Riepilogo Tecnico: Stima Congiunta Single-Shot di TOA e DOA per il Ranging BLE basato su VAA con Ambiguità di Fase

1. Definizione del Problema

La stima accurata della Direzione di Arrivo (DoA) e del Tempo di Arrivo (ToA) è critica per la localizzazione wireless. Sebbene i metodi classici di super-risoluzione (ad esempio, MUSIC) offrano prestazioni elevate su array fisici a più antenne, essi sono spesso impraticabili per dispositivi Bluetooth Low Energy (BLE) con vincoli di dimensioni e costi. Le tecniche di Virtual Antenna Array (VAA) offrono una soluzione, sintetizzando la diversità spaziale da misurazioni a singola antenna effettuate lungo una traiettoria del ricevitore.

Tuttavia, l'applicazione del VAA al ranging BLE affronta due sfide primarie:

1. Limitazioni della Risposta in Frequenza del Canale (CFR) Two-Way: Il ranging BLE costruisce tipicamente una CFR two-way per cancellare gli offset dell'Oscillatore Locale (LO) e di sincronizzazione tramite un prodotto di Hadamard. Sebbene ciò rimuova gli offset di fase, esacerba gli effetti multipath e riduce il rapporto segnale-rumore (SNR).
2. Ambiguità di Fase Binaria: Il recupero della CFR one-way dalla CFR two-way richiede un'operazione di radice quadrata elemento per elemento. Ciò introduce un'ambiguità di fase binaria $\{ \pm 1 \}$ che, se non risolta, degrada gravemente le prestazioni di stima di ToA e DoA.
3. Geometria Non Uniforme: A differenza degli array lineari uniformi, i VAA formati dalle traiettorie degli utenti presentano spesso geometrie irregolari, complicando l'elaborazione dei segnali di array tradizionale e rendendo inefficaci gli esistenti euristici di risoluzione dell'ambiguità (progettati per array uniformi).

Gli approcci esistenti spesso assumono la presenza di molteplici snapshot o strutture di array uniformi e non riescono ad affrontare i vincoli specifici delle misurazioni single-shot del BLE e l'intrinseca ambiguità binaria del recupero tramite radice quadrata.

2. Metodologia

Gli autori propongono un framework unificato che integra la modellazione VAA con l'elaborazione della CFR two-way del BLE, accoppiata a un meccanismo di recupero della fase basato sul deep learning.

Modello di Sistema

Il sistema considera uno scenario BLE SISO (Single-Input Single-Output) multi-carrier dove un User Equipment (UE) si muove lungo una traiettoria per formare un VAA.

• Modello di Segnale: Il segnale ricevuto è modellato come una somma di componenti multipath, dove il coefficiente del canale include ampiezza, fase iniziale e uno sfasamento spaziale dipendente dallo spostamento ($d_n$) e dalla direzione ($\phi_n$) dell'UE.
• Costruzione della CFR Two-Way: Per cancellare gli offset del LO, il sistema forma una CFR two-way ($\hat{Y}$) calcolando il prodotto di Hadamard tra le risposte del canale forward ($Y^{(R)}$) e reverse ($Y^{(I)}$). Questa operazione cancella la matrice di fase $\Phi$ del LO ma introduce un termine di canale al quadrato e rumore.
• Introduzione dell'Ambiguità: La CFR one-way viene recuperata tramite $(\hat{Y})^{1/2} = Y \circ N$, dove $N$ è una matrice binaria con elementi $\{1, -1\}$ che rappresentano l'ambiguità di fase ignota.

