⚡ electrical engineering

Gridless Full-Space DOA Estimation for STAR-RIS-Assisted Wireless Systems

Dit artikel stelt een roosterloos full-space direction-of-arrival (DOA) schattingsframework voor STAR-RIS-ondersteunde systemen voor die een gestructureerde low-rank recovery-aanpak via proximale gradiëntafdaling benut om nauwkeurige hoekterugwinning zonder hoekdiscretisatie te bereiken.

Oorspronkelijke auteurs: Ziming Liu, Tao Chen, Muran Guo, Francesco Verde

Gepubliceerd 2026-06-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ziming Liu, Tao Chen, Muran Guo, Francesco Verde

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te vogelen waar mensen vandaan roepen in een enorme, ronde kamer. Sommige mensen staan aan dezelfde kant van de kamer als jij (de "Reflectie"-kant), en anderen staan aan de overkant, achter een muur (de "Transmissie"-kant).

In het verleden konden slimme muren (genaamd RIS) alleen "luisteren" naar de mensen aan hun eigen kant. Om de mensen aan de andere kant te horen, had je een tweede muur of een tweede set oren nodig, wat duur en ingewikkeld is.

Dit artikel introduceert een nieuwe, super slimme muur genaamd een STAR-RIS. Denk aan het als een magisch venster dat zowel geluid kan reflecteren (zoals een spiegel) als geluid kan doorlaten (zoals een helder raam) op exact hetzelfde moment. Dit zorgt ervoor dat een enkele luisteraar (een basisstation met slechts één "oor") iedereen in de hele 360-graden kamer tegelijkertijd kan horen.

Maar er is een addertje onder het gras: omdat de muur twee dingen tegelijk doet, worden de geluiden op een complexe manier gemengd. Als je probeert te luisteren naar de "spiegel"-kant en de "venster"-kant negeert, werken de genegeerde geluiden als verwarrende statische ruis, waardoor het onmogelijk wordt om precies te bepalen waar de roepers zich bevinden, ongeacht hoe hard ze ook roepen.

Het Probleem: De "Gepixeliseerde" Kaart

De meeste huidige methoden om te bepalen waar geluiden vandaan komen, maken gebruik van een "grid" (rooster). Stel je voor dat je een verloren kat in een bos probeert te vinden door elke vierkante meter van een kaart te controleren. Als de kat tussen de vierkanten staat, raakt je methode in de war en zegt ze dat de kat op de verkeerde plek staat. Dit wordt "grid mismatch" genoemd. Het is alsof je probeert een vloeiende cirkel te tekenen met alleen maar vierkante Lego-blokjes; het zal er altijd gekarteld uitzien.

De Oplossing: Een Continue Stroom

De auteurs stellen een nieuwe manier voor om te luisteren die helemaal geen grid gebruikt. Ze realiseerden zich dat de manier waarop de STAR-RIS de geluiden mengt, een speciaal wiskundig patroon creëert (een zogenaamde Finite Rate of Innovation of FRI-structuur).

De Analogie van de "Magische Filter":
Stel je voor dat de gemengde geluiden een complexe song zijn. De auteurs ontdekten dat als je een specifieke "magische filter" (een annihilating polynomial) op deze song toepast, de delen die er niet bij horen elkaar perfect opheffen, waardoor alleen de echte locaties van de roepers overblijven.

In plaats van elke vierkante meter op een grid te controleren, lost hun methode een puzzel op om de exacte, vloeiende locatie van de roepers te vinden. Het is als het gebruiken van een camera met een hoge resolutie in plaats van een gepixeliseerde camera.

