Compressed Sensing-Driven Near-Field Localization Exploiting Array of Subarrays

기술 요약: 서브어레이 배열을 활용한 압축 센싱 기반 근접장 위치 추정

문제 정의
본 논문은 통합 센싱 및 통신(ISAC) 시스템을 위한 고해상도 근접장 위치 추정 문제를 다룹니다. 무선 시스템이 고주파수(mmWave 및 테라헤르츠)로 이동하고 안테나 배열이 커짐에 따라 근접장 영역이 확장되고 있으며, 이에 따라 각도(angle)와 거리(range)를 모두 추정해야 할 필요성이 커지고 있습니다. 모든 안테나 소자에 전용 RF 체인이 할당되는 완전 디지털(fully-digital) 배열 구조는 높은 해상도를 제공하지만, 대형 개구부(aperture)를 구현하기에는 비용과 전력 소모가 너무 큽니다.

하드웨어 비용을 완화하기 위해, 대형 배열을 더 적은 수의 RF 체인을 가진 작은 서브어레이들로 분할하는 희소 모듈형(sparse modular) 배열 구조가 고려됩니다. 그러나 이러한 희소 구성은 심각한 공간적 언더샘플링(undersampling)을 유발하여, 매개변수 추정에 상당한 모호성을 초래하는 격자 로브(grating lobes)를 발생시킵니다. 기존 방식들은 완전 디지털 배열의 높은 하드웨어 비용과, 압축 센싱(CS)을 사용하여 데이터 차원을 더욱 줄일 때 발생하는 희소 서브어레이의 모호성 문제 사이에서 균형을 잡는 데 어려움을 겪고 있습니다.

방법론: SHARE 알고리즘
저자들은 $P$개의 서브어레이(각 서브어레이는 $M_0$개의 소자로 구성)가 아날로그 결합 네트워크를 통해 $P$개의 RF 체인에 연결된 모듈형 배열 구조를 위한 새로운 2단계 희소 복구 알고리즘인 SHARE(Sparse Hierarchical Angle-Range Estimation)를 제안합니다. 시스템은 아날로그 위상 변위기를 가변함으로써 $K$개의 서로 다른 측정 스냅샷을 획득하는 압축 센싱을 활용합니다.

알고리즘은 다음과 같이 작동합니다:

1. 1단계: 조粗(Coarse) 비모호 각도 추정

   • 목적: 계산 비용이 많이 드는 전역 탐색 없이 격자 로브의 모호성을 해결합니다.
   • 메커니즘: 알고리즘은 각 서브어레이를 개별적으로 취급합니다. 서브어레이 내부의 개구부(intra-subarray aperture)는 작기 때문에($M_0$개 소자), 밀집된 형태(간격 $d \le \lambda/2$)를 가지며 격자 로브가 발생하지 않습니다. 또한, 소스들이 작은 서브어레이에 대해 원거리(far-field)에 있다고 가정할 수 있어, 거리 독립적인 단순화된 조향 벡터(steering vector)를 사용할 수 있습니다.
   • 처리: 알고리즘은 비코히런트 결합(non-coherent combining)을 사용하여 각 서브어레이에 대해 독립적으로 전력 스펙트럼을 계산합니다. 이러한 개별 전력 스펙트럼을 합산하여 견고한 결합 스펙트럼($P_{total}(\theta)$)을 생성합니다. 이 스펙트럼의 피크(peak)는 조잡하지만 모호하지 않은 각도 추정치($\hat{\Theta}_0$)를 제공합니다. 이 단계는 코히런트 결합(위상을 보상하기 위해 각도를 알아야 하는 순환 의존성)의 문제를 피하며, 노이즈와 가짜 아티팩트를 효과적으로 억제합니다.

2. 2단계: 고해상도 합동 각도-거리 정밀화

   • 목적: 전체 희소 개구부를 활용하여 정밀한 거리를 추정하고 각도를 정밀화합니다.
   • 메커니즘: 1단계에서 얻은 조잡한 각도 추정치를 사용하여, 추정된 각도의 주변 영역에만 국한된 미세 격자(fine-grained) 2D 탐색 그리드(사전/dictionary)를 구축합니다. 이는 전역 그리드에 비해 탐색 공간을 획기적으로 줄여줍니다.
   • 처리: 문제는 이 국소적 사전(localized dictionary) 상에서 희소 복구 문제(Multiple Measurement Vector)로 구성됩니다. 추정된 각도와 거리를 동시에 찾아내기 위해 직교 매칭 추적(Orthogonal Matching Pursuit, OMP)과 같은 탐욕적(greedy) 알고리즘이 사용됩니다.

