'elevato costo hardware degli array completamente digitali con i problemi di ambiguità dei subarray sparsi, in particolare quando si utilizza il compressive sensing (CS) per ridurre ulteriormente le dimensioni dei dati.

Metodologia: L'Algoritmo SHARE
Gli autori propongono SHARE (Sparse Hierarchical Angle-Range Estimation), un nuovo algoritmo di recupero sparso a due stadi progettato per un'architettura di array modulare in cui $P$ subarray, ciascuno contenente $M_0$ elementi, sono collegati a $P$ catene RF tramite reti di combinazione analogica. Il sistema utilizza il compressive sensing per acquisire $K$ snapshot di misurazione distinti variando i deflettori di fase analogici.

L'algoritmo opera come segue:

1. Stadio 1: Stima dell'Angolo Coarse e Non Ambigua

   • Obiettivo: Risolvere le ambiguità dei lobi di reticolo senza una ricerca globale computazionalmente costosa.
   • Meccanismo: L'algoritmo tratta ogni subarray individualmente. Poiché l'apertura intra-subarray è piccola ($M_0$ elementi), essa è densa (spaziatura $d \le \lambda/2$) e priva di lobi di reticolo. Inoltre, le sorgenti sono approssimate come trovarsi nel campo lontano rispetto al piccolo subarray, permettendo l'uso di un vettore di puntamento semplificato e indipendente dalla distanza.
   • Elaborazione: L'algoritmo calcola lo spettro di potenza per ogni subarray indipendentemente utilizzando la combinazione non coerente. Questi spettri di potenza individuali vengono sommati per creare uno spettro combinato robusto ($P_{total}(\theta)$). I picchi di questo spettro forniscono stime angolari grossolane (coarse) e non ambigue ($\hat{\Theta}_0$). Questo stadio evita la dipendenza circolare della combinazione coerente (che richiede la conoscenza dell'angolo per compensare la fase) e sopprime efficacemente rumore e artefatti spuri.

2. Stadio 2: Raffinamento Congiunto Angolo-Distanza ad Alta Risoluzione

   • Obiettivo: Sfruttare l'intera apertura sparsa per stimare con precisione la distanza e raffinare l'angolo.
   • Meccanismo: Utilizzando le stime angolari grossolane dello Stadio 1, l'algoritmo costruisce una griglia di ricerca 2D fine e localizzata (un dizionario) solo nel vicinato degli angoli stimati. Ciò riduce drasticamente lo spazio di ricerca rispetto a una griglia globale.
   • Elaborazione: Il problema viene inquadrato come un problema di recupero sparso (Multiple Measurement Vector) su questo dizionario localizzato. Viene utilizzato un algoritmo greedy, come l'Orthogonal Matching Pursuit (OMP), per trovare la soluzione sparsa, fornendo stime raffinate per entrambi l'angolo e la distanza simultaneamente.

Contributi Chiave

• Framework a Bassa Complessità: Il documento introduce un framework di compressive sensing che elabora segnali da un gran numero di antenne utilizzando un piccolo numero di catene RF, riducendo significativamente i costi hardware pur mantenendo un'ampia apertura.
• Algoritmo Gerarchico (SHARE): Gli autori propongono un algoritmo a due stadi che decoppia il problema della stima. Esso risolve le ambiguità angolari utilizzando i subarray densi (Stadio 1) e successivamente esegue un raffinamento congiunto ad alta risoluzione utilizzando l'intera apertura sparsa (Stadio 2).
• Validazione delle Prestazioni: Attraverso estese simulazioni, il documento dimostra che SHARE supera i metodi convenzionali di un unico passaggio (2D-OMP) e gli algoritmi classici completamente digitali (2D-MUSIC) in scenari di campo vicino con sorgenti multiple.

Risultati della Simulazione
Gli autori hanno valutato SHARE rispetto a 2D-OMP (operante sugli stessi dati compressi) e 2D-MUSIC (operante su dati completamente digitali) utilizzando simulazioni Monte Carlo con $P=4$ subarray e $M_0=16$ elementi.

• Accuratezza: In scenari con sorgenti vicine, 2D-OMP non è riuscito a risolvere le sorgenti a causa della coerenza del dizionario, e 2D-MUSIC non è riuscito a stimare accuratamente la distanza. SHARE è riuscito a risolvere sia l'angolo che la distanza, raggiungendo un'accuratezza comparabile o superiore a 2D-MUSIC nonostante l'accesso a meno dati.
• Robustezza: SHARE ha dimostrato un RMSE (Root Mean Squared Error) mediano inferiore nella stima della posizione attraverso diversi numeri di sorgenti e misurazioni compressive. A differenza di 2D-OMP, le cui prestazioni si sono stabilizzate con l'aggiunta di misurazioni, l'accuratezza di SHARE è migliorata all'aumentare delle misurazioni fornite.
• Efficienza Computazionale: SHARE ha ridotto significativamente la complessità computazionale. Trasformando una ricerca 2D globale in una ricerca 1D grossolana seguita da una ricerca 2D localizzata, SHARE è stato circa 8 volte più efficiente dal punto di vista computazionale rispetto a 2D-OMP nella configurazione testata, ed è stato molto più efficiente della complessità $O(M^3)$ di 2D-MUSIC.

Significatività e Rivendicazioni
Il documento afferma che SHARE fornisce una via pratica per l'implementazione di sistemi ISAC in campo vicino ad alta risoluzione. Esso affronta il compromesso tra costo hardware e ambiguità di stima sfruttando le proprietà specifiche delle architetture a subarray. Gli autori sostengono che il loro approccio gerarchico evita il costo computazionale proibitivo delle ricerche esaustive su griglia 2D, preservando al contempo i vantaggi di risoluzione delle grandi aperture. Concludono che SHARE non è solo più accurato e robusto dei metodi compressivi "brute-force", ma offre anche una soluzione scalabile che rende fattibile la localizzazione ad alte prestazioni in campo vicino con hardware a basso costo e sparso.

Il lavoro futuro menzionato dagli autori include la progettazione di matrici di sensing ottimizzate e la validazione dell'algoritmo su un banco di prova hardware pratico, specificamente per tenere conto degli effetti di accoppiamento mutuo e di altre non-idealità dell'hardware.