Resumo Técnico: Separação Simultânea de Fontes, Sincronização, Localização e Mapeamento para Sistemas 6G

1. Definição do Problema

As futuras redes 6G exigem um conhecimento robusto de localização para permitir o beamforming adaptativo, a alocação eficiente de recursos e a integração de comunicação e sensoriamento (ISAC). Embora o SLAM baseado em multicaminhos (MP-SLAM) ofereça uma solução promissora ao explorar componentes de multicaminho (MPCs) como âncoras virtuais (VAs) para superar obstruções de linha de visada (LOS), os métodos cooperativos de MP-SLAM existentes dependem de suposições restritivas. Especificamente, eles tipicamente assumem que as estações base (BSs) estão perfeitamente sincronizadas e transmitem sequências ortogonais, tornando a interferência entre BSs desprezível.

Em cenários práticos, como os sistemas 5G modernos usando Sinais de Referência de Posicionamento (PRS), as BSs são frequentemente não sincronizadas e podem transmitir em bandas de frequência idênticas. Isso leva a:

1. Interferência entre BSs: Terminais móveis (MTs) recebem uma superposição de sinais de múltiplas BSs, tornando difícil distinguir qual MPC se origina de qual fonte.
2. Viés de Sincronização: Diferenças de clock desconhecidas entre as BSs e os MTs introduzem atrasos aparentes que degradam a precisão da localização.
3. Ambiguidade de Associação de Dados: Sem sequências ortogonais ou sincronização, associar características medidas (VAs) às suas respectivas BSs geradoras torna-se um problema probabilístico complexo.

Estratégias de mitigação atuais, como padrões de silenciamento (muting) em 5G, muitas vezes falham em restaurar totalmente o desempenho de localização sob essas condições. Este trabalho aborda o desafio de realizar a separação simultânea de fontes, sincronização e mapeamento sem assumir a sincronização perfeita das BSs ou a transmissão ortogonal.

2. Metodologia

Os autores propõem uma nova estrutura Bayesiana que estima conjuntamente as posições de múltiplos MTs em movimento, as localizações de características de mapa (BSs e VAs) e os vieses de sincronização de todos os nós. A abordagem é construída sobre uma representação de grafo de fator e resolvida usando um Algoritmo Sum-Product (SPA).

Componentes Principais de Modelagem:

• Modelo de Sistema: O sistema considera $I$ MTs não sincronizados e $J$ BSs não sincronizadas. Cada BS transmite um sinal piloto, e os MTs observam uma mistura de LOS e MPCs. O modelo de sinal contabiliza vieses de clock ($b_{bs,n}^{(j)}$ e $b_{mt,n}^{(i)}$) e geometrias de arranjo de antenas.
• Representação de Estado:
  • Estados do MT: Incluem posição, velocidade, orientação e viés de clock do MT.
  • Estados da BS: Incluem vieses de clock.
  • Características do Mapa: Modeladas como Âncoras Virtuais Potenciais (PVAs). Uma PVA representa um ponto de reflexão potencial (VA) associado a uma BS específica. A existência de uma PVA é uma variável aleatória binária.
• Associação de Dados Dependente da BS: Uma inovação central é a modelagem da associação entre medições e BSs. Como a origem de uma medição é desconhecida, o algoritmo trata o índice da BS como uma variável aleatória discreta. Uma nova PVA é gerada para cada BS possível para cada nova medição, e o algoritmo determina probabilisticamente qual BS gerou a característica.
• Modelagem de Viés de Sincronização: O viés de sincronização aparente observado em um MT é modelado como a diferença entre o viés de clock da BS e o viés de clock do MT. Isso permite que o sistema estime conjuntamente esses deslocamentos.
• Atualização Sequencial: O algoritmo processa medições sequencialmente através de MTs e passos de tempo. PVAs legadas (detectadas anteriormente) são atualizadas, e novas PVAs são introduzidas com base em um processo de Poisson.
• Inferência: A distribuição posterior conjunta é aproximada usando o SPA em um grafo de fator. Isso envolve:
  • Avaliação de Medição: Cálculo de verossimilhanças para novas PVAs considerando todas as possíveis associações de BS.
  • Estimativa de Estado: Computação de estimativas de Erro Quadrático Médio Mínimo (MMSE) para posições de MT, vieses de BS e localizações de PVA.
  • Poda (Pruning): Uma etapa de poda subótima remove PVAs com baixas probabilidades de existência para gerenciar a complexidade computacional, mantendo a âncora LOS primária para cada BS.

3. Principais Contribuições

O artigo descreve quatro contribuições primárias:

1. Novo Modelo de Associação de Dados: Introdução de um modelo de separação de fontes probabilístico para BSs interferentes, permitindo que o algoritmo classifique características pelo seu BS gerador sem conhecimento prévio das sequências de transmissão.
2. Modelagem de Viés: Um modelo principista para o viés de sincronização aparente como uma diferença entre variáveis aleatórias relacionadas à BS e ao MT, integrado à estrutura de estimativa conjunta.
3. Estrutura de Inferência Conjunta: Derivação da distribuição posterior conjunta e um correspondente SPA baseado em grafo de fator para o problema completo de separação simultânea de fontes, sincronização