Spatial Power Estimation via Riemannian Covariance Matching

技術的概要：リーマン共分散マッチングによる空間パワー推定

問題定義
空間パワースペクトル推定は、アレイ信号処理における基本的な課題であり、到達方向（DOA）推定と密接に関連している。古典的な手法（例えば Bartlett、MVDR）や部分空間手法（例えば MUSIC）が存在し、深層学習アプローチも有望な結果を示しているが、多くのモデルベース手法は「グリッド上」の共分散マッチングに依存している。これらのアプローチでは、サンプル共分散行列（$\hat{R}$）が、空間パワースペクトルによってパラメータ化されたモデル共分散行列（$R$）とマッチングされる。

特定された核心的な問題は、従来の共分散マッチング定式化（Asymptotic Minimum Variance (AMV)、SPICE、SAMV など）が、共分散行列をユークリッド空間内のベクトルとして扱っている点である。これは、リーマン多様体上に存在するエルミート正定（HPD）行列の内在的な幾何学を無視している。その結果、ユークリッドベースの手法は、条件の悪いサンプル共分散行列、低い信号対雑音比（SNR）、限られたスナップショット、または相関したソースを扱う際に、性能の低下をしばしば経験する。

手法
本論文は、空間パワースペクトルの推定を HPD 行列のリーマン多様体上の最小化問題として定式化する新しいアルゴリズム SERCOM（Spatial power Estimation via Riemannian COvariance Matching）を提案する。

1. 目的関数: ユークリッド距離の最小化の代わりに、SERCOM はモデル共分散 $R(p)$ とサンプル共分散 $\hat{R}$ 間の Jensen–Bregman LogDet (JBLD) 発散を最小化する。最適化問題は以下のように定義される：
   $$\hat{p} = \arg \min_{p \in \mathbb{R}^D_+} \left( \log \left| \frac{\hat{R} + R(p)}{2} \right| - \frac{1}{2} \log |R(p)| \right)$$
   （定数項 $-\frac{1}{2}\log|\hat{R}|$ は省略されている）。

2. JBLD の利点:

   • 幾何学を考慮: ユークリッド計量とは異なり、JBLD は HPD 多様体の曲がった幾何学を尊重する。
   • 計算効率: アフィン不変リーマン計量（AIRM）や Log-Euclidean (LE) 距離とは異なり、JBLD は計算的に高価な行列対数や固有値分解を必要としない。これは、コレスキー分解を通じて効率的かつ安定的に計算できる。
   • 頑健性: 理論的解析により、JBLD は AMV や SPICE と比較して、ノイズやモデルの不一致によって引き起こされる「外れ値」固有値に対して感度が低いことが示されている。これは、偏差を二次的または線形的ではなく対数的に罰則付けるためである。

3. 最適化: 非凸な目的関数は、Adam オプティマイザ を用いた勾配ベースのアプローチで解かれる。アルゴリズムは、遅延・加算ビームフォーマを用いてパワーベクトルを初期化し、パワースペクトルを反復的に更新する。各ステップで結果を非負象限に射影し、物理的な妥当性を確保する。

主要な貢献

• 新規定式化: 単一ソースまたは単位パワーモデルを用いた従来の幾何学を考慮した作業を超え、空間パワー推定のための多ソースリーマン共分散マッチングフレームワークを導入した。
• 理論的統合: ユークリッド基準（AMV、SPICE）とリーマン距離（AIRM、JBLD）の間の解析的関連性を確立した。これらの基準は理想的な条件（大きな $N$、完全なモデル）では漸近的に同等であることを示したが、困難な領域では乖離することを明らかにした。
• 頑健性解析: 理論的証明（定理 2）により、JBLD と AIRM は、AMV や SPICE と比較して固有値の外れ値に対して相対的な重みを低く割り当てることを示し、スペクトル歪みに対する優れた頑健性を説明した。
• アルゴリズム的効率: 提案された SERCOM(JBLD) は、リーマン手法の頑健性を達成しつつ計算の扱いやすさを維持し、AIRM や LE 実装の重いオーバーヘッドを回避する。

実験結果
SERCOM（JBLD、AIRM、LE 変種を使用）と SPICE および SAMV を比較する広範なシミュレーションが実施された。主要な知見は以下の通りである：

• 低 SNR と限られたスナップショット: SERCOM 変種は、特に $N$（スナップショット数）が $M$（センサー数）に近く、またはそれ以下の場合、DOA およびパワー推定の精度においてユークリッドベースライン（SPICE、SAMV）を一貫して上回る。SERCOM(JBLD) は競合他社よりも早くクラメール・ラオ限界（CRB）に近づく。
• 相関したソース: 高度に相関したソースまたはコヒーレントなソースのシナリオでは、ユークリッド手法は著しく性能が低下する。SERCOM(JBLD) と SERCOM(AIRM) は安定した性能を維持し、JBLD は高い相関レベルにおいて最低の DOA RMSE を示す。
• オフグリッド感度: すべてのグリッドベース手法は離散化ミスマッチの影響を受けるが、リーマンアプローチは頑健性を維持する。
• 計算性能: SERCOM 変種は一般的に SPICE/SAMV よりも多くの反復を必要とするが、SERCOM(JBLD) は AIRM や LE が要求する反復ごとの固有値分解を回避する。その結果、SERCOM(JBLD) はセンサー数（$M$）に対して有利にスケーリングし、大規模アレイ（例：$M=120$）において AIRM/LE 変種よりも著しく短い実行時間を示す。

意義と主張
本論文は、SERCOM が空間パワー推定のための計算実用的かつ頑健なフレームワークを提供すると主張している。JBLD 発散を介して共分散行列のリーマン幾何学を活用することで、この手法は、特に非理想的な動作条件（低 SNR、少ないスナップショット、相関したソース）において、従来のユークリッドマッチングの限界を克服する。

著者らは、SERCOM を、信号条件が非理想的な実用的な応用において、既存の最先端手法（SPICE、SAMV）に対する優れた代替手段として位置づけている。異なるリーマン計量の性能は精度の点では比較的可能であるが、JBLD ベースのアプローチは計算効率と安定性の点で明確な利点を提供することに留意している。この研究は、SERCOM が実世界での展開の有力な候補であるべきことを示唆し、このフレームワークをグリッドレス DOA 推定に拡張するための将来の作業を概説している。