Technische Samenvatting: Gezamenlijke Single-Shot ToA- en DoA-schatting voor VAA-gebaseerde BLE-ranging met Fase-ambiguïteit

1. Probleemstelling

Nauwkeurige Direction-of-Arrival (DoA) en Time-of-Arrival (ToA) schatting is cruciaal voor draadloze lokalisatie. Hoewel klassieke super-resolutie methoden (bijv. MUSIC) goed presteren op fysieke multi-antenne arrays, zijn ze vaak onpraktisch voor omvang- en kostenbeperkte Bluetooth Low Energy (BLE) apparaten. Virtual Antenna Array (VAA) technieken bieden een oplossing door ruimtelijke diversiteit te synthetiseren uit single-antenna metingen genomen langs een ontvanger-traject.

Het toepassen van VAA op BLE-ranging staat echter voor twee primaire uitdagingen:

1. Beperkingen van de Two-Way Channel Frequency Response (CFR): BLE-ranging construeert doorgaans een two-way CFR om Local Oscillator (LO) en synchronisatie-offsets te elimineren via een Hadamard-product. Hoewel dit fase-offsets verwijdert, verergert het multipath-effecten en vermindert het de Signal-to-Noise Ratio (SNR).
2. Binaire Fase-ambiguïteit: Het terugwinnen van de one-way CFR uit de two-way CFR vereist een elementgewijze worteltrekking. Dit introduceert een binaire $\{ \pm 1 \}$ fase-ambiguïteit die, indien niet opgelost, de prestaties van ToA- en DoA-schatting ernstig verslechtert.
3. Niet-Uniforme Geometrie: In tegenstelling tot uniforme lineaire arrays hebben VAA's gevormd door gebruikers-trajecten vaak onregelmatige geometrieën, wat traditionele array signaalverwerking bemoeilijkt en bestaande heuristieken voor ambiguïteitsresolutie (ontworpen voor uniforme arrays) ineffectief maakt.

Bestaande benaderingen gaan vaak uit van meerdere snapshots of uniforme array-structuren en falen in het adresseren van de specifieke beperkingen van BLE's single-shot metingen en de inherente binaire ambiguïteit van de worteltrekking-recovery.

2. Methodologie

De auteurs stellen een verenigd framework voor dat VAA-modellering integreert met BLE two-way CFR-verwerking, gekoppeld aan een deep learning-gebaseerd fase-recovery mechanisme.

Systeemmodel

Het systeem beschouwt een Single-Input Single-Output (SISO) multi-carrier BLE scenario waarbij een User Equipment (UE) langs een traject beweegt om een VAA te vormen.

• Signaalmodel: Het ontvangen signaal wordt gemodelleerd als een som van multipath componenten, waarbij de kanaalcoëfficiënt amplitude, initiële fase en een ruimtelijke faseverschuiving bevat die afhankelijk is van de verplaatsing ($d_n$) en richting ($\phi_n$) van de UE.
• Two-Way CFR Constructie: Om LO-offsets te elimineren, vormt het systeem een two-way CFR ($\hat{Y}$) door het Hadamard-product te nemen van de forward ($Y^{(R)}$) en reverse ($Y^{(I)}$) kanaalresponsen. Deze operatie elimineert de LO-fase matrix $\Phi$ maar introduceert een gekwadrateerde kanaalterm en ruis.
• Introductie van Ambiguïteit: De one-way CFR wordt hersteld via $(\hat{Y})^{1/2} = Y \circ N$, waarbij $N$ een binaire matrix is met elementen $\{1, -1\}$ die de onbekende fase-ambiguïteit vertegenwoordigt.

Deep Learning-gebaseerde Fase-recovery

Om de binaire ambiguïteitsmatrix $N$ op te lossen, stelt het paper een Double Neural Network Algorithm voor met een voting-mechanisme:

1. Dual Predictors: Er worden twee U-Net architecturen ingezet:
   • Een row-wise netwerk ($f_{row}$) voorspelt tekens langs de ruimtelijke dimensie (antenneposities).
   • Een column-wise netwerk ($f_{col}$) voorspelt tekens langs de frequentiedimensie (subcarriers).
   • Beide netwerken geven waarschijnlijkheden uit voor de tekenconsistentie ten opzichte van het eerste element van hun respectieve rij of kolom.
2. Training: De netwerken worden getraind met supervised learning met cross-entropy loss, gebruikmakend van ground-truth labels afgeleid van de bekende tekenrelaties in de gesimuleerde data.
3. Voting Mechanisme:
   • De row-wise predictor is empirisch geïdentificeerd als betrouwbaarder vanwege de vaste subcarrier spacing versus de willekeurige VAA-trajecten.
   • Het algoritme dwingt consistentie af met de row-wise voorspellingen.
   • Voor elke rij $n$ wordt het teken van het eerste element ($N_{n,1}$) bepaald door de kandidaten-schattingen van alle kolommen te aggregeren via majority voting.
   • Zodra het eerste element van elke rij is opgelost, wordt de volledige ambiguïteitsmatrix $N$ gereconstrueerd met behulp van de row-wise voorspellingen.

Parameter Schatting

Zodra de ambiguïteitsmatrix $N$ is hersteld, wordt de gecorrigeerde one-way CFR ($\tilde{Y}$) verkregen. Een 2D MUSIC-algoritme wordt vervolgens toegepast op deze gecorrigeerde data om de ToA en DoA te schatten door de pseudospectrum te berekenen en pieken te identificeren.

3. Belangrijkste Bijdragen

• Verenigd VAA-BLE Model: Het paper stelt een verenigd signaalmodel op dat VAA ruimtelijke diversiteit combineert met de BLE two-way CFR constructie, waarbij expliciet rekening wordt gehouden met de binaire fase-ambiguïteit geïntroduceerd tijdens one-way CFR recovery.
• Neural Voting Framework: Het introduceert een nieuw deep learning-benadering die de ambiguïteitsresolutie-taak deelt in row-wise en column-wise voorspelling, die via een voting-mechanisme worden samengevoegd om robuust om te gaan met niet-uniforme array-geometrieën.
• Single-Shot Capaciteit: De voorgestelde methode maakt gezamenlijke ToA- en DoA-schatting mogelijk vanuit single-shot metingen, wat een beperking aanpakt van eerdere werken die vertrouwden op meerdere snapshots.
• Prestaties onder Niet-Uniformiteit: De benadering is specifiek ontworpen om effectief te functioneren onder onregelmatige VAA-geometrieën waar traditionele continuïteitsgebaseerde methoden falen.

4. Simulatie-resultaten

De auteurs evalueerden de methode in een 2D scenario (40m $\times$ 40m) waarbij een UE langs een traject bewoog om een VAA van $N=16$ elementen en $M=80$ subcarriers te vormen. Het kanaal bevatte 1 Line-of-Sight (LoS) en 1–3 Non-Line-of-Sight (NLoS) paden.

• Vergelijkingen: De voorgestelde methode werd vergeleken met:
  1. Two-way CFR MUSIC (zonder ambiguïteitsresolutie).
  2. Een op fase-continuïteit gebaseerde benadering voor ambiguïteitsresolutie (ontworpen voor uniforme arrays).
  3. De theoretische Cramér–Rao Lower Bound (CRLB).
• Prestatie-metrieken: Mean Squared Error (MSE) voor DoA- en ToA-schatting over variërende SNR's.
• Bevindingen:
  • De voorgestelde methode presteerde significant beter dan beide baselines over alle SNR-niveaus.
  • De fase-continuïteitsbenadering faalde volledig onder niet-uniforme geometrieën, wat resulteerde in grote schattingsfouten.
  • De MSE van de voorgestelde estimator benaderde de CRLB nauwkeurig bij SNR $\geq 5$ dB, wat duidt op statistische efficiëntie.
  • De methode bereikte superieure ToA- en DoA-nauwkeurigheid, met name in lage- tot gemiddelde SNR-regimes.

5. Betekenis en Claims

Het paper claimt dat door VAA-modellering te integreren met een leer-ondersteund neural voting-strategie, het mogelijk is om de binaire fase-ambiguïteit op te lossen die inherent is aan de BLE two-way CFR recovery. Dit maakt het mogelijk om super-resolutie algoritmen zoals MUSIC toe te passen op hulpbronnenbeperkte, single-antenna BLE-apparaten. De auteurs stellen dat hun benadering een kostenefficiënt, hoogwaardig alternatief biedt voor fysieke multi-antenne arrays, waarbij een bijna optimale schattingsnauwkeurigheid wordt bereikt, zelfs in de aanwezigheid van multipath en niet-uniforme antenne-geometrieën.