Sintesi Tecnica: Posizionamento basato solo sulla fase in MIMO distribuito sotto imperfezioni di fase

1. Definizione del problema

Il posizionamento tramite fase di portante (CPP) offre il potenziale per un'accuratezza di livello centimetrico nei sistemi wireless di prossima generazione, utilizzando esclusivamente osservazioni della fase di portante, senza fare affidamento su misurazioni di tempo di arrivo (ToA) o differenza di tempo di arrivo (TDoA). Sebbene la letteratura recente suggerisca che un'elevata accuratezza sia realizzabile in reti MIMO distribuite (D-MIMO) utilizzando misurazioni basate solo sulla fase, le implementazioni pratiche affrontano sfide significative. Nello specifico, gli errori di sincronizzazione di fase tra i punti di accesso (AP) distribuiti degradano intrinsecamente le prestazioni. Inoltre, le reti di prossima generazione richiedono una rigorosa conformità alla latenza, rendendo necessaria una riduzione della complessità del modello. I metodi esistenti spesso non riescono ad affrontare adeguatamente l'impatto combinato degli errori di sincronizzazione di fase e dell'onere computazionale derivante dall'elaborazione di tutte le possibili combinazioni di ambiguità nei sistemi D-MIMO.

2. Metodologia

Il documento propone un framework per la funzione di gestione della localizzazione (LMF) basato sull'apprendimento, denominato Distributed LMF (DLMF), che integra l'apprendimento profondo (DL) con un metodo di intersezione di iperboli per ottenere un posizionamento robusto e ad alta precisione in presenza di imperfezioni di fase. La metodologia si compone di tre componenti primarie:

2.1 Modello di sistema e misurazioni differenziali

Il sistema assume una configurazione uplink con $I$ AP distribuiti spazialmente e un terminale utente (UE) in una posizione $x_{ue}$ ignota. La fase del segnale ricevuto al $i$-esimo AP è modellata includendo la distanza dipendente dalla lunghezza d'onda, le perturbazioni di fase tra il DLMF e gli AP, gli offset di fase UE-DLMF, l'ambiguità intera e il rumore di misura.
Per mitigare i comuni offset di fase, il sistema utilizza misurazioni differenziali tra un AP di riferimento ($i=0$) e altri AP ($m \in \{1, \dots, I-1\}$). Queste misurazioni differenziali corrispondono geometricamente a insiemi di iperboli parametrizzate da ambiguità intere differenziali ($\Delta z_m$).

2.2 Intersezione di iperboli con stima dell'ambiguità

Il modello di localizzazione centrale adotta il metodo dell'intersezione di iperboli, che comprende:

1. Stimatore di ambiguità differenziale: Un Perceptron multistrato (MLP) che stima il vettore delle ambiguità differenziali ($\Delta \hat{z}$) dalle misurazioni di fase differenziali.
2. Solutore a discesa del gradiente (GD): Un solutore iterativo che affina la stima della posizione dell'UE utilizzando le distanze differenziali stimate. Esso minimizza una funzione di costo quadratica attraverso $T$ iterazioni.

2.3 Selezione degli AP basata sul Deep Learning

Per affrontare la complessità computazionale e ottimizzare l'accuratezza, il documento introduce una rete neurale (NN) per la Selezione Adattiva degli AP. Inveve di stimare tutte le possibili coppie di ambiguità, il sistema seleziona una coppia ottimale di due ambiguità ($\Delta z_a, \Delta z_b$) per minimizzare l'errore di posizionamento.

• Caratteristiche di input: La NN utilizza un vettore di caratteristiche $F \in \mathbb{R}^{8I}$, che concatena:
  • Caratteristiche basate sulle misurazioni: Misurazioni di fase differenziale ($\delta$) e valori di rapporto segnale-rumore (SNR) in ogni AP.
  • Caratteristiche basate sulla geometria: Distanze e angoli rispetto all'AP di riferimento, al vicino più prossimo e all'AP più lontano.
• Architettura della rete: Un MLP con uno strato di input di dimensione $8I$, cinque strati nascosti (dimensioni $A, 2A, 4A, 2A, A$) e uno strato di output di dimensione $\binom{I-1}{2}$. La rete predice l'errore di posizionamento per ogni possibile coppia di ambiguità.
• Strategia di selezione: La coppia $(a^*, b^*)$ corrispondente al minimo errore predetto viene selezionata per il solutore GD.

