Decoupled Delay-Doppler and Angle Estimation in BD-RIS Sensing via Nested Tucker Decomposition

Riepilogo Tecnico: Stima Disaccoppiata di Ritardo-Doppler e Angolo nel Sensing BD-RIS tramite Decomposizione Tucker Annidata

Enunciato del Problema
Il lavoro affronta la sfida del posizionamento di un singolo bersaglio in una rete di sensing monostatica assistita da una Superficie Intelligente Ricconfigurabile Oltre la Diagonale (BD-RIS) connessa a gruppi. A differenza delle RIS passive tradizionali che utilizzano matrici di sfasamento diagonali, le architetture BD-RIS impiegano l'accoppiamento tra elementi per realizzare matrici di sfasamento non diagonali, offrendo gradi di libertà aggiuntivi. Tuttavia, ciò introduce complessità nella stima del canale e nell'estrazione dei parametri. Il problema specifico consiste nel stimare i parametri fisici del bersaglio—ritardo ($\tau$), spostamento Doppler ($\nu$) e angoli di arrivo/partenza ($\phi, \theta$)—in uno scenario in cui il percorso diretto in vista è bloccato e il sensing si basa sul collegamento di eco attraverso la BD-RIS. Il sistema coinvolge un trasmettitore di sensing (ST) multiantenna e una BD-RIS con $N$ elementi suddivisi in $K$ gruppi, dove l'accoppiamento intra-gruppo è preservato ma l'interconnessione completa è evitata per bilanciare la complessità hardware e l'identificabilità.

Metodologia
Gli autori propongono l'algoritmo di Fattorizzazione e Stima Tucker Annidata (NTFE), che modella il segnale ricevuto come un tensore Tucker annidato del 3º ordine. Questo approccio sfrutta esplicitamente la struttura a blocchi indotta dall'architettura BD-RIS connessa a gruppi.

1. Modellazione del Segnale: Il segnale di eco ricevuto è formulato come una decomposizione di tensore Tucker annidata del 3º ordine. Il modello separa il dominio ritardo-Doppler dal dominio angolare. Il tensore dei dati ricevuti $\mathbf{Y}$ è espresso come:
   $$\mathbf{Y} = \mathbf{I} \times_1 \mathbf{G} \times_2 [\mathbf{F}]_{(1)} \times_3 \mathbf{S} \times_4 \mathbf{p}'$$
   dove $\mathbf{G}$ rappresenta il canale geometrico, $\mathbf{S}$ le matrici di sfasamento, $\mathbf{p}'$ il vettore delle informazioni angolari e $[\mathbf{F}]_{(1)}$ lo svolgimento del modo-1 contenente le informazioni ritardo-Doppler. Un modello annidato secondario isola ulteriormente i vettori di guida per ritardo e Doppler.

2. Procedura di Stima in Due Fasi:

   • Fase 1 (Stima dei Fattori): L'algoritmo impiega un approccio ai Minimi Quadrati Alternati (ALS), specificamente una procedura di Minimi Quadrati Alternati Bilineari (BALS), per stimare i fattori tensoriali $[\mathbf{F}]_{(1)}$ e $\mathbf{p}'$. Questo passo disaccoppia le componenti spaziali (angolo) e temporali (ritardo-Doppler).
   • Fase 2 (Estrazione dei Parametri):
     • Ritardo e Doppler: Utilizzando il fattore stimato $[\mathbf{F}]_{(1)}$, l'algoritmo applica l'ESPRIT 1D (Stima dei Parametri del Segnale tramite Tecniche di Invarianza Rotazionale) per estrarre il ritardo $\tau$ e il Doppler $\nu$.
     • Angoli: Le stime di ritardo e Doppler sono utilizzate per ricostruire parametricamente i rispettivi vettori di guida. Questi fattori raffinati sono sostituiti nel modello per estrarre la matrice delle informazioni angolari $\mathbf{P}$. Successivamente, viene applicato un algoritmo ESPRIT 2D a $\mathbf{P}$ per stimare gli angoli di azimuth ed elevazione.
     • Guadagno Complesso: Infine, il coefficiente di guadagno del canale complesso $\alpha$ è stimato tramite un passo ai minimi quadrati in forma chiusa utilizzando la divisione elemento per elemento, sfruttando l'intero dataset multidimensionale per mitigare il rumore.

