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

Technische Samenvatting: Compressed Sensing-gestuurde Near-Field Lokalisatie gebruikmakend van een Array van Subarrays

Probleemstelling
Het artikel behandelt de uitdaging van hoogresolutie near-field lokalisatie voor Integrated Sensing and Communication (ISAC) systemen. Naarmate draadloze systemen migreren naar hogere frequenties (mmWave en terahertz) en antenne-arrays groter worden, breidt het near-field gebied zich uit, wat de schatting van zowel hoek als afstand (range) noodzakelijk maakt. Hoewel volledig digitale array-architecturen (waarbij elk antenne-element een eigen RF-keten heeft) een hoge resolutie bieden, zijn ze voor grote apertures evenredig duur en energie-intensief.

Om de hardwarekosten te beperken, worden spaarzame modulaire array-architecturen overwogen (waarbij een grote array wordt opgedeeld in kleinere subarrays met minder RF-ketens). Echter, deze spaarzame configuraties introduceren ernstige ruimtelijke undersampling, wat resulteert in grating lobes die zorgen voor aanzienlijke ambiguïteit bij parameterestimatie. Bestaande methoden worstelen met het balanceren van de hoge hardwarekosten van volledig digitale arrays met de ambiguïteitsproblemen van spaarzame subarrays, vooral wanneer compressieve sensing (CS) wordt gebruikt om datadimensies verder te reduceren.

Methodologie: Het SHARE-algoritme
De auteurs stellen SHARE (Sparse Hierarchical Angle-Range Estimation) voor, een nieuw tweestaps sparse recovery algoritme ontworpen voor een modulaire array-architectuur waarbij $P$ subarrays, elk met $M_0$ elementen, verbonden zijn met $P$ RF-ketens via analoge combinerende netwerken. Het systeem maakt gebruik van compressieve sensing om $K$ verschillende meet-snapshots te verkrijgen door de analoge faseverschuivers te variëren.

Het algoritme werkt als volgt:

1. Fase 1: Coarse Unambiguous Angle Estimation

   • Doel: Het oplossen van grating lobe ambiguïteiten zonder een computationeel dure globale zoektocht.
   • Mechanisme: Het algoritme behandelt elke subarray afzonderlijk. Omdat de intra-subarray aperture klein is ($M_0$ elementen), is deze dicht ($d \le \lambda/2$) en vrij van grating lobes. Bovendien worden bronnen benaderd als zijnde in het far-field ten opzichte van de kleine subarray, waardoor het gebruik van een vereenvoudigde range-onafhankelijke steering vector mogelijk is.
   • Verwerking: Het algoritme berekent het vermogensspectrum voor elke subarray onafhankelijk met behulp van non-coherent combining. Deze individuele vermogensspectra worden opgeteld om een robuust gecombineerd spectrum ($P_{total}(\theta)$) te creëren. De pieken in dit spectrum leveren grove, unambiguous hoekschattingen ($\hat{\Theta}_0$). Deze fase vermijdt de circulaire afhankelijkheid van coherente combining (die de hoek vereist om de fase te compenseren) en onderdrukt effectief ruis en spuriaal artefacten.

2. Fase 2: High-Resolution Joint Angle-Range Refinement

   • Doel: Gebruikmaken van de volledige spaarzame aperture om een precieze afstand en het verfijnen van de hoek te schatten.
   • Mechanisme: Gebruikmakend van de grove hoekschattingen uit Fase 1, construeert het algoritme een gelokaliseerde, fijnmazige 2D zoekgrid (een dictionary) alleen in de nabijheid van de geschatte hoeken. Dit reduceert de zoekruimte drastisch vergeleken met een globale grid.
   • Verwerking: Het probleem wordt geformuleerd als een sparse recovery probleem (Multiple Measurement Vector) over deze gelokaliseerde dictionary. Een greedy algoritme, zoals Orthogonal Matching Pursuit (OMP), wordt gebruikt om de sparse oplossing te vinden, wat gelijktijdig verfijnde schattingen voor zowel hoek als afstand oplevert.

Belangrijkste Bijdragen

• Low-Complexity Framework: Het artikel introduceert een compressieve sensing framework dat signalen van een groot aantal antennes verwerkt met een klein aantal RF-ketens, wat de hardwarekosten aanzienlijk verlaagt terwijl een grote aperture behouden blijft.
• Hiërarchisch Algoritme (SHARE): De auteurs stellen een tweestaps algoritme voor dat het estimatieprobleem ontkoppelt. Het lost hoek-ambiguïteiten op met dichte subarrays (Fase 1) en voert vervolgens een hoogresolutie gezamenlijke verfijning uit met de volledige spaarzame aperture (Fase 2).
• Prestatievalidatie: Door middel van uitgebreide simulaties demonstreert het artikel dat SHARE beter presteert dan conventionele one-shot compressieve methoden (2D-OMP) en klassieke volledig digitale algoritmen (2D-MUSIC) in multi-source near-field scenario's.

Simulatie-resultaten
De auteurs evalueerden SHARE tegenover 2D-OMP (werkend op dezelfde compressieve data) en 2D-MUSIC (werkend op volledig digitale data) met behulp van Monte Carlo-simulaties met $P=4$ subarrays en $M_0=16$ elementen.

• Nauwkeurigheid: In scenario's met dicht bij elkaar gelegen bronnen faalde 2D-OMP om bronnen te onderscheiden vanwege dictionary coherentie, en 2D-MUSIC faalde in het accuraat schatten van de afstand. SHARE slaagde erin zowel de hoek als de afstand succesvol te onderscheiden, waarbij een nauwkeurigheid werd bereikt die vergelijkbaar met of zelfs superieur aan 2D-MUSIC is, ondanks de toegang tot minder data.
• Robuustheid: SHARE vertoonde een lagere mediane Root Mean Squared Error (RMSE) in positie-estimatie over variërende aantallen bronnen en compressieve metingen. In tegenstelling tot 2D-OMP, waarvan de prestaties plateau bereikten met extra metingen, verbeterde de nauwkeurigheid van SHARE naarmate er meer metingen werden geleverd.
• Computationele Efficiëntie: SHARE reduceerde de computationele complexiteit aanzienlijk. Door een globale 2D zoektocht te transformeren naar een grove 1D zoektocht gevolgd door een gelokaliseerde 2D zoektocht, was SHARE ongeveer 8 keer computationeel efficiënter dan 2D-OMP in de geteste configuratie, terwijl het veel efficiënter was dan de $O(M^3)$ complexiteit van 2D-MUSIC.

Betekenis en Claims
Het artikel claimt dat SHARE een praktisch pad biedt voor de implementatie van hoogresolutie near-field ISAC-systemen. Het adresseert de trade-off tussen hardwarekosten en estimatie-ambiguïteit door gebruik te maken van de specifieke eigenschappen van subarray-architecturen. De auteurs beweren dat hun hiërarchische benadering de prohibitieve computationele kosten van exhaustieve 2D grid-zoektochten vermijdt, terwijl de resolutievoordelen van grote apertures behouden blijven. Zij concluderen dat SHARE niet alleen nauwkeuriger en robuuster is dan brute-force compressieve methoden, maar ook een schaalbare oplossing biedt die hoogwaardige near-field lokalisatie haalbaar maakt met goedkope, spaarzame hardware.

Toekomstig werk genoemd door de auteurs omvat het ontwerp van geoptimaliseerde sensing matrices en de validatie van het algoritme op een praktische hardware-testopstelling, specif