Decoupled Azimuth Elevation AoA Estimation Exploiting Kronecker Separable Steering Matrices

Riepilogo Tecnico: Stima Decouplata dell'Azimut e dell'Elevazione dell'Angolo di Arrivo (AoA)

Enunciato del Problema
Mentre le阵列 lineari sono state studiate estesamente per la stima dell'Angolo di Arrivo (AoA), le geometrie di array piani — in particolare gli Array Rettangolari Uniformi (URA) e gli Array Rettangolari Non Uniformi Strutturati (NURA) — hanno ricevuto un'attenzione comparativamente minore, nonostante i loro vantaggi nelle applicazioni moderne come MIMO e localizzazione 3-D. I metodi esistenti per gli array piani, come 2-D MUSIC o 2-D ESPRIT, soffrono spesso di un'elevata complessità computazionale, specialmente quando richiedono ricerche spettrali 2-D o decomposizioni tensoriali. Inoltre, i metodi computazionalmente efficienti per i NURA strutturati (che offrono una maggiore flessibilità di dispiegamento rispetto agli URA) rimangono scarsi. La sfida centrale affrontata è lo sviluppo di un framework economico per la stima 2-D dell'AoA che riduca il carico computazionale mantenendo o migliorando la precisione, specialmente in condizioni di numero limitato di snapshot o basso Rapporto Segnale-Rumore (SNR).

Metodologia
L'approccio proposto sfrutta la struttura matematica dei vettori di guida in geometrie di array specifiche. Il documento considera URA, NURA strutturati e array a forma di parallelogramma (UPgA e NUPgA). Per queste configurazioni, la matrice di guida completa $A$ può essere espressa come prodotto di Khatri–Rao di due matrici di guida a dimensionalità inferiore: una per l'azimut ($A_h$) e una per l'elevazione ($A_v$).

La metodologia procede attraverso i seguenti passaggi:

1. Estrazione del Sottospazio: Il sottospazio del segnale congiunto viene estratto per primo dalla matrice di covarianza spaziale tramite decomposizione agli autovalori.
2. Decouplamento tramite Manipolazione Matriciale: Invece di utilizzare approcci basati su tensori, gli autori derivano matrici di proiezione del sottospazio del segnale e del rumore separate per ciascuna dimensione spaziale. Rimodellando i vettori propri del sottospazio del segnale congiunto e impilandoli in modo appropriato, vengono recuperati gli spazi colonna delle singole matrici di guida per l'azimut ($A_h$) e l'elevazione ($A_v$). Ciò comporta la costruzione delle matrici $C$ e $B$ dal sottospazio congiunto e l'esecuzione della Decomposizione ai Valori Singoli (SVD) per ottenere basi ortonormali per i sottospazi decouplati.
3. Stima 1-D Indipendente: Una volta ottenuti i sottospazi decouplati, algoritmi 1-D convenzionali (MUSIC, root-MUSIC o ESPRIT) vengono applicati indipendentemente alle dimensioni dell'azimut e dell'elevazione.
   • Per gli array uniformi, vengono applicati root-MUSIC e ESPRIT.
   • Per gli array non uniformi strutturati, viene utilizzato MUSIC o root-MUSIC irregolare (basato sulla decomposizione di Vandermonde).
4. Accoppiamento degli Angoli: Gli angoli di azimut ed elevazione stimati vengono accoppiati utilizzando una funzione spettrale 2-D (pseudospettro) per garantire che corrispondano alla stessa sorgente.

