A Simultaneous Clustering and Tracking Algorithm for Capturing Cluster-Level Spatial Consistency in 6G Wireless Channels

Technische Samenvatting: Een algoritme voor gelijktijdige clustering en tracking voor het vastleggen van cluster-niveau ruimtelijke consistentie in 6G draadloze kanalen

Probleemstelling
Ruimtelijke consistentie is een cruciale fysieke eigenschap voor realistische kanaalmodellering in 6G-systemen, met name voor technologieën zoals massive MIMO, geïntegreerde sensing en communicatie, en terahertz (THz) communicatie. Op cluster-niveau vereist deze eigenschap dat multipadcomponenten (MPC's) met vergelijkbare kenmerken gegroepeerd blijven in dezelfde clusters terwijl zenders en ontvangers bewegen, wat zorgt voor een vloeiende evolutie van kanaalparameters.

Bestaande methoden voor het extraheren van cluster-niveau ruimtelijke consistentie vallen over het algemeen uiteen in twee categorieën: "tracking-na-clustering" en "gelijktijdige clustering-en-tracking."

• Tracking-na-clustering ontkoppelt de processen door clustering uit te voeren op individuele snapshots (bijv. met KPowerMeans of DBSCAN) en vervolgens clusters over snapshots heen te associëren. Dit leidt vaak tot gefragmenteerde trajecten wanneer de samenstelling van clusters tussen snapshots verandert.
• Gelijktijdige clustering-en-tracking probeert informatie uit voorgaande snapshots (meestal cluster-centra of Kalman-filtervoorspellingen) te gebruiken om de huidige clustering te sturen. Deze methoden vertrouwen echter vaak sterk op eenvoudige centroid-matching en maken geen volledig gebruik van de gezamenlijke verdeling van MPC's over de delay-, hoek- en ruimtelijke domeinen.

Bijgevolg evalueren bestaande metrieken (zoals de Davies–Bouldin- of Calinski–Harabasz-indices voor clustering, en de Gradient Change Rate voor tracking) deze aspecten afzonderlijk, waardoor ze er niet in slagen clusteringkwaliteit en tracking-consistentie gezamenlijk te reflecteren.

Methodologie: MD-SCT Algoritme
De auteurs stellen een Mahalanobis-afstand-gebaseerd algoritme voor gelijktijdige clustering en tracking (MD-SCT) voor. In tegenstelling tot Euclidische benaderingen gebruikt MD-SCT de Mahalanobis-afstand om de afstand tussen een nieuw waargenomen MPC en de parametervariatie van bestaande clusters te meten. Deze aanpak houdt inherent rekening met de covariantiestructuur tussen MPC-parameters (delay, azimuth/zenit hoeken van vertrek en aankomst, en transceiver-locaties).

Het algoritme werkt als volgt:

1. Initialisatie: In een dichte ruimtelijke regio worden conventionele clusteringmethoden (bijv. KPowerMeans of DBSCAN) toegepast op een initiële set van MPC's om $K_1$ initiële clusters te vestigen. Dit zorgt voor een robuuste schatting van de initiële gemiddelde vectoren en covariantie-matrices.
2. Gelijktijdige Toewijzing: Voor opeenvolgende snapshots wordt elk nieuw MPC toegewezen aan een bestaande cluster $k$ indien de Mahalanobis-afstand ($D_{Mah}$) tot de parameterverdeling van de cluster onder een drempelwaarde ($D_{th}$) ligt. Deze stap voert inherent tracking uit door nieuwe observaties te associëren met historische verdelingen.
3. Outlier-afhandeling: MPC's die niet passen bij bestaande clusters worden gemarkeerd als outliers. Deze worden vervolgens opnieuw geclusterd met behulp van conventionele methoden om nieuwe clusters te vormen (clustergeboorte).
4. Clusterlevenscyclus: Clusters zonder toegewezen MPC's over opeenvolgende snapshots worden beschouwd als inactief (clustersterfte). Het algoritme bevat ook een geheugenmechanisme om slapende clusters tijdens tijdelijke observatiegaten vast te houden, wat de robuustheid tegen blokkades verbetert.
5. Complexiteitsoptimalisatie: Om de computationele kosten te beheersen, wordt de inverse covariantie-matrix iteratief bijgewerkt met behulp van de Woodbury-matrixinversie-lemma, waardoor de complexiteit wordt verminderd van $O(N_{par}^3)$ naar $O(N_{par}^2)$.

Belangrijkste Bijdragen

1. Algoritmeontwerp: De voorstel van het MD-SCT-algoritme, dat de cluster-niveau ruimtelijke consistentie verbetert door de gezamenlijke verdelingsstructuur van delay, hoek en transceiver-positie te exploiteren die gevormd wordt door eerder toegewezen MPC's.
2. Toepassing: De toepassing van dit algoritme op sub-THz kanalen bij 132 GHz, gegenereerd via meting-gebaseerde deterministische ray tracing in een industrieel Internet of Things (IIoT) scenario.
3. Evaluatiemetriek: De introductie van de Mean Square Successive Difference (MSSD) als een nieuwe metriek om de ruimtelijke consistentie van clusteringstatistieken (bijv. DB-index, CH-index, parameter standaarddeviaties) over opeenvolgende snapshots te kwantificeren.

Experimentele Resultaten
Het algoritme werd gevalideerd tegenover een multidimensionale feature metric-gebaseerde (MFM) trackingmethode met behulp van kanaalgegevens uit een 132 GHz IIoT-scenario.

• Clustercontinuïteit: Het MD-SCT-algoritme produceerde aanzienlijk minder maar langere en meer continue clustertrajecten vergeleken met MFM. Specifiek identificeerde MD-SCT 17 clusters met een gemiddelde getrackte lengte van 11,894 m, terwijl MFM 104 clusters produceerde met een gemiddelde lengte van slechts 1,457 m.
• Tracking-consistentie: Het MD-SCT-algoritme bereikte een Gradient Change Rate (GCR) van 0,028, wat aanzienlijk lager is dan de 0,561 van de MFM-methode, wat wijst op een veel gladdere evolutie van de clustercentra.
• Statistische Stabiliteit: De MSSD-waarden voor clusteringstatistieken (DB, CH) en parameter standaarddeviaties (delay, hoeken) waren consequent lager voor MD-SCT. Bijvoorbeeld, de MSSD voor de Davies–Bouldin-index was 0,003 voor MD-SCT versus 0,007 voor MFM.
• Clusteringkwaliteit: Ondanks de focus op tracking, behield MD-SCT een vergelijkbare clustercompactheid en scheidbaarheid (Gem. DB: 0,369; Gem. CH: 146,072) als de snapshot-geoptimaliseerde MFM-methode (Gem. DB: 0,402; Gem. CH: 134,825).

Betekenis
Het artikel beweert dat het MD-SCT-algoritme een gladdere clusterevolutie oplevert door inherent te tracken tijdens het clusteren, waardoor de betrouwbaarheid van geclusterde kanalen voor ruimtelijke consistentie-modellering in 6G wordt verbeterd. De auteurs stellen dat deze bevindingen ruimtelijke-consistentie-bewuste kanaalmodellering ondersteunen, wat essentieel is voor nauwkeurige beam tracking, omgeving-bewuste sensing en het ontwerp van massive MIMO en sub-THz communicatiesystemen. Het werk benadrukt dat door de gezamenlijke verdeling van MPC's vast te leggen, de voorgestelde methode de beperkingen van ontkoppelde of centroid-afhankelijke trackingbenaderingen aanpakt.