Recupero della Fase Basato su Deep Learning

Per risolvere la matrice di ambiguità binaria $N$, l'articolo propone un Algoritmo a Doppia Rete Neurale con un meccanismo di voto:

1. Dual Predictors: Vengono impiegate due architetture U-Net:
   • Una rete row-wise ($f_{row}$) che predice i segni lungo la dimensione spaziale (posizioni delle antenne).
   • Una rete column-wise ($f_{col}$) che predice i segni lungo la dimensione della frequenza (sottoportanti).
   • Entrambe le reti restituiscono le probabilità per la coerenza del segno rispetto al primo elemento della rispettiva riga o colonna.
2. Addestramento: Le reti sono addestrate tramite apprendimento supervisionato con perdita di cross-entropy, utilizzando etichette ground-truth derivate dalle relazioni di segno note nei dati simulati.
3. Meccanismo di Voto:
   • Il predittore row-wise è stato empiricamente identificato come più affidabile grazie alla spaziatura fissa delle sottoportanti rispetto alla traiettoria casuale del VAA.
   • L'algoritmo impone la coerenza con le predizioni row-wise.
   • Per ogni riga $n$, il segno del primo elemento è determinato aggregando le stime candidate da tutte le colonne tramite voto di maggioranza.
   • Una volta risolto il primo elemento di ogni riga, l'intera matrice di ambiguità $N$ viene ricostruita utilizzando le predizioni row-wise.

Stima dei Parametri

Una volta recuperata la matrice di ambiguità $N$, si ottiene la CFR one-way corretta ($\tilde{Y}$). Viene quindi applicato un algoritmo MUSIC 2D a questi dati corretti per stimare il ToA e il DoA calcolando lo pseudospettro e identificando i picchi.

3. Contributi Chiave

• Modello Unificato VAA-BLE: L'articolo stabilisce un modello di segnale unificato che combina la diversità spaziale VAA con la costruzione della CFR two-way del BLE, tenendo esplicitamente conto dell'ambiguità di fase binaria introdotta durante il recupero della CFR one-way.
• Framework di Voto Neurale: Introduce un nuovo approccio di deep learning che decompone il compito di risoluzione dell'ambiguità in predizioni row-wise e column-wise, fondendoli tramite un meccanismo di voto per gestire robustamente geometrie di array non uniformi.
• Capacità Single-Shot: Il metodo proposto consente la stima congiunta di ToA e DoA da misurazioni single-shot, affrontando una limitazione dei lavori precedenti che facevano affidamento su molteplici snapshot.
• Prestazioni sotto Non-Uniformità: L'approccio è progettato specificamente per funzionare efficacemente sotto geometrie VAA irregolari dove i metodi tradizionali basati sulla continuità falliscono.

4. Risultati della Simulazione

Gli autori hanno valutato il metodo in uno scenario 2D (40m $\times$ 40m) con un UE che si muove lungo una traiettoria per formare un VAA di $N=16$ elementi e $M=80$ sottoportanti. Il canale includeva 1 percorso Line-of-Sight (LoS) e 1–3 percorsi Non-Line-of-Sight (NLoS).

• Confronti: Il metodo proposto è stato confrontato con:
  1. MUSIC della CFR two-way (senza risoluzione dell'ambiguità).
  2. Un approccio basato sulla continuità di fase per la risoluzione dell'ambiguità (progettato per array uniformi).
  3. Il limite teorico di Cramér-Rao (CRLB).
• Metriche di Prestazione: Mean Squared Error (MSE) per la stima di DoA e ToA attraverso diversi livelli di SNR.
• Risultati:
  • Il metodo proposto ha superato significativamente entrambi i baseline in tutti i livelli di SNR.
  • L'approccio basato sulla continuità di fase è fallito completamente sotto geometrie non uniformi, causando grandi errori di stima.
  • L'MSE dello stimatore proposto si è avvicinato strettamente al CRLB a SNR $\geq 5$ dB, dimostrando efficienza statistica.
  • Il metodo ha ottenuto una precisione superiore per ToA e DoA, particolarmente nei regimi di SNR medio-basso.

5. Significato e Rivendicazioni

L'articolo sostiene che, integrando la modellazione VAA con una strategia di voto neurale assistita dall'apprendimento, sia possibile risolvere l'ambiguità di fase binaria inerente al recupero della CFR two-way del BLE. Ciò consente l'applicazione di algoritmi di super-risoluzione come MUSIC su dispositivi BLE con singola antenna e risorse limitate. Gli autori affermano che il loro approccio fornisce un'alternativa efficiente in termini di costi e ad alta fedeltà rispetto agli array fisici a più antenne, raggiungendo una precisione di stima quasi ottimale anche in presenza di multipath e geometrie di array non uniformi.