Subspace Overlap Predicts Residual Sensing Feasibility in OFDM ISAC Systems

Technische Samenvatting: Subspace Overlap Voorspelt de Haalbaarheid van Residuele Sensatie in OFDM ISAC-systemen

Probleemstelling
Integrated Sensing and Communication (ISAC) is een fundamentele capaciteit voor 6G, maar huidige ontvangerarchitecturen vertrouwen doorgaans op parallelle sensatieketens die specifieke middelen vereisen. Dit artikel onderzoekt of het Minimum Mean Square Error (MMSE) egalisatie-residue — conventioneel weggegooid als ruis in communicatieontvangers — kan worden ingezet als een sensatiebron. De kernuitdaging is bepalen of de artefacten die overblijven na kanaalschatting en egalisatie structuren van het doelwit bevatten die bruikbaar zijn, of dat het louter incoherente ruis is. Verder behandelt het artikel het gebrek aan een kwantitatieve metriek om te voorspellen wanneer dergelijke residuele sensatie haalbaar is, en stelt een methode voor om artefacten adaptief te verwijderen zonder voorafgaande kennis van de doelwit-subspace.

Methodologie
De studie maakt gebruik van een OFDM-systeemmodel werkend op 28 GHz (NR FR2) met 256 subcarriers en 64 symbolen. Het ontvangen signaal wordt gemodelleerd als de som van communicatie- en doelwitkanalen, waarbij het doelwit 20–40 dB zwakker is dan het communicatiekanaal. De voorgestelde K–R Receiver werkt in twee stadia:

1. K-Stap (Standaard MMSE): Voert standaard kanaalschatting uit (LS + interpolatie + LMMSE smoothing) en harde beslissings-egalisatie om een residueel signaal ($r_s$) te genereren.
2. R-Stap (Residuele Verwerking): Past Singular Value Decomposition (SVD) toe op het residu. Een adaptieve Principal Component Analysis (PCA) verwijdert de dominante artefact-componenten op basis van rangselectie, gevolgd door een 2D-FFT om een Range-Doppler kaart te genereren.

De auteurs analyseren 12 verschillende kanaalmodellen, inclusief zeven parametrische kanalen en vijf 3GPP Clustered Delay Line (CDL) profielen. Zij introduceren een nieuwe metriek, $\eta_1$ (subspace overlap), gedefinieerd als de genormaliseerde Frobenius-norm van de projectie tussen de artefact singular vectoren en de doelwit singular vectoren. Deze metriek kwantificeert de geometrische scheidbaarheid tussen de residuele artefacten en het doelwit-signaal.

Om de praktische beperking van het niet kennen van de doelwit-subspace aan te pakken, stelt het artikel Algoritme 1 voor, een blinde adaptieve rangselectiemethode. Dit algoritme identificeert de optimale rang ($k^*$) voor artefactverwijdering door de "eigengap" (de ratio $\sigma_k / \sigma_{k+1}$) in de geobserveerde residuele singular waarden te detecteren, waardoor de noodzaak voor een oracle wordt geëlimineerd.

Belangrijkste Bijdragen

1. Universele Low-Rank Structuur: De auteurs demonstreren dat residuele artefacten over alle 12 geteste kanalen universeel low-rank zijn, waarbij de eerste singular waarde 28–45% van de totale energie vangt. Dit wordt toegeschreven aan frequentiedomein-interpolatie die fungeert als een low-pass filter op schattingsfouten.
2. Subspace Overlap Metriek ($\eta_1$): Het artikel vestigt $\eta_1$ als een statistisch significante voorspeller van de haalbaarheid van sensatie. Regressieanalyse laat zien dat wanneer $\eta_1 < 0,05$, rank-1 PCA een positief verschil oplevert; wanneer $\eta_1 > 0,10$, faalt de scheiding. In een multivariabel model inclusief delay spread, target gain en SNR, draagt $\eta_1$ bij aan een verklarende kracht van $R^2 = 0,55$.
3. Blinde Adaptieve Rangselectie: Het voorgestelde eigengap-gebaseerde algoritme selecteert succesvol de optimale rang zonder doelwitkennis, waardoor de haalbaarheid van sensatie wordt uitgebreid naar 11 van de 12 kanalen (het redt scenario's met High Doppler, Weak NLOS en LOS).
4. Prestatie-superioriteit: De K–R PCA-1 benadering presteert beter dan alle baselines, inclusclusief matched filtering met perfecte Channel State Information (CSI).

Resultaten

• Prestatiewinst: Onder UMi-omstandigheden (SNR = 20 dB, doelwit op -10 dB) bereikt de K–R PCA-1 methode een differentieel van +2,11 dB ten opzichte van de baseline. Dit presteert significant beter dan matched filtering met perfecte CSI (+0,35 dB) en standaard 2D-FFT op het residu (-0,47 dB).
• Mechanisme van Winst: De verbetering wordt toegeschreven aan het vermogen van de MMSE-equalizer om ongeveer 20 dB aan communicatie-interferentie voor te zuiveren. Terwijl het ruwe signaal het doelwit 20 dB onder het communicatiekanaal begraaft, presenteert het residu het doelwit met een bijna een-op-een target-to-interference ratio, waardoor PCA het effectief kan isoleren.
• Statistische Validatie: Resultaten werden gevalideerd over 500 Monte Carlo trials met $p < 0,001$. De piekprestatie bereikte +2,12 ± 0,16 dB.
• Complexiteit: De implementatie is computationeel efficiënt. Het gebruik van power iteration voor rank-1 SVD kost 0,08 ms (93% goedkoper dan volledige SVD). De totale R-stap voegt 0,23 ms overhead toe aan de communicatie-baseline, wat resulteert in een totale ontvanger-latentie van 1,08 ms/frame.
• Haalbaarheidslimieten: Detectie met een single-frame Constant False Alarm Rate (CFAR) blijft onhaalbaar ($H_1/H_0 \approx 1,0$). Echter, multi-frame accumulatie (50 frames) overbrugt deze kloof en bereikt een detectiekans ($P_d$) van 0,98 bij een false alarm rate ($P_{fa}$) van 0,01.

Significantie
Het artikel beweert de specifieke subspace-condities vast te stellen waaronder residu-gebaseerde sensatie haalbaar is zonder dedicated hardware. Het primaire inzicht is dat haalbaarheid niet afhangt van de low-rankness van de artefacten (die universeel is), maar van de geometrische scheidbaarheid ($\eta_1$) tussen de artefact- en doelwit-subspaces. Door een kwantitatieve voorspeller ($\eta_1$) en een blind adaptief algoritme te bieden, demonstreert het werk dat MMSE-residuen kunnen dienen als een levensvatbare sensatiebron in OFDM ISAC-systemen, mits de subspace overlap voldoende laag is. De bevindingen suggereren dat de interferentie-annulatiecapaciteit van de MMSE-equalizer de cruciale enabler is voor deze dual-use functionaliteit.