Deep Learning Based Sparse Array Design with Pre-Steering for Adaptive Beamforming

Sintesi Tecnica: Progettazione di Array Sparsi basata sul Deep Learning con Pre-Steering per il Beamforming Adattivo

Formulazione del Problema
Gli array sparsi sono ampiamente utilizzati nel radar, nel sonar e nelle comunicazioni wireless per ottenere un'elevata risoluzione spaziale e la soppressione delle interferenze con una ridotta complessità hardware. La sfida principale affrontata in questo lavoro è la progettazione di configurazioni ottimali di array sparsi (selezionando $M$ antenne attive da $N$ elementi disponibili) per massimizzare il Rapporto Segnale-Interferenza più Rumore (SINR) in ambienti dinamici. Sebbene i metodi convenzionali basati sull'ottimizzazione, come gli algoritmi iterativi e la rilassazione semidefinite (SDR), possano raggiungere il SINR massimo, essi sono computazionalmente intensivi e spesso inadatti all'adattamento in tempo reale in condizioni di propagazione che cambiano rapidamente.

Gli approcci esistenti basati sul deep learning (DL) hanno tentato di apprendere queste configurazioni direttamente dai dati. Tuttavia, i metodi precedenti richiedono tipicamente dataset di addestramento che coprano tutte le possibili angolazioni della sorgente desiderata. Ciò richiede dataset massicci e risorse computazionali significative, limitando la scalabilità e la capacità di generalizzare verso direzioni arbitrarie senza un nuovo addestramento. Inoltre, le implementazioni pratiche affrontano sfide riguardanti gli errori di stima della Direzione di Arrivo (DOA), che possono degradare le prestazioni di beamforming se il sistema non è robusto rispetto ai disallineamenti angolari.

Metodologia
La soluzione proposta introduce un framework di deep learning che integra una strategia di pre-steering con Reti Neurali Convoluzionali (CNN) per consentire una configurazione di array sparso rapida e robusta.

1. Trasformazione di Pre-Steering:
   Invece di addestrare una rete su ogni possibile angolo della sorgente, gli autori propongono di addestrare una singola rete esclusivamente nella direzione di broadside ($90^\circ$). Per qualsiasi scenario di test con una sorgente desiderata all'angolo $\theta_s$, la matrice di covarianza spaziale ricevuta $R_x$ viene pre-orientata tramite una matrice di sfasamento diagonale $D(\theta_s)$. Questa trasformazione allinea il segnale desiderato al broadside ($90^\circ$) prima che venga immesso nella rete:
   $$R_{pre} = D(\theta_s) R_x D^H(\theta_s)$$
   Ciò consente alla rete, addestrata solo su scenari di broadside, di inferire la configurazione sparsa ottimale per qualsiasi direzione della sorgente arbitraria, convertendo efficacementamente il problema in uno scenario di broadside equivalente.

2. Addestramento Incrementato da Errori Robusti:
   Riconoscendo che il pre-steering pratico può soffrire di errori di calibrazione o imprecisioni nella stima della DOA, gli autori incorporano perturbazioni strutturate durante l'addestramento. Invece di assumere un allineamento perfetto, il processo di addestramento include campioni con piccoli errori di pre-steering controllati (ad es. $\pm 0.1^\circ, \pm 0.2^\circ$). Questo addestramento "incrementato da errori" costringe la rete a imparare configurazioni ottimali che rimangano valide anche quando la direzione reale della sorgente devia leggermente dalla direzione di puntamento assunta.

3. Architettura della Rete e Settorizzazione:
   La CNN riceve in input le componenti reale, immaginaria e di fase della matrice di correlazione $N \times N$ ($3 \times N \times N$). Per gestire l'esplosione combinatoria delle possibili configurazioni di array (ad es. 924 combinazioni per $N=12, M=6$), il campo visivo è partizionato in settori angolari. A ciascun settore viene assegnata la configurazione ottimale che si verifica più frequentemente in quell'intervallo, riducendo il compito di classificazione a un numero gestibile di classi di output.

Risultati Chiave
I risultati delle simulazioni utilizzando un Uniform Linear Array (ULA) a 12 elementi con 6 catene RF dimostrano l'efficacia dell'approccio proposto:

• Generalizzazione senza Nuovo Addestramento: La strategia di pre-steering permette con successo a una rete addestrata solo al broadside di generalizzare a qualsiasi angolo della sorgente. In condizioni di pre-steering ideali, il metodo raggiunge un'accuratezza di test superiore al 90% attraverso un ampio intervallo di angoli della sorgente e dell'interferenza.
• Robustezza agli Errori: Gli esperimenti iniziali hanno mostrato che le reti non addestrate subivano cali significativi di accuratezza (fino a circa il 25%) quando esposte a errori di pre-steering. Implementando l'incremento da errore strutturato (addestramento con campioni contenenti specifiche e piccole perturbazioni), la robustezza della rete è migliorata drasticamente.
• Prestazioni con Errori Grandi: La configurazione più robusta, che ha utilizzato un dataset espanso (16.000 campioni) con piccoli errori sistematici di addestramento ($\pm 0.2^\circ$), ha mantenuto un'accuratezza di test del 90,66% anche quando testata contro errori di pre-steering più grandi e casuali ($\pm 1^\circ$).
• Compromessi della Settorizzazione: Sebbene la etichettatura basata su settori abbia ridotto la complessità del modello, il documento nota che questo approccio può degradare le prestazioni del SINR se i confini dei settori sono troppo ampi o se la configurazione ottimale varia significativamente all'interno di un settore. Tuttavia, l'approccio di pre-steering ha mitigato la necessità di dataset di addestramento multi-angolo che sarebbero stati altrimenti necessari per mantenere un'alta accuratezza.

Significatività e Contributi
Il documento rivendica tre contributi primari al campo del beamforming adattivo:

1. Framework di Pre-Steering Scalabile: L'introduzione di un framework di pre-steering basato su DL che consente a una singola rete neurale, addestrata solo al broadside, di generalizzare a direzioni desiderate arbitrarie. Ciò riduce significativamente la complessità dell'addestramento, i requisiti di archiviazione dei dati e l'onere della generalizzazione rispetto ai metodi che richiedono una copertura angolare esaustiva.
2. Robustezza sotto Incertezza: L'indagine e la dimostrazione che il metodo proposto mantiene un'alta accuratezza sotto incertezza angolare. Incorporando sistematicamente perturbazioni di pre-steering strutturate durante l'addestramento, la rete impara a tollerare gli errori di stima della DOA, garantendo prestazioni affidabili in ambienti dinamici.
3. Adattamento in Tempo Reale: La capacità di selezionare efficientemente le antenne attive per massimizzare il SINR in uscita per una sorgente desiderata e un segnale di interferenza. La combinazione dell'efficienza del pre-steering e della capacità di inferenza della rete neurale fornisce una via pratica per l'adattamento di array sparsi in tempo reale, superando la latenza computazionale dei metodi di ottimizzazione iterativi tradizionali.

Gli autori concludono che, sebbene l'approccio basato su settori presenti dei limiti riguardo alla degradazione del SINR in determinate regioni angolari, l'integrazione del pre-steering con un addestramento consapevole degli errori offre una soluzione robusta ed efficiente per la configurazione di array sparsi in tempo reale in ambienti di propagazione incerti.