주요 기여

• 저복잡도 프레임워크: 본 논문은 적은 수의 RF 체인을 사용하여 많은 수의 안테나로부터 신호를 처리하는 압축 센싱 프레임워크를 도입함으로써, 대형 개구부를 유지하면서도 하드웨어 비용을 크게 절감합니다.
• 계층적 알고리즘 (SHARE): 저자들은 추정 문제를 분리하는 2단계 알고리즘을 제안합니다. 이 알고리즘은 밀집된 서브어레이를 사용하여 각도의 모호성을 해결하고(1단계), 그 후 전체 희소 개구부를 사용하여 고해상도 합동 정밀화를 수행합니다(2단계).
• 성능 검증: 광범위한 시뮬레이션을 통해, 본 논문은 SHARE가 멀티 소스 근접장 시나리오에서 기존의 단일 단계 압축 방식(2D-OMP) 및 클래식 완전 디지털 알고리즘(2D-MUSIC)보다 우수한 성능을 보임을 입증했습니다.

시뮬레이션 결과
저자들은 $P=4$개의 서브어레이와 $M_0=16$개의 소자를 사용하는 몬테카를로 시뮬레이션을 통해 SHARE를 동일한 압축 데이터 기반의 2D-OMP 및 완전 디지털 데이터 기반의 2D-MUSIC과 비교 평가했습니다.

• 정확도: 소스들이 밀집된 시나리오에서 2D-OMP는 사전 일관성(dictionary coherence)으로 인해 소스를 분리하는 데 실패했고, 2D-MUSIC은 거리를 정확하게 추정하는 데 실패했습니다. 반면, SHARE는 두 가지 모두 성공적으로 분리하여 각도와 거리를 모두 추정하였으며, 더 적은 데이터에 접근했음에도 불구하고 2D-MUSIC에 필적하거나 이를 능가하는 정확도를 달いました.
• 강건성: SHARE는 다양한 소스 수와 압축 측정 횟수에 걸쳐 위치 추정의 중앙값 평균 제곱 오차(RMSE)가 더 낮음을 보여주었습니다. 추가적인 측정이 제공됨에 따라 성능이 정체되는 2D-OMP와 달리, SHARE의 정확도는 측정 횟수가 늘어남에 따라 향상되었습니다.
• 계산 효율성: SHARE는 계산 복잡도를 크게 줄였습니다. 전역 2D 탐색을 조잡한 1D 탐색 후 국소적 2D 탐색으로 변환함으로써, 테스트된 구성에서 2D-OMP보다 약 8배 더 효율적이었으며, 2D-MUSIC의 $O(M^3)$ 복잡도보다 훨씬 더 효율적이었습니다.

의의 및 주장
본 논문은 SHARE가 고해상도 근접장 ISAC 시스템을 구현하기 위한 실질적인 경로를 제공한다고 주장합니다. 이 논문은 서브어레이 구조의 특성을 활용하여 하드웨어 비용과 추정 모호성 사이의 트레이드오프 문제를 해결합니다. 저자들은 계층적 접근 방식이 전역 2D 그리드 탐색의 과도한 계산 비용을 피하면서도 대형 개구부의 해상도 이점을 보존한다고 주장합니다. 결론적으로, SHARE는 무차별적인 압축 방식보다 더 정확하고 견고할 뿐만 아니라, 저비용의 희소 하드웨어를 통해 고성능 근접장 위치 추정을 가능하게 하는 확장 가능한 솔루션임을 밝힙니다.

저자들이 언급한 향ach한 연구 과제에는 최적화된 센싱 행렬 설계와, 상호 결합(mutual coupling) 효과 및 기타 하드웨어 비이상성을 고려한 실제 하드웨어 테스트베드에서의 알고리즘 검증이 포함됩니다.