Gaussian Process-Based Extended Object Estimation for 6G ISAC at Millimeter-Wave Frequencies

Sintesi Tecnica: Stima di Oggetti Estesi Basata su Processi Gaussiani per ISAC 6G a Frequenze Millimetriche

Enunciato del Problema
I futuri sistemi di Sensing e Comunicazione Integrata (ISAC) di sesta generazione (6G) mirano a potenziare la consapevolezza ambientale superando l'assunzione convenzionale secondo cui i componenti multipath originano da singoli oggetti puntuali (punti di riferimento). Sebbene il sensing ad alta risoluzione a frequenze millimetriche (mmWave) permetta di risolvere molteplici punti di incidenza (IP) provenienti da un singolo oggetto fisico – denominato "oggetto esteso" – la letteratura esistente manca di una validazione sperimentale di metodi capaci di stimare le forme di tali oggetti in scenari pratici. Nello specifico, sebbene i Processi Gaussiani (GP) siano stati proposti teoricamente per la stima di oggetti estesi (EOE), la loro efficacia nell'utilizzo di dati di misura reali conformi allo standard 5G New Radio (NR), sia in contesti di mappatura che di Localizzazione e Mappatura Simultanea (SLAM), rimane inesplorata.

Metodologia
Il documento propone un framework basato su GP per l'EOE, validato attraverso una configurazione di sensing bistatico operante a 60 GHz con una banda di 400 MHz, conforme agli standard 5G NR. La metodologia procede in tre fasi:

1. Stima del Punto di Incidenza (IP):

   • Modello di Sistema: Il sistema utilizza una trasmissione OFDM basata su fasci con Array Piani Uniformi (UPA) sia al trasmettitore (Tx) che al ricevitore (Rx). I parametri del canale (Tempo di Arrivo, Angolo di Partenza, Angolo di Arrivo) sono estratti dai Segnali di Riferimento per il Posizionamento (PRS).
   • Scenario di Mappatura: Assumendo che lo stato del Rx (posizione, orientamento, bias dell'orologio) sia noto, gli IP sono stimati risolvendo un problema di ottimizzazione non lineare che minimizza la funzione di costo quadratica tra i parametri del canale misurati e quelli previsti geometricamente.
   • Scenario SLAM: Quando lo stato del Rx è sconosciuto, viene impiegato un algoritmo robusto di SLAM istantaneo basato su Random Sample Consensus (RANSAC) e Minimi Quadrati (LS). Questo partiziona le misurazioni in valori coerenti (Linea di Vista e Non-Linea di Vista a singolo rimbalzo) e valori anomali per stimare congiuntamente la traiettoria del Rx e le posizioni degli IP.

2. Clustering e Trasformazione dei Dati:

   • Gli IP stimati vengono raggruppati utilizzando l'algoritmo di clustering spaziale basato sulla densità DBSCAN (Density-Based Spatial Clustering of Applications with Noise) per raggruppare i punti appartenenti allo stesso oggetto.
   • Per ogni cluster, le coordinate cartesiane vengono convertite in coordinate polari $(\theta, r)$ rispetto al baricentro del cluster. Gli angoli $\theta$ fungono da regressori (input) e le distanze radiali $r$ fungono da osservazioni (output).

3. Regressione con Processo Gaussiano:

   • La forma dell'oggetto è modellata come una funzione star-convessa $f(\theta)$ che mappa gli angoli polari sulle distanze radiali.
   • Un modello di regressione GP viene addestrato utilizzando una funzione di covarianza esponenziale quadratica periodica per catturare la natura star-convessa degli oggetti.
   • Gli iperparametri (scala di magnitudine $\sigma_f$, scala di lunghezza $\ell$ e varianza del rumore $\sigma_n^2$) e la funzione media sono appresi massimizzando la verosimiglianza marginale logaritmica.
   • Il modello predice il contorno completo dell'oggetto e fornisce un intervallo di confidenza al 95%, anche quando addestrato su dati di contorno parziali.

Contributi Chiave

• Validazione Sperimentale: Il documento fornisce la prima validazione sperimentale dell'EOE basata su GP utilizzando dati mmWave pratici acquisiti da una configurazione conforme allo standard 5G NR, colmando il divario tra proposte teoriche e implementazione nel mondo reale.
• Valutazione a Doppio Scenario: Il metodo è stato testato rigorosamente in due modalità operative distinte:
  • Mappatura mmWave: Dove la traiettoria del ricevitore è nota.
  • SLAM mmWave: Dove la traiettoria del ricevitore è sconosciuta e deve essere stimata simultaneamente alle forme degli oggetti.
• Gestione del Contorno Parziale: Lo studio dimostra la capacità dei GP di ricostruire le forme degli oggetti (nello specifico pilastri e pareti) utilizzando solo un sottoinsieme limitato di punti di misura, riflettendo i vincoli pratici in cui una singola coppia Tx-Rx non può catturare l'intero contorno dell'oggetto.

Risultati

• Dati Sintetici: I test iniziali su dati sintetici hanno mostrato che l'aumento del numero di punti di misura migliora le prestazioni dell'Errore Quadratico Medio (RMSE), confermando la robustezza dell'EOE basata su GP anche con piccoli dataset.
• Dati Sperimentali (Mappatura): Nello scenario di mappatura, il GP ha ricostruito con successo le forme di pilastri (approssimati come cerchi) e pareti. I risultati hanno indicato che le geometrie lisce (pilastri) sono state stimate con accuratezza anche con dati parziali, mentre le geometrie complesse (pareti) richiedevano una copertura angolare più estesa per una stima precisa.
• Dati Sperimentali (SLAM): Nonostante le intrinseche imprecisioni nella stima degli IP quando lo stato del Rx è sconosciuto (rispetto al caso di mappatura), le prestazioni complessive di stima della forma sono rimaste comparabili allo scenario di mappatura.
• Variazioni Geometriche: Lo studio ha notato che l'iperparametro caratteristico della scala di lunghezza ($\ell$) variava significativamente tra i tipi di oggetti (ad esempio, $\ell \approx 0.23$ per le pareti contro $\ell \approx 1.31$ per i pilastri), riflettendo il tasso di variazione nella funzione radiale necessario per modellare forme diverse.

Significato e Affermazioni
Gli autori affermano che l'integrazione di sistemi ISAC con l'EOE basata su GP consente una migliore consapevolezza ambientale nei futuri sistemi wireless. Il significato principale risiede nella capacità di stimare le caratteristiche fisiche (forma, dimensione) degli oggetti estesi invece di trattarli come scatterer puntuali. Il documento afferma che:

• L'EOE basata su GP funziona in modo affidabile sia negli scenari di mappatura mmWave che in quelli SLAM, in condizioni di misura pratiche.
• Gli oggetti estesi stimati forniscono informazioni strutturali più concrete rispetto ai modelli di scatterer puntuali.
• Questa consapevolezza potenziata può essere sfruttata per migliorare le applicazioni ISAC, come il perfezionamento degli algoritmi di cancellazione del clutter e la realizzazione di mappature ambientali più accurate.

Il documento mantiene una posizione modesta, riconoscendo che la capacità predittiva è vincolata dal numero di punti di misura e dalla copertura angolare. Suggerisce che, sebbene siano possibili stime grossolane degli estesi delle pareti con dati limitati, i dettagli più fini potrebbero richiedere multiple coppie Tx-Rx per catturare i contorni completi.