3. Contributi chiave

• Robustezza agli errori di sincronizzazione di fase: Lo studio dimostra che l'addestramento dell'estimatore di ambiguità su dati che riflettono le perturbazioni di fase permette al metodo di intersezione di iperboli di mantenere un'elevata accuratezza anche in presenza di errori di sincronizzazione.
• Selezione degli AP guidata dal DL: Il documento introduce un framework innovativo che utilizza una rete neurale profonda per selezionare la coppia ottimale di punti antenna per la stima dell'ambiguità. Questo approccio sfrutta sia le misurazioni del segnale che la geometria di distribuzione per evitare la scelta di coppie subottimali.
• Riduzione della complessità: Limitando il processo di localizzazione a sole due ambiguità selezionate (anziché a tutte quelle disponibili) e utilizzando il modello DL per guidare questa selezione, il framework riduce significativamente il carico computazionale senza sacrificare la precisione.

4. Risultati della simulazione

Le simulazioni sono state condotte in un'area di $100 \text{ m}^2$ con $I=9$ AP distribuiti, emulando una topologia D-MIMO.

• Accuratezza sotto perturbazione: Quando addestrato su dati con perturbazioni di fase (deviazione standard $\sigma$), il modello ha mantenuto un'accuratezza complessiva della stima dell'ambiguità superiore al 99% e un errore di posizionamento al 95° percentile inferiore a 0,5 cm, anche quando testato su dataset con livelli di perturbazione variabili.
• Prestazioni di selezione degli AP: Il metodo di selezione basato sul DL proposto ha superato significativamente i benchmark, inclusi la selezione Casuale, la selezione Max-SNR e l'uso di tutte le ambiguità (Nessuna selezione).
  • I benchmark Max-SNR e Random hanno prodotto un grave degrado dell'accuratezza (errori al 95° percentile di circa 509 cm e 551 cm, rispettivamente).
  • Il Metodo Proposto ha ottenuto un errore al 95° percentile di 0,26 cm, avvicinandosi strettamente al sottoinsieme "Migliore ottenibile" (0,14 cm).
• Complessità: Il framework proposto ha ridotto la complessità di inferenza complessiva di circa il 19,7% rispetto all'uso di tutte le ambiguità, mantenendo al contempo un'accuratezza superiore rispetto ai metodi che non utilizzano la selezione o che utilizzano strategie di selezione ingenue.

5. Significato e affermazioni

Il documento afferma che il posizionamento basato solo sulla fase di portante, se aumentato da soluzioni di deep learning, è un abilitatore vitale per un posizionamento affidabile e ad alta precisione nelle realistiche implementazioni D-MIMO del 6G. La rilevanza del lavoro risiede in:

1. Robustezza Pratica: Affrontare esplicitamente e mitigare gli errori di sincronizzazione di fase, un'imperfezione pratica critica spesso trascurata negli studi teorici sulla CPP.
2. Efficienza: Dimostrare che la selezione adattiva degli AP può ridurre la complessità computazionale (FLOPs) migliorando simultaneamente l'accuratezza del posizionamento evitando la scelta di coppie di ambiguità scadenti.
3. Abilitatore Futuro: Posizionare questo approccio guidato dall'apprendimento come una componente chiave per i futi sistemi 6G, con gli autori che notano come il lavoro futuro estenderà il framework a scenari multipath e tridimensionali.

Gli autori rimangono modesti riguardo all'attuale ambito di ricerca, riconoscendo che lo studio si concentra sulla propagazione in linea di vista (LoS) e che l'impatto delle incertezze di posizione degli AP richiede ulteriori indagini.