Uplink Channel Estimation for Multi-User MISO Systems Assisted by a Fluid Reconfigurable Intelligent Surface

Sintesi Tecnica: Stima del Canale di Collegamento in Salita per Sistemi MISO Multi-utente Assistiti da una Superficie Intelligenti Riconfigurabile Fluida

Enunciato del Problema
Le Superfici Intelligenti Riconfigurabili Fluide (FRIS) rappresentano un paradigma emergente in cui gli elementi riflettenti possono selezionare dinamicamente le loro posizioni di irradiazione efficaci da una griglia preimpostata densa, offrendo diversità spaziale con meno elementi fisici rispetto alle RIS convenzionali. Tuttavia, informazioni accurate sullo stato del canale (CSI) sono critiche per sfruttare questi guadagni. Mentre la stima del canale (CE) nei sistemi RIS convenzionali è ostacolata dalle non idealità hardware, i sistemi assistiti da FRIS affrontano complessità aggiuntive a causa della struttura bilineare a cascata del canale e, crucialmente, delle incertezze di posizione. Queste incertezze derivano da imprecisioni di calibrazione o errori di movimento, portando a discrepanze tra le posizioni degli elementi comandate e quelle realizzate. Per quanto ne sappiano gli autori, la CE per sistemi assistiti da FRIS in presenza di tale incertezza di posizione non è stata precedentemente esplorata in letteratura.

Metodologia
Il documento propone un framework di CE per un sistema MISO multi-utente in collegamento in salita in cui $Q$ utenti con antenna singola comunicano con una stazione base (BS) tramite una FRIS composta da $M$ elementi fluidi. Il sistema opera secondo un protocollo di configurazione FRIS a due scale temporali:

1. Sfasamenti: Gli sfasamenti elettronici ($\phi$) rimangono fissi su $K$ blocchi all'interno di un sottotrame ma variano tra i sottotrame.
2. Posizioni degli Elementi: Le posizioni di riflessione controllate ($t$) variano tra i blocchi ma vengono ripetute sui sottotrame.

Il segnale ricevuto è modellato come un tensore del quarto ordine, che ammette una decomposizione in Fattori Paralleli (PARAFAC). Gli autori affrontano due scenari distinti:

• Scenario 1: Realizzazione Perfetta del Movimento (Idealizzato)
  Assumendo che le posizioni realizzate corrispondano a quelle comandate, l'obiettivo è stimare i canali individuali ($G$ e $H$) date le matrici di movimento ($T$) e di fase ($\Phi$) note. Gli autori formulano un problema ai minimi quadrati (LS) e utilizzano la Fattorizzazione di Khatri-Rao (KRF) per disaccoppiare la stima del canale combinato ($\hat{\Theta}$) nei componenti del canale individuale ($G$ e $H$). Questo approccio sfrutta le proprietà di rimozione del rumore della KRF.

• Scenario 2: Incertezza del Movimento (Realistico)
  Quando si verificano discrepanze di posizione a causa di errori di movimento, la matrice di movimento $T$ è trattata come sconosciuta. Gli autori propongono un framework di stima congiunta per recuperare simultaneamente la matrice di movimento $T$ e le matrici del canale $G$ e $H$.

  • Il problema è formulato come la minimizzazione dell'errore tra i dati osservati e un modello che coinvolge il prodotto di Khatri-Rao di $T$, $G^T$ e $H$.
  • La soluzione impiega una fattorizzazione di Khatri-Rao LS multidimensionale. Nello specifico, le colonne del tensore combinato stimato sono approssimate come tensori di rango uno.
  • Viene applicata una decomposizione ai valori singolari di ordine superiore (HOSVD) troncata di rango uno per estrarre i vettori singolari dominanti, ottenendo le stime per $\hat{T}$, $\hat{G}$ e $\hat{H}$.

Contributi Chiave

1. Framework Innovativo: Questo lavoro presenta il primo framework di CE noto per sistemi assistiti da FRIS che tiene esplicitamente conto dell'incertezza di posizione degli elementi.
2. Modellazione Tensoriale: Gli autori derivano una soluzione algebrica in forma chiusa basata sulla modellazione tensoriale (decomposizione PARAFAC) che cattura sia la dinamica degli sfasamenti di riflessione che quella del movimento degli elementi.
3. Algoritmo di Stima Congiunta: Viene proposto un algoritmo specifico per stimare congiuntamente i coefficienti di fase indotti dal movimento e le matrici dei canali individuali, affrontando la sfida delle deviazioni di posizione sconosciute.
4. Analisi a Due Scenari: Il documento confronta sistematicamente le prestazioni sotto movimento idealizzato (dove $T$ è noto) rispetto all'incertezza di movimento realistica (dove $T$ è cieco/sconosciuto).

Risultati sulle Prestazioni
Le simulazioni numeriche valutano l'Errore Quadratico Medio Normalizzato (NMSE) del canale combinato al variare del Rapporto Segnale-Rumore (SNR) e delle magnitudini degli errori di posizione ($\sigma_{pos}$):

• Movimento Ideale: In assenza di errori di movimento, il metodo KRF proposto supera i metodi LS standard e si avvicina alle prestazioni dei sistemi RIS statici classici, beneficiando delle capacità di disaccoppiamento e rimozione del rumore della KRF.
• Incertezza del Movimento: Quando sono presenti errori di posizione (ad esempio, $\sigma_{pos} = \lambda/20$), i metodi che ignorano questi errori (utilizzando $T$ non corrispondente) subiscono un degrado significativo delle prestazioni. Il metodo di stima congiunta proposto rimane robusto, mitigando efficacemente l'impatto delle deviazioni di movimento sconosciute e raggiungendo livelli di prestazioni comparabili al caso di movimento idealizzato e ai benchmark RIS statici.
• Robustezza: Il metodo proposto dimostra resilienza all'aumento dei livelli di errore di posizione, mentre gli schemi che trascurano la stima del movimento non riescono a mantenere l'accuratezza.

Significato e Affermazioni
Il documento afferma che la stima accurata del canale nei sistemi FRIS è fondamentalmente ostacolata dalle incertezze di posizione, un fattore precedentemente non affrontato in letteratura. Introducendo un protocollo a due scale temporali e un framework di stima congiunta basato su tensori, gli autori dimostrano che è possibile ottenere una CSI accurata anche quando le posizioni degli elementi si discostano dai valori comandati. Il lavoro evidenzia che trattare la matrice di movimento come una variabile sconosciuta da stimare congiuntamente è essenziale per mantenere le prestazioni del sistema in scenari di implementazione realistici dove errori di calibrazione e di movimento sono inevitabili. Gli autori notano che la versione completa del documento elaborerà ulteriormente le condizioni di identificabilità, la complessità computazionale e l'impatto dei parametri di sistema (numero di elementi e utenti).