Contributi Chiave

• Framework di Decouplamento del Sottospazio: Il documento introduce una tecnica puramente basata su matrici per decouplare la stima 2-D dell'AoA in due problemi 1-D indipendenti. Ciò evita il costo computazionale dei metodi basati su tensori (ad esempio, tensor-MUSIC o tensor-ESPRIT) e delle ricerche spettrali 2-D.
• Efficienza Computazionale: Il decouplamento riduce significativamente la complessità computazionale. Ad esempio, nel caso dei NURA strutturati, una ricerca su griglia 2-D di dimensione $n_h \times n_v$ viene ridotta a due ricerche 1-D di dimensione $n_h + n_v$. Gli autori citano un esempio specifico in cui uno spazio di ricerca di 32.761 punti viene ridotto a 362, ottenendo una riduzione di 90,5 volte.
• Applicabilità ad Array Strutturati: Il metodo è progettato esplicitamente per gestire NURA strutturati e array a parallelogramma, che sono più flessibili per il dispiegamento pratico rispetto agli URA standard ma mancano di algoritmi dedicati efficienti.
• Prestazioni Migliorate in Regimi Sfidanti: L'approccio si è dimostrato efficace in scenari con array di scala medio-grande, numero limitato di snapshot e basso SNR.

Risultati
Sono state condotte simulazioni Monte Carlo per valutare i metodi proposti (De-RMUSIC, De-ESPRIT, De-MUSIC e De-MUSIC-Opt) rispetto a benchmark all'avanguardia (2-D MUSIC, Reduced-Dimension MUSIC e 2-D ESPRIT/ESPRIT-MIMO).

• Precisione: Per URA di dimensioni $10\times10$, $20\times20$ e $30\times30$, il De-RMUSIC proposto ha costantemente raggiunto l'errore quadratico medio (RMSE) più basso su vari livelli di SNR, superando RD-MUSIC e spesso superando ESPRIT-MIMO, specialmente a bassi SNR.
• Efficienza degli Snapshot: Gli algoritmi proposti hanno dimostrato una precisione superiore rispetto a ESPRIT-MIMO quando il numero di snapshot era limitato. Sebbene le prestazioni convergessero a conteggi di snapshot più elevati, i metodi proposti hanno mantenuto un vantaggio nei regimi a bassa quantità di dati.
• NURA Strutturati: Per i NURA strutturati, l'approccio MUSIC decouplato (De-MUSIC) ha raggiunto una precisione comparabile a 2-D MUSIC ma con un tempo di esecuzione significativamente inferiore. La variante ottimizzata (De-MUSIC-Opt), che utilizza l'ottimizzazione non lineare per la ricerca fine, è stata la più efficiente dal punto di vista computazionale.
• Costo Computazionale: Sebbene i metodi proposti richiedano SVD aggiuntive e un passaggio di accoppiamento degli angoli (rendendoli leggermente più costosi di ESPRIT-MIMO senza accoppiamento in alcuni casi), sono sostanzialmente più efficienti di 2-D MUSIC e RD-MUSIC. Il divario nei tempi di esecuzione con ESPRIT-MIMO è indicato come non significativo per le dimensioni degli array testati, ma potrebbe aumentare con dimensioni spaziali più grandi.

Significato e Affermazioni
Il documento afferma che la strategia di decouplamento proposta offre un'alternativa pratica ed efficiente alle tecniche esistenti di stima 2-D dell'AoA. Sfruttando la struttura separabile di Kronecker delle matrici di guida, il metodo consente l'uso di algoritmi 1-D ben consolidati su array piani senza l'onere computazionale pesante delle ricerche 2-D o delle decomposizioni tensoriali.

Gli autori sottolineano che, sebbene il metodo abbia una limitazione sul numero massimo di sorgenti rilevabili (in particolare, può rilevare fino a $\min\{M, N\} - 1$ sorgenti, che è inferiore al limite di $MN-1$ di 2-D MUSIC), offre un compromesso convincente. Per array uniformi di grandi dimensioni e array non uniformi strutturati, l'approccio fornisce una maggiore precisione con meno snapshot e una migliore efficienza spettrale. Il lavoro è presentato come un passo significativo verso l'abilitazione di applicazioni di localizzazione 3-D ad alte prestazioni e radar MIMO utilizzando geometrie di array flessibili, dove algoritmi computazionalmente efficienti erano precedentemente scarsi.