Hierarchical Coherent Imaging of Composite Anisotropic Moving Targets in ISAC

Resumo Técnico: Imageamento Coerente Hierárquico de Alvos Compostos Anisotrópicos em Movimento em ISAC

Declaração do Problema
Redes Integradas de Sensoriamento e Comunicação (ISAC), particularmente ISAC Distribuído (DISAC), oferecem o potencial de gerar imagens de rádio de alta resolução do ambiente, aproveitando o processamento de sinais coerente em fase em múltiplos Equipamentos de Usuário (UEs). No entanto, os métodos de imageamento existentes enfrentam duas limitações críticas quando aplicados a cenários dinâmicos e realistas:

1. Suposição de Espalhamento Isotrópico: A literatura atual tipicamente modela alvos como coleções de espalhadores pontuais independentes e isotrópicos. Isso falha em contabilizar a anisotropia, onde a resposta de espalhamento de alvos estendidos (por exemplo, corpos humanos, máquinas) varia significativamente com o ângulo de observação. Em redes DISAC, onde os nós estão distribuídos em amplos ângulos, isso leva a inconsistências de fase e desfocagem de imagem ao tentar a fusão coerente.
2. Suposição de Alvo Estático: A maioria dos algoritmos de imageamento existentes assume alvos estáticos ou movimento rígido. Eles falham em lidar com alvos compostos em movimento compostos por múltiplas partes movendo-se com velocidades independentes (por exemplo, uma pessoa caminhando com braços em movimento). Esses métodos frequentemente dependem de compensação Doppler simplista (por exemplo, centróide e taxa) que não consegue resolver os espectros Doppler multimodais gerados por componentes movendo-se independentemente, resultando em grave desfocagem de imagem e clutter.

Metodologia: MOSAIC
Os autores propõem o MOSAIC (Sensoriamento de Objetos em Movimento sob Anisotropia por Imageamento com Fusão Coerente e Não Coerente), um algoritmo de imageamento hierárquico projetado para redes ISAC distribuídas e assíncronas. O método utiliza sinais piloto de enlace ascendente (por exemplo, DMRS) sem exigir formas de onda de sensoriamento dedicadas. O fluxo de trabalho central envolve quatro etapas principais:

1. Modelagem de Anisotropia e Agrupamento de UEs:

   • Os autores derivam um modelo analítico para a fase de espalhamento de partes de alvos estendidos, demonstrando que a discrepância de fase entre UEs está quadraticamente relacionada à diferença em seus ângulos de observação bistáticos.
   • Com base nisso, os UEs são agrupados em agrupamentos onde os ângulos bistáticos são suficientemente semelhantes para garantir coerência de fase. Isso previne a desfocagem causada pela combinação de sinais de ângulos amplamente separados observando pontos especulares diferentes no alvo.

2. Estimação Doppler e Associação Intra-Agrupamento:

   • Imagens de baixa resolução são geradas para cada UE. O espectro Doppler é estimado para identificar picos correspondentes às reflexões especulares de diferentes partes do alvo.
   • Dentro de cada agrupamento, picos Doppler são associados entre UEs para identificar as partes em movimento distintas.

3. Imageamento Coerente Intra-Agrupamento Compensado por Doppler:

   • Para cada parte de alvo identificada, o algoritmo realiza pré-compensação Doppler específica para a velocidade daquela parte e a geometria do agrupamento.
   • Um algoritmo de retroprojeção modificado integra os sinais compensados ao longo do tempo lento. Esta etapa foca a imagem da parte específica do alvo, enquanto faz com que contribuições de outras partes (com diferentes desvios Doppler) interfiram destrutivamente, separando efetivamente as partes.
   • Isso produz imagens de alta resolução específicas por parte e estima a localização do centro de espalhamento principal para cada parte dentro do agrupamento.

4. Associação Inter-Agrupamento e Fusão Global Não Coerente:

   • O algoritmo associa picos Doppler entre diferentes agrupamentos para estimar o vetor de velocidade global de cada parte do alvo usando a diversidade geométrica dos triângulos UE-BS-alvo.
   • Finalmente, as imagens específicas por parte de todos os agrupamentos são combinadas não coerentemente. Esta etapa integra observações de amplos ângulos para reconstruir a forma completa do alvo, superando as limitações do ângulo de visão de qualquer agrupamento único.

Principais Contribuições

• Primeiro Imageamento Hierárquico para Alvos Compostos: O MOSAIC é o primeiro algoritmo a realizar imageamento de alta resolução de alvos compostos anisotrópicos em movimento em redes ISAC distribuídas, abordando as limitações de modelos isotrópicos e estáticos.
• Agrupamento Consciente de Anisotropia: O artigo introduz uma regra de agrupamento baseada em limiares de ângulo bistático derivados de um modelo de anisotropia, permitindo processamento coerente dentro de grupos enquanto evita erros de fase em grandes aberturas.
• Doppler como Mecanismo de Resolução: Em vez de visualizar desvios Doppler apenas como uma fonte de desfocagem, o MOSAIC os aproveita como um grau de liberdade adicional para resolver e separar partes de alvos em movimento independentemente através de pré-compensação específica por parte.
• Estimação de Velocidade de Baixa Complexidade: Ao associar frequências Doppler entre agrupamentos, o método estima vetores de velocidade com precisão na ordem de decímetros por segundo (dm/s), evitando a complexidade proibitiva de buscas exaustivas de velocidade.

Resultados
Simulações numéricas extensivas foram conduzidas usando uma frequência portadora de 7 GHz e largura de banda de 400 MHz, comparando o MOSAIC contra três benchmarks: pré-compensação de centróide/taxa Doppler (DCR), compensação de Doppler médio e Sem compensação Doppler.

• Qualidade de Imagem: O MOSAIC demonstrou uma melhoria de >50% na qualidade da imagem (medida pela distância de Wasserstein-1) em comparação com métodos do estado da arte. Ele reconstruiu com sucesso as formas de alvos compostos (por exemplo, um tronco com braços em movimento) onde os benchmarks produziram imagens não confiáveis ou incompletas.
• Estimação de Velocidade: O método alcançou erros de estimação de velocidade no nível de dm/s, desde que os UEs estivessem suficientemente distribuídos ao redor da Região de Interesse (ROI).
• Robustez: A abordagem hierárquica provou ser robusta a erros de localização de UE (até um desvio padrão de comprimento de onda) e frequências portadoras variáveis (3–26 GHz), mantendo o desempenho onde métodos totalmente coerentes falharam.

Significado e Alegações
O artigo alega que o MOSAIC aborda lacunas fundamentais na literatura atual de imageamento DISAC, que se concentrou amplamente em alvos estáticos ou rígidos com espalhamento isotrópico. Ao redefinir desvios Doppler como uma ferramenta para separação de partes e introduzir uma estratégia de fusão coerente/não coerente hierárquica, o MOSAIC habilita aplicações de sensoriamento de alta granularidade, como reconhecimento de gestos humanos e sensoriamento de multidões em redes 6G. Os autores enfatizam que sua abordagem transforma as limitações da anisotropia e do movimento complexo em parâmetros gerenciáveis, oferecendo um caminho prático para imageamento de rádio de alta resolução em ambientes dinâmicos e distribuídos.