Mismatch Analysis and Cooperative Calibration of Array Beam Patterns for ISAC Systems

Sintesi Tecnica: Analisi del Disallineamento e Calibrazione Cooperativa dei Pattern di Fascio per Sistemi ISAC

Problematica
I sistemi di Integrazione tra Sensing e Comunicazione (ISAC) si affidano fortemente a una stima accurata dell'angolo per compiti quali la localizzazione, la stima dell'orientamento e la localizzazione e mappatura simultanea (SLAM). Tuttavia, le prestazioni di sensing sono frequentemente degradate da disallineamenti del modello derivanti da errori geometrici (ad esempio, imprecisioni di posizione e orientamento) e imperfezioni hardware (ad esempio, accoppiamento mutuo e non linearità dell'amplificatore). Questi disallineamenti portano a un beamforming impreciso, a una riduzione del guadagno d'array e ad errori angolari amplificati che impattano severamente sulle prestazioni del sistema, particolarmente in scenari a onde millimetriche (mmWave). I metodi di calibrazione esistenti si concentrano spesso sull'accuratezza della ricostruzione del pattern di fascio o assumono modelli di sistema ideali, fallendo nel quantificare esplicitamente l'impatto del disallineamento del fascio sulle prestazioni di sensing o nel rispondere alle necessità di scalabilità delle architetture di beamforming ibrido distribuito.

Metodologia
L'articolo propone un framework completo per la calibrazione in situ del pattern di fascio da una prospettiva orientata al sensing, utilizzando segnali pilota downlink in uno scenario ISAC distribuito.

1. Modelli di Sistema e di Fascio: Gli autori considerano un sistema OFDM downlink con una stazione base (BS) dotata di un array planare uniforme e molteplici terminali utente (UE). Definiscono due modelli di rappresentazione del fascio: un codebook ideale basato sullo steering e un modello pratico che tiene conto dei limiti hardware tramite un codebook appreso ($W$) e una matrice di guadagno ($\Gamma$). Il compito di calibrazione è formulato come la stima di $W$ e $\Gamma$ per minimizzare la discrepanza tra i modelli reale e disallineato.
2. Metrica di Prestazione Orientata al Sensing: A differenza delle metriche tradizionali basate sulla similitudine del pattern di fascio, gli autori propongono una nuova metrica basata sull'errore di stima dell'angolo. Questa viene derivata calcolando un vettore di parametri "pseudo-veritiero" che minimizza la divergenza di Kullback-Leibler (KL) tra il modello reale e il modello disallineato. Questa metrica riflette direttamente il degrado delle prestazioni di sensing causato dagli errori di calibrazione.
3. Funzioni di Perdita e Ottimizzazione:
   • Response Error Loss (REL): Una funzione di perdita standard che minimizza la differenza tra i pattern di fascio ricostruiti e quelli di riferimento, utilizzata come baseline.
   • Angle Error Loss (AEL): Una funzione di perdita differenziabile approssimata dalla metrica basata sul sensing. Essa evita l'onere computazionale dell'ottimizzazione bi-livello, permettendo la corrispondenza della proiezione normalizzata delle osservazioni, consentendo così l'ottimizzazione basata sul gradiente.
4. Framework di Calibrazione Cooperativa: Per affrontare la scalabilità e l'overhead di comunicazione, viene introdotta una strategia di calibrazione cooperativa. Molteplici UE eseguono aggiornamenti locali di calibrazione basati sui dati ricevuti e sulle funzioni di perdita locali. Tali aggiornamenti locali vengono poi fusi globalmente presso la BS per raffinare i parametri di calibrazione globale. Questo approccio riduce la necessità di raccolta dati centralizzata e di grandi inversioni di matrici.
5. Algoritmi: L'articolo dettaglia algoritmi di ottimizzazione utilizzando l'Ottimizzazione Alternata (AO) e il Gradiente Discendente (GD). L'approccio basato su GD, in particolare quando combinato con l'AEL, si dimostra efficace per raffinare i parametri di calibrazione.

Contributi Chiave

• Formulazione del Problema di Calibrazione Cooperativa: L'articolo formula un problema di calibrazione del fascio distribuito dove molteplici UE ottimizzano collaborativamente il pattern di fascio dell'array di antenne della BS utilizzando segnali pilota di comunicazione.
• Nuova Metrica Orientata al Sensing: Introduce una metrica di prestazione basata sul bias di stima dell'angolo (derivata dalla minimizzazione della divergenza KL) piuttosto che sulla semplice similitudine del pattern, fornendo una misura più rilevante della qualità della calibrazione per i sistemi ISAC.
• Funzione di Perdita Differenziabile: Viene proposto un Angle Error Loss (AEL) differenziabile per facilitare l'ottimizzazione iterativa, permettendo il raffinamento della calibrazione basata sulla comunicazione per migliorare le prestazioni di sensing.
• Validazione Sperimentale: I modelli e gli algoritmi proposti sono validati utilizzando misurazioni reali di pattern di fascio raccolte in una camera anecoica, coprendo sia scenari di calibrazione 2D che 3D.

Risultati
I risultati sperimentali utilizzando dati misurati da una camera anecoica dimostrano miglioramenti significativi nell'accuratezza della stima dell'angolo:

• Calibrazione 2D: L'errore di stima dell'angolo è stato ridotto da 1,01° (non calibrato) a 0,11°.
• Calibrazione 3D: L'errore di stima dell'angolo è stato ridotto da 5,19° (non calibrato) a 0,86°.
• Confronto delle Prestazioni: Il modello proposto M4 (Calibrazione Congiunta di Codebook e Matrice di Guadagno) combinato con la funzione di perdita basata su AEL ha ottenuto le migliori prestazioni in termini di similitudine del fascio, errore angolare e perdita di guadagno del codebook rispetto ai modelli benchmark (M1-M3) e ad altri metodi di ottimizzazione (AO vs. GD).
• Strategia Cooperativa: L'approccio di calibrazione cooperativa ha raggiunto prestazioni comparabili alla calibrazione globale centralizzata, riducendo significativamente l'overhead di comunicazione (passando da $M \times G \times T$ a $M \times G \times N$ voci complesse).

Significatività e Rivendicazioni
L'articolo sostiene di aver gettato una solida base per una calibrazione del fascio robusta e adattiva per i futuri sistemi 6G abilitati all'ISAC. Dando priorità all'accuratezza del sensing angolare rispetto alla tradizionale similitudine del pattern, il framework proposto colma una lacuna critica nella letteratura attuale sulla calibrazione. L'introduzione di una funzione di perdita differenziabile e orientata al sensing consente l'uso di algoritmi di ottimizzazione scalabili basati sul gradiente, adatti a implementazioni distribuite sotto vincoli di beamforming ibrido. Inoltre, la strategia di calibrazione cooperativa dimostra che gli aggiornamenti distribuiti da molteplici UE possono calibrare efficacemente array su larga scala senza l'oneroso overhead di comunicazione dei metodi centralizzati. Gli autori osservano che, sebbene il lavoro attuale si concentri su scenari specifici, la ricerca futura dovrebbe considerare algoritmi di calibrazione che tengano conto della propagazione multipath e dei pattern di fascio dipendenti dalla frequenza nei sistemi a banda larga.