3. Analisi dell'Identificabilità: Il lavoro analizza le condizioni di unicità del modello proposto. A causa dell'uso di un tensore nucleare deterministico e noto $\mathbf{I}$, le rotazioni arbitrarie delle stime sono prevenute. Le ambiguità rimanenti sono limitate a fattori di scala triviali, che si annullano nel tensore ricostruito o sono risolti attraverso la struttura specifica dei passi di stima.

Contributi Chiave

• Algoritmo Innovativo: Lo sviluppo dell'algoritmo NTFE, che utilizza una decomposizione Tucker annidata per modellare i segnali di sensing assistiti da BD-RIS, tenendo esplicitamente conto dell'architettura connessa a gruppi.
• Strategia di Disaccoppiamento: Una procedura in due fasi che disaccoppia con successo la stima dei parametri ritardo-Doppler da quella dei parametri angolari, evitando l'alto costo computazionale e la propagazione degli errori associati alle ricerche sequenziali 4D di Massima Verosimiglianza (ML).
• Garanzie Teoriche: Derivazione delle condizioni di identificabilità e unicità, dimostrando che il modello proposto consente una stima univoca dei parametri fino a ambiguità di scala triviali sotto specifici vincoli dimensionali del sistema (ad esempio, $LT \geq N$ e $LMQT \geq N^2$).
• Stima del Guadagno in Forma Chiusa: Un metodo a bassa complessità per stimare il coefficiente di guadagno del canale complesso dopo la risoluzione dei parametri strutturali.

Risultati delle Simulazioni
Le prestazioni di NTFE sono state valutate tramite simulazioni Monte Carlo confrontate con tre benchmark: un metodo ML 4D sequenziale, una stima diretta ai Minimi Quadrati (LS) e un metodo basato sulla Fattorizzazione di Kronecker (KF).

• Stima Efficace del Canale: NTFE ha dimostrato un miglioramento significativo nell'Errore Quadratico Medio Normalizzato (NMSE) per la stima del canale efficace. Ha superato il metodo KF di circa 25 dB e il metodo LS diretto di circa 35 dB.
• Precisione dei Parametri: In termini di Errore Quadratico Medio (RMSE) per la stima di ritardo, Doppler e angoli, NTFE ha raggiunto un guadagno di prestazioni di circa 10 dB rispetto al benchmark ML 4D standard.
• Robustezza: I risultati indicano che NTFE sfrutta efficacemente la struttura BD-RIS connessa a gruppi, fornendo stime accurate anche in scenari in cui i metodi ML sequenziali soffrono di dipendenza dall'inizializzazione e propagazione degli errori.

Significato e Affermazioni
Il lavoro afferma che l'algoritmo NTFE rappresenta un avanzamento significativo nel sensing assistito da BD-RIS colmando il divario tra l'elaborazione basata su tensori e i vincoli hardware specifici delle BD-RIS connesse a gruppi. Il significato principale risiede nella capacità di disaccoppiare i domini spaziali e temporali, il che porta a una precisione di stima superiore e a una complessità computazionale ridotta rispetto ai benchmark all'avanguardia. Gli autori affermano che, modellando esplicitamente la struttura a blocchi della BD-RIS, il metodo raggiunge l'identificabilità e supera le tecniche esistenti sia nella ricostruzione del canale efficace sia nella stima dei parametri fisici, rendendolo una soluzione praticabile per sistemi di sensing e comunicazioni integrati (ISAC) che utilizzano architetture RIS avanzate.