A Simultaneous Clustering and Tracking Algorithm for Capturing Cluster-Level Spatial Consistency in 6G Wireless Channels

技術要約：6G無線チャネルにおけるクラスタレベルの空間一貫性を捉えるための同時クラスタリングおよびトラッキング・アルゴリズム

問題提起
空間一一貫性は、大規模MIMO、統合センシングおよび通信（ISAC）、テラヘルツ（THz）通信などの6G技術において、現実的なチャネルモデリングを実現するための極めて重要な物理的特性である。クラスタレベルにおいて、この特性は、トランシーバが移動しても、類似した特性を持つマルチパス成分（MPC）が同じクラスタ内にグループ化され続け、チャネルパラメータの滑らかな進化を保証することを要求する。

クラスタレベルの空間一貫性を抽出するための既存手法は、一般に「クラスタリング後のトラッキング（tracking-after-clustering）」と「同時クラスタリングおよびトラッキング（joint clustering-and-training）」の2つのカテゴリに分類される。

• クラスタリング後のトラッキングは、プロセスを分離し、個々のスナップショットに対してクラスタリング（KPowerMeansやDBSCANなど）を実行した後、スナップショット間でクラスタを関連付ける。これは、スナップショット間でクラスタ構成が変化した場合に、断片的な軌跡を生じさせる原因となる。
• 同時クラスタリングおよびトラッキングは、以前のスナップショットの情報（通常はクラスタの重心やカルマンフィルタによる予測）を使用して現在のクラスタリングをガイドしようと試みる。しかし、これらの手法は単純な重心マッチングに大きく依存しており、遅延、方位角/天頂角、および空間ドメインにおけるMPCの結合分布を十分に活用できていない。

その結果、既存の指標（クラスタリングに関するDavies–BouldinやCalinski–Harabasz指数、およびトラッキングに関するGradient Change Rateなど）は、これらを個別に評価しており、クラスタリングの品質とトラッキングの一貫性を統合的に反映できていない。

手法：MD-SCTアルゴリズム
著者らは、**マハラノビス距離に基づく同時クラスタリングおよびトラッキング（MD-SCT）**アルゴリズムを提案している。ユークリッド距離に基づくアプローチとは異なり、MD-SCTは、新たに観測されたMPCと既存のクラスタのパラメータ分布との間の距離を測定するためにマハラノビス距離を利用する。このアプローチは、MPCパラメータ（遅延、出発方位角/天頂角、到着方位角、およびトランシーバの位置）間の共分散構造を本質的に考慮に入れている。

アルゴリズムの動作は以下の通りである：

1. 初期化： 密な空間領域において、初期のMPCセットに対して従来のクラスタリング手法（KPowerMeansまたはDBSCANなど）を適用し、$K_1$ 個の初期クラスタを確立する。これにより、初期の平均ベクトルと共分散行列の堅牢な推定が保証される。
2. 同時割り当て： 後続のスナップショットに対して、新しいMPCの既存クラスタ $k$ へのマハラノビス距離（$D_{Mah}$）が閾値（$D_{th}$）を下回る場合、そのMPCを当該クラスタに割り当てる。このステップは、新しい観測値を履歴の分布に関連付けることで、本質的にトラッキングを行う。
3. 外れ値処理： 既存のクラスタに適合しないMPCは外れ値としてマークされる。これらは、その後、新しいクラスタを形成するために（クラスタの誕生を意味する）従来のクラスタリング手法を用いて再クラスタリングされる。
4. クラスタのライフサイクル： 連続するスナップショットにおいて割り当てられたMPCが存在しないクラスタは、非アクティブ（クラスタの死）とみなされる。また、アルゴリズムには、一時的な観測ギャップの間、休止状態のクラスタを保持するメモリメカニズムが組み込まれており、遮蔽に対する堅牢性を向上させている。
5. 複雑度の最適化： 計算コストを管理するため、逆共分散行列はウッドベリーの行列反転公式を用いて反復的に更新され、計算量を $O(N_{par}^3)$ から $O(N_{par}^2)$ に削減する。

主な貢献

1. アルゴリズム設計： 以前に割り当てられたMPCによって形成される遅延、角度、およびトランシーバ位置の結合分布構造を活用することで、クラスタレベルの空間一貫性を向上させるMD-SCTアルゴリズムの提案。
2. 適用： 産業用IoT（IIoT）シナリオにおける測定ベースの決定論的レイトレーシングによって生成された132 GHzのsub-THzチャネルへの本アルゴリズムの適用。
3. 評価指標： 連続するスナップショット間におけるクラスタリング統計量（DB指数、CH指数、パラメータ標準偏差など）の空間一貫性を定量化するための、新しい指標としての**平均二乗逐次差（MSSD）**の導入。

実験結果
アルゴリズムは、132 GHzのIIoTシナリオからのチャネルデータを用い、多次元特徴量ベースの（MFM）トラッキング手法と比較して検証された。

• クラスタの連続性： MD-SCTアルゴリズムは、MFMと比較して、有意に少なく、かつ長く連続したクラスタの軌跡を生成した。具体的には、MFMが平均の長さがわずか1.457 mの104個のクラスタを生成したのに対し、MD-SCTは平均追跡長が11.894 mの17個のクラスタを特定した。
• トラッキングの一貫性： MD-SCTアルゴリズムは0.028の勾配変化率（GCR）を達成し、これはMFM手法の0.561よりも大幅に低く、クラスタ中心の進化がはるかに滑らかであることを示している。
• 統計的安定性： クラスタリング統計（DB、CH）およびパラメータ標準偏差（遅延、角度）のMSSD値は、一貫してMD-SCTの方が低かった。例えば、Davies–Bouldin指数のMSSDは、MFMの0.007に対して、MD-SCTでは0.003であった。
• クラスタリングの品質： トラッキングに焦点を当てているにもかかわらず、MD-SCTは、スナップショット最適化されたMFM手法（平均DB: 0.402; 平均CH: 134.825）と同等のクラスタのコンパクトさと分離度（平均DB: 0.369; 平均CH: 146.072）を維持した。

意義
本論文は、MD-SCTアルゴリズムが、クラスタリングを行いながら本質的にトラッキングを行うことで、より滑らかなクラスタの進化をもたらし、6Gにおける空間一貫性モデリングのためのクラスタ化されたチャネルの信頼性を向上させると主張している。著者らは、これらの知見が、正確なビームトラッキング、環境認識センシング、および大規模MIMOおよびsub-THz通信システムの設計に不可欠な、空間一貫性を考慮したチャネルモデリングを支持するものであると述べている。本研究は、MPCの結合分布を捉えることにより、提案手法がデカップル型または重心依存型のトラッキング手法の限界に対処できることを強調している。