Twee Manieren om de Muur af te Stemmen

Het artikel behandelt twee verschillende manieren waarop deze slimme muur gebouwd zou kunnen worden:

De Uniforme Muur (Scenario 1): Stel je voor dat elk klein stukje van de muur identiek is. Ze reflecteren en laten allemaal geluid in exact dezelfde verhouding door. De auteurs hebben hiervoor een gestroomlijnd algoritme gemaakt. Het is als een goed geoliede machine die perfect werkt wanneer alles uniform is.
De Custom Muur (Scenario 2): Stel je voor dat elk klein stukje van de muur anders is. Sommige reflecteren meer, andere laten meer geluid door, afhankelijk van wat er nodig is. Dit is realistischer maar rommeliger. De auteurs hebben hiervoor een complexer "gekoppeld" algoritme gemaakt. Het is als een dirigent die een koor kan aansturen waarbij elke zanger een iets andere stem heeft, zodat iedereen nog steeds duidelijk gehoord wordt.

Hoe Ze Het Doen (De "Proximal Gradient" Dans)

Om de wiskundige puzzel op te lossen, gebruiken ze een methode genaamd Proximal Gradient Descent met Alternating Projections.

De Dans: Stel je voor dat je probeert het laagste punt in een mistige vallei te vinden. Je zet een stap in de richting die aanvoelt als "naar beneden" (Gradient Descent).
De Correctie: Maar je hebt ook een regel: je moet op een specifiek pad blijven (de low-rank structuur). Als je stap je van het pad afbrengt, word je voorzichtig teruggeduwd (Alternating Projections).
Het Resultaat: Je herhaalt deze dans totdat je de perfecte plek vindt. Dit stelt hen in staat om de exacte hoeken te herstellen, zelfs met zeer weinig metingen en in ruisige omstandigheden.

De Resultaten

Het artikel heeft deze methode getest tegen oudere methoden (zo zoals de "grid"-methoden en standaard scantechnieken).

Nauwkeurigheid: Hun methode vond de hoeken veel nauwkeuriger, vaak binnen minder dan één graad van de werkelijke locatie.
Geen "High-SNR Floor": Oude methoden stuitten op een "plafond" waarbij het luider maken van het signaal niet hielp, omdat de grid mismatch het probleem was. De nieuwe methode wordt steeds beter naarmate het signaal duidelijker wordt.
Snelheid: Hoewel de wiskunde complex is, is de rekentijd die de computer nodig heeft vergelijkbaar met, of slechts iets hoger dan, de standaard methoden, wat het praktisch maakt voor echt gebruik.

De Kernboodschap

Dit artikel bewijst dat door de STAR-RIS te behandelen als één enkel, verenigd systeem dat reflectie en transmissie aan elkaar koppelt, we de locatie van gebruikers overal rondom een gebouw met ongelooflijke nauwkeurigheid kunnen bepalen. Het elimineert de noodzaak voor dure meerdere ontvangers en vermijdt de "gekartelde" fouten van grid-gebaseerde systemen, en biedt een vloeiende, continue en zeer nauwkeurige manier om de wereld te "zien" met behulp van radiogolven.

Probleemstelling

Het artikel behandelt de uitdaging van nauwkeurige Direction-of-Arrival (DOA) schatting in Integrated Sensing and Communication (ISAC)-systemen die gebruikmaken van Simultane Transmissie en Reflectie Reconfigurable Intelligent Surfaces (STAR-RIS). In tegen tegenstelling tot conventionele reflectie-alleen RIS'en, die beperkt zijn tot een enkel hemisfeer (0°–180°), maken STAR-RIS'en volledige ruimteafdekking (0°–360°) mogelijk door signalen gelijktijdig te reflecteren en te verzenden.

De kern van de moeilijkheid ligt in het gekoppelde observatiemodel. In STAR-RIS-systemen is het ontvangen signaal een superpositie van bijdragen uit zowel de reflectieruimte (RS) als de transmissieruimte (TS). Conventionele DOA-schatters (bijv. MUSIC, ESPRIT) of methoden voor ijle reconstructie (bijv. OMP, SBL) verwerken deze subruimten doorgaans onafhankelijk of behandelen de bijdrage van de tegenovergestelde subruimte als ongemodelleerde interferentie. Dit leidt tot een gestructureerde bias die niet kan worden geëlimineerd door de Signal-to-Noise Ratio (SNR) te verhogen of het hoekzoekrooster te verfijnen. Bovendien werkt het systeem met een enkele RF-sensing chain, wat de beschikbaarheid van herhaalde stationaire snapshots beperkt die nodig zijn voor covariantie-gebaseerde methoden, aange_zien de STAR-RIS-configuratie per tijdslot verandert.

Methodologie

De auteurs stellen een gridless (roosterloze) aanpak voor die gebruikmaakt van de Finite Rate of Innovation (FRI) structuur die inherent is aan het STAR-RIS-signaalmodel.

Signaalmodellering:
- Het ontvangen signaal wordt gemodelleerd als een superpositie van complexe exponenten geïndexeerd door de onbekende DOAs.
- De auteurs leiden een deterministische mapping af tussen de reflectie- en transmissiecoëfficiënten van de STAR-RIS-elementen, waarbij zij aantonen dat de geaggregeerde output een gestructureerde laag-rang representatie bezit.
- Twee scenario's worden overwogen:
  - Element-wise Uniform: Alle elementen delen identieke energie-splitsingsparameters.
  - Element-wise Nonuniform: Energie-splitsingsparameters variëren per element (een algemener en praktischer geval).
Algebraïsche Structuur (Annihilating Filters):
- Het probleem wordt geformuleerd als het herstellen van een latente FRI-vector uit gecomprimeerde metingen.
- Het signaalvector voldoet aan een reeks lineaire vergelijkingen gedefinieerd door een annihilating polynomial (of annihilating filter). De wortels van dit polynoom komen overeen met de DOAs.
- Deze structuur maakt de constructie van een block-Hankel matrix mogelijk waarbij de rang wordt bepaald door het aantal bronnen ( $K$ ).
Herstelalgoritmen:
- Algoritme 1 (Uniform geval): Gebruikt een Proximal Gradient Descent (PGD) framework met alternerende projecties. Het dwingt een rank- $K$ restrictie af op een gestapelde block-Hankel matrix afgeleid van een enkel verenigd signaalmodel.
- Algoritme 2 (Nonuniform geval): Introduceert een paired lifting strategie. In plaats van een enkel verenigd model, wordt een horizontaal geconcateneerde Hankel matrix geconstrueerd die de reflectie- en transmissiesubruimten afzonderlijk modelleert terwijl een gezamenlijke laag-rang restrictie wordt afgedwongen. Dit behoudt de algebraïsche structuur, zelfs wanneer de energie-splitsingscoëfficiënten niet-uniform zijn.
- Beide algoritmen herstellen de latente signaalvector en extraheren vervolgens de DOAs via wortelvinding op het annihilating polynomial, waarbij de wortels die het dichtst bij de eenheidscirkel liggen worden geselecteerd.
Prestatiegrenzen:
- Een Ziv-Zakai Bound (ZZB) wordt afgeleid voor het gekoppelde full-space model. Deze grens houdt expliciet rekening met de cross-subspace koppelingsterm geïnduceerd door gelijktijdige transmissie en reflectie, wat een theoretisch ijkpunt biedt voor de minimale gemiddelde kwadratische fout (MSE) over het volledige SNR-bereik.

Belangrijkste Bijdragen

Unified Full-Space Sensing Model: Het artikel stelt een verenigd model vast dat de koppeling tussen reflectie- en transmissierespons rigoureus verwerkt, waarbij zowel uniforme als niet-uniforme energie-splitsingsconfiguraties worden gedekt.
Gridless FRI-Based Estimation: Het demonstreert dat het gekoppelde STAR-RIS model een FRI-structuur bezit, wat gridless hoekschatting mogelijk maakt zonder hoek-discretisatie of covariantie-estimatie.
Gestructureerd Herstelframework: De auteurs ontwikkelen PGD-gebaseerde solvers met alternerende projecties op block-Hankel sets. Zij bieden voldoende lokale stabiliteitscondities voor de stapgrootte en lifting-parameters om convergentie te garanderen.
Extensie naar Nonuniform Configuraties: Een nieuwe block-gestructureerde lifting strategie wordt geïntroduceerd voor niet-uniforme settings, wat de high-SNR bias floor oplost die methoden beïnvloedt die de gekoppelde full-space structuur negeren.
Theoretische Benchmarking: De afleiding van een gekoppelde full-space ZZB biedt een prestatielimiet die de voordelen van cross-subspace informatiekoppeling vastlegt.

