Technische Samenvatting: Fase-gebaseerde Positionering in Distributed MIMO onder Fase-impedimenten

1. Probleemstelling

Carrier fase positionering (CPP) biedt het potentieel voor centimeter-nauwkeurigheid in volgende generaties draadloze systemen door uitsluitend gebruik te maken van carrier fase-observaties, zonder te vertrouwen op time-of-arrival (ToA) of time-difference-of-arrival (TDoA) metingen. Hoewel recente literatuur suggereert dat hoge nauwkeurigheid haalbaar is in distributed multiple-input multiple-output (D-MIMO) netwerken met uitsluitend fase-metingen, worden praktische implementaties geconfronteerd met aanzienlijke uitdagingen. Specifiek degraderen fase-synchronisatiefouten over gedistribueerde antennepunten (APs) inherent de prestaties. Bovendien vereisen netwerken van de volgende generatie strikte latency-naleving, wat een vermindering van de modelcomplexiteit noodzakelijk maakt. Bestaande methoden falen vaak in het adequaat aanpakken van de gecombineerde impact van fase-synchronisatiefouten en de computationele belasting van het verwerken van alle beschikbare ambiguïteitscombinaties in D-MIMO systemen.

2. Methodologie

Het artikel stelt een op leren gebaseerd Location Management Function (LMF) raamwerk voor, getiteld Distributed LMF (DLMF), dat deep learning (DL) integreert met een hyperbool-intersectiemethode om robuuste, hoog-precieze positionering te bereiken onder fase-impedimenten. De methodologie bestaat uit drie primaire componenten:

2.1 Systeemmodel en Differentieel Metingen

Het systeem gaat uit van een uplink-configuratie met $I$ ruimtelijk gedistribueerde AP's en een User Equipment (UE) op een onbekende positie $x_{ue}$. De fase van het ontvangen signaal bij de $i$-de AP wordt gemodelleerd inclusief golflengte-afhankelijke afstand, fase-perturbaties tussen de DLMF en AP's, UE-DLMF fase-offsets, integer ambiguïteit en meetruis.
Om gemeenschappelijke fase-offsets te mitigeren, maakt het systeem gebruik van differentieel metingen tussen een referentie AP ($i=0$) en andere AP's ($m \in \{1, \dots, I-1\}$). Deze differentieel metingen komen geometrisch overeen met verzamelingen van hyperbolen geparametriseerd door integer ambiguïteitsverschillen ($\Delta z_m$).

2.2 Hyperbool-intersectie met Ambiguïteitschatting

Het kernmodel voor lokalisatie hanteert de hyperbool-intersectiemethode, bestaande uit:

1. Differentiaal Ambiguïteitschatters: Een Multi-Layer Perceptron (MLP) die de vector van differentiele ambiguïteiten ($\Delta \hat{z}$) schat uit de differentiele fase-metingen.
2. Gradient Descent (GD) Solver: Een iteratieve solver die de UE-positie schat verfijnt met behulp van de geschatte differentiele afstanden. Het minimaliseert een kwadratische kostenfunctie over $T$ iteraties.

2.3 Deep Learning-gebaseerde AP Selectie

Om de computationele complexiteit aan te pakken en de nauwkeurigheid te optimaliseren, introduceert het artikel een neuraal netwerk (NN) voor Adaptieve AP Selectie. In plaats van alle mogelijke ambiguïteitsparen te schatten, selecteert het systeem een optimaal paar van twee ambiguïteiten ($\Delta z_a, \Delta z_b$) om de positioneringsfout te minimaliseren.

• Input Features: Het NN gebruikt een feature vector $F \in \mathbb{R}^{8I}$, die het volgende samenvoegt:
  • Meetkundige features: Differentiele fase-metingen ($\delta$) en Signal-to-Noise Ratio (SNR) waarden bij elke AP.
  • Geometrische features: Afstanden en hoeken relatief aan de referentie AP, de dichtstbijzijnde buur en de verste AP.
• Netwerkarchitectuur: Een MLP met een inputlaag van grootte $8I$, vijf verborgen lagen (groottes $A, 2A, 4A, 2A, A$), en een outputlaag van grootte $\binom{I-1}{2}$. Het netwerk voorspelt de positioneringsfout voor elk ambiguïteitspaar.
• Selectiestrategie: Het paar $(a^*, b^*)$ dat overeenkomt met de minimale voorspelde fout wordt geselecteerd voor de GD solver.

