Single-Base-Station Indoor Localization via Super-Resolved Relative Power Delay Profiles

Sintesi Tecnica: Localizzazione Indoor con Singola Stazione Base tramite PDP di Potenza Relativa Super-Risolta

1. Definizione del Problema

Il documento affronta la sfida della localizzazione indoor utilizzando una singola stazione base (BS) senza fare affidamento su un percorso Line-of-Sight (LoS), informazioni sull'angolo di arrivo (AoA) o sulla distanza tramite tempo di arrivo assoluto (ToA). Sebbene i profili di ritardo di potenza (PDP) siano stati esplorati come impronte digitali (fingerprint) di posizione poiché le componenti multipath sono modellate dalla geometria circostante, esiste un divario critico tra i PDP teorici e le osservazioni pratiche.

I ricevitori di comunicazione non osservano PDP ideali e continui. Al contrario, osservano un numero finito di campioni di frequenza pilota rumorosi. Questa limitazione introduce tre distorsioni specifiche:

1. Blur di Dirichlet: Causato dall'apertura finita della finestra di osservazione dei piloti.
2. Folding del Ritardo (Aliasing): Causato dalla spaziatura uniforme dei piloti, che crea un periodo di ambiguità in cui i ritardi fisici separati da multipli interi del periodo di ambiguità sono indistinguibili.
3. Mismatch Off-Grid: Derivante dal fatto che i ritardi fisici continui non si allineano con il dizionario di ritardo discreto utilizzato per la ricostruzione.

Gli approcci esistenti spesso ottimizzano la fedeltà della ricostruzione del canale (ignorando la discriminabilità della localizzazione) o assumono che un PDP sia già stato formato (ignorando come l'apertura finita e la spaziatura dei piloti rimodellino l'impronta digitale). Questo articolo mira a colmare il divario tra osservazione e localizzazione modellando direttamente queste distorsioni dai dati nel dominio dei piloti.

2. Metodologia

Il framework proposto separa la catena di localizzazione in un front-end PDP e una fase di inferenza della radio-mappa, garantendo che le differenze di prestazione isolino il metodo di rappresentazione piuttosto che il classificatore a valle.

A. Modello di Osservazione
Gli autori modellano il canale come una somma di componenti multipath. Caratterizzano esplicitamente gli effetti della griglia dei piloti:

• Folding: L'osservazione è periodica con un periodo di ambiguità $T_{amb} = 1/\Delta f_p$. I percorsi sono ripiegati (folded) in questo intervallo e la fase è assorbita nei guadagni complessi. Il PDP ripiegato è trattato come l'impronta digitale dipendente dalla posizione.
• Blur: Il numero finito di piloti $M$ produce una funzione di point-spread di tipo kernel di Dirichlet, che allarga le componenti e crea lobi secondari.

B. Costruzione dell'Impronta Digitale (Fingerprint)
Vengono confrontati tre front-end PDP:

1. PDP Nativo: Il quadrato del modulo della DFT inversa dei campioni pilota, campionato sulla griglia di ritardo naturale.
2. PDP con Zero-Padding (ZP): La risposta nativa interpolata tramite zero-padding (2x e 3x) su una griglia più fine. Gli autori notano che ciò non aggiunge nuove osservazioni o capacità di risoluzione, ma solo un campionamento più denso della risposta sfocata (blurred).
3. PDP EM-SBL (Proposto): Una ricostruzione della potenza posteriore sparsa tramite Expectation-Maximization Sparse Bayesian Learning (EM-SBL).
   • Il modello assume un vettore latente sparso $x_q$ su una griglia fine ($q \ge 1$).
   • L'algoritmo inferisce il secondo momento posteriore ($|\mu_n|^2 + [\Sigma]_{n,n}$) per ricostruire il profilo di potenza.
   • Questo approccio tratta il PDP come una struttura latente sparsa inferita dai piloti, piuttosto che come una semplice interpolazione.