Numerieke Resultaten

Simulaties werden uitgevoerd met $N=16$ elementen en $K=4$ gebruikers (2 in RS, 2 in TS).

Nauwkeurigheid: De voorgestelde methoden (M1 voor uniform, M2 voor nonuniform) presteren consistent beter dan grid-gebaseerde baselines (FFT, OMP, SBL). Ze bereiken sub-graad nauwkeurigheid binnen $\pm 60^\circ$ van de boresight.
High-SNR Prestaties:
- In het uniforme scenario benaderen beide voorgestelde methoden de ZZB en vertonen zij geen error floor.
- In het nonuniform scenario presteert M2 (paired lifting) aanzienlijk beter dan M1 en de baselines. Terwijl M1 degradeert door model mismatch, behoudt M2 zijn nauwkeurigheid, hoewel een milde high-SNR error floor persisteert door de benaderende aard van de paired-Hankel structuur in niet-uniforme settings.
- Baselines (FFT/OMP/SBL) vertonen een persistente high-SNR error floor, zelfs bij 30 dB SNR, omdat ze de tegenovergestelde subruimte als interferentie behandelen—een bias die gridverfijning niet kan verwijderen.
Robuustheid: De methoden behouden een hoge succeswaarschijnlijkheid (nabij 1.0) voor hoeken binnen $[-60^\circ, 60^\circ]$ (semi-space representatie). De prestaties verslechteren nabij grazende hoeken (coplanar case), wat consistent is met klassieke array-beperkingen.
Computationele Kosten: De voorgestelde methoden hebben vergelijkbare of iets hogere computationele kosten dan grid-gebaseerde methoden, maar blijven efficiënt (convergerend binnen ~45 iteraties). M2 is computationeel veeleisender dan M1 vanwege de grotere grootte van de lifted matrix.
Apertuur Afhankelijkheid: De voorgestelde FRI/Hankel-gebaseerde methoden vertonen een sterkere afhankelijkheid van het aantal elementen ( $N$ ) dan de baselines. Grotere aperturen verbeteren hun prestaties aanzienlijk door de laag-rang restrictie te versterken, terwijl baselines slechts marginale verbeteringen laten zien zodra $N > K$ .

Betekenis en Claims

Het artikel claimt dat het voorgestelde framework bijzonder significant is voor goedkope STAR-RIS sensing architecturen die gebruikmaken van een enkele RF-chain, waar traditionele covariantie-gebaseerde methoden falen door een gebrek aan stationaire snapshots.

Overwinnen van Bias: De primaire bijdrage is het elimineren van de gestructureerde bias veroorzaakt door de gekoppelde full-space observatie als twee onafhankelijke subruimten te behandelen. Door de reflectie-transmissie koppeling expliciet te modelleren, vermijden de voorgestelde methoden de high-SNR error floors die inherent zijn aan conventionele benaderingen.
Praktische Bruikbaarheid: Het werk adresseert zowel geïdealiseerde (uniforme) als praktische (niet-uniforme) hardwareconfiguraties, en biedt een verenigde oplossing die zich aanpast aan het specifieke energie-splitsingsontwerp van de STAR-RIS.
Beperkingen: De auteurs erkennen bescheiden twee beperkingen:
1. Prestatievermindering nabij grazende hoeken, wat een fundamentele beperking is van array-gebaseerde DOA-schatting.
2. Een residuele error floor in zeer niet-uniforme scenario's, toegeschreven aan de benaderende aard van de paired-Hankel structuur in plaats van ruis.
Toekomstig Werk: Het artikel merkt op dat het huidige framework een single-path model en slot-invariante gains veronderstelt. Het uitbreiden van de aanpak naar multipath omgevingen en tijd-variërende kanalen wordt geïdentificeerd als een natuurlijke richting voor toekomstig onderzoek.