3. Belangrijkste Bijdragen

• Robuustheid tegen Fase-synchronisatiefouten: De studie toont aan dat het trainen van de ambiguïteitschatter op data die fase-perturbaties reflecteert, de hyperbool-intersectiemethode in staat stelt om een hoge nauwkeurigheid te behouden, zelfs in de aanwezigheid van synchronisatiefouten.
• DL-gestuurde AP Selectie: Het artikel introduceert een nieuw raamwerk dat een diep neuraal netwerk gebruikt om het optimale paar antennepunten voor ambiguïteitschatting te selecteren. Deze aanpak maakt gebruik van zowel signaalmetingen als de implementatiegeometrie om suboptimale paarkeuzes te vermijden.
• Reductie van Complexiteit: Door het lokalisatieproces te beperken tot slechts twee geselecteerde ambiguïteiten (in plaats van alle beschikbare) en een DL-model te gebruiken om deze selectie te sturen, vermindert het raamwerk de computationele last aanzienlijk zonder precisie op te offeren.

4. Simulatie-resultaten

Simulaties werden uitgevoerd in een gebied van $100 \text{ m}^2$ met $I=9$ gedistribueerde AP's, waarbij een D-MIMO topologie werd nagebootst.

• Nauwkeurigheid onder Perturbatie: Wanneer getraind op data met fase-perturbaties (standaarddeviatie $\sigma$), behield het model een algehele ambiguïteitschatting nauwkeurigheid boven de 99% en een 95e-percentiel positioneringsfout onder de 0,5 cm, zelfs wanneer het getest werd op datasets met variërende perturbatieniveaus.
• AP Selectie Prestaties: De voorgestelde DL-gebaseerde selectiemethode presteerde aanzienlijk beter dan benchmarks inclusief Random selectie, Max-SNR selectie, en het gebruik van alle ambiguïteiten (Geen selectie).
  • De Max-SNR en Random benchmarks resulteerden in een ernstige degradatie van de nauwkeurigheid (95e-percentiel fouten van respectievelijk ~509 cm en ~551 cm).
  • De Voorgestelde methode behaalde een 95e-percentiel fout van 0,26 cm, waarmee het de "Best achievable" ground-truth subset (0,14 cm) nauw benaderde.
• Complexiteit: Het voorgestelde raamwerk verminderde de totale inferentie-complexiteit met ongeveer 19,7% vergeleken met het gebruik van alle ambiguïteiten, terwijl het een superieure nauwkeurigheid behield ten opzichte van methoden die geen selectie gebruiken of naïeve selectiestrategieën gebruiken.

5. Betekenis en Claims

Het artikel claimt dat carrier fase-only positionering, wanneer aangevuld met deep learning oplossingen, een levensvatbare enabler is voor betrouwbare, hoog-precieze lokalisatie in realistische 6G D-MIMO implementaties. De betekenis van het werk ligt in:

1. Praktische Robuustheid: Het expliciet adresseren en mitigeren van fase-synchronisatiefouten, een kritieke praktische impediment die vaak over het hoofd wordt gezien in theoretische CPP-studies.
2. Efficiëntie: Het aantonen dat adaptieve AP-selectie de computationele complexiteit (FLOPs) kan verminderen terwijl het tegelijkertijd de positioneringsnauwkeurigheid verbetert door slechte ambiguïteitspaar-keuzes te vermijden.
3. Toekomstige Enabler: Het positioneren van deze leergestuurde aanpak als een sleutelcomponent voor toekomstige 6G-systemen, waarbij de auteurs opmerken dat toekomstig werk het raamwerk zal uitbreiden naar multipath en driedimensionale scenario's.

De auteurs blijven bescheiden over de huidige reikwijdte en erkennen dat de studie zich richt op line-of-sight (LoS) propagatie en dat de impact van onzekerheden in AP-posities verder onderzoek vereist.