C. Normalizzazione delle Caratteristiche e Inferenza

• Normalizzazione: Per rimuovere la dipendenza dalla potenza assoluta, i profili vengono tagliati a un livello $B$ dB sotto il massimo (impostato a 50 dB) e normalizzati nell'intervallo $[0, 1]$.
• Radio Map: L'area di servizio è divisa in celle. Offline, viene costruita una mappa di caratteristiche normalizzate. Online, una caratteristica di query viene confrontata con la mappa utilizzando un classificatore $k$-Nearest Neighbor (kNN pesato), sebbene siano testati anche altri classificatori (SVM, Random Forest).

3. Contributi Chiave

• Formulazione della Localizzazione LoS-Free: Il documento formula la localizzazione con singola BS utilizzando PDP relativi come impronte digitali ambientali, trattando esplicitamente il multipath come informazione anziché come impedimento.
• Modellazione Esplicita delle Distorsioni Indotte dai Piloti: Deriva la funzione di point-spread periodica di Dirichlet e la rappresentazione del ritardo ripiegato (folded-delay) indotta dalla spaziatura uniforme dei piloti, mantenendo la rappresentazione ripiegata sia per la fase offline che per quella online.
• Ricostruzione Consapevole del Campionamento: Propone l'uso di EM-SBL per ricostruire un profilo di potenza posteriore sparso direttamente dai campioni pilota, distinguendo l'inferenza sparsa dalla semplice interpolazione zero-padding.
• Valutazione Controllata: Lo studio isola l'impatto del front-end PDP mantenendo coerenti tra tutti i metodi il protocollo di inferenza della radio-mappa, le divisioni dei dati e le realizzazioni del rumore.

4. Risultati della Simulazione

La valutazione utilizza canali spazialmente coerenti generati tramite QuaDRiGa sotto un modello indoor NLOS 3GPP (portante a 3,5 GHz, 64 piloti, larghezza di banda di circa 196 MHz).

• Accuratezza: A un SNR di 20 dB, il metodo proposto 2-fold EM-SBL ha raggiunto un'accuratezza Top-1 cell del 93,27%. Questo rappresenta un miglioramento significativo rispetto a:
  • PDP Nativo: 75,79%
  • 3-fold Zero-Padding: 87,24%
• Metriche di Errore: L'errore medio di localizzazione 2D per il 2-fold SBL è stato di 0,392 m, rispetto a 0,587 m per il PDP nativo e 0,419 m per il 3-fold zero-padding.
• Robustezza:
  • Sensibilità all'SNR: I metodi SBL hanno superato i baseline in tutti gli SNR testati (5–30 dB). Il 3-fold SBL ha mostrato lievi vantaggi a SNR molto bassi, mentre il 2-fold SBL ha offerto il miglior compromesso tra prestazioni e dimensioni.
  • Soppressione della Coda (Tail Suppression): Le funzioni di distribuzione cumulativa (CDF) dell'errore hanno mostrato che l'SBL sopprime significativamente i grandi errori di localizzazione (eventi di coda) rispetto ai metodi nativi e zero-padded, particolarmente a 10 dB.
  • Indipendenza dal Classificatore: I guadagni di prestazione sono stati coerenti in cinque localizzatori diversi (Nearest Centroid, Weighted kNN, Linear SVM, RBF SVM, Random Forest), indicando che il vantaggio deriva dalla rappresentazione del PDP e non dalla regola decisionale.

5. Significato e Rivendicazioni

Il documento afferma che i PDP di comunicazione contengono intrinsecamente informazioni ambientali sufficienti per un'accurata localizzazione indoor, a condizione che le distorsioni indotte dal campionamento (blur, folding e mismatch di griglia) siano gestite correttamente.

La significanza risiede nel dimostrare che la super-risoluzione tramite sparse Bayesian learning nel dominio dei piloti produce un'impronta digitale più discriminante rispetto alla semplice interpolazione (zero-padding) o all'osservazione grezza. Gli autori sottolineano che questo approccio non richiede l'unaliasing del ritardo fisico o l'identificazione del LoS; al contrario, sfrutta la struttura coerente, ripiegata e sfocata dell'ambiente multipath come una firma unica per la posizione dell'utente. Il lavoro stabilisce che, con una corretta modellazione del processo di osservazione, una singola stazione base può raggiungere una localizzazione indoor ad alta precisione senza hardware specializzato o distanze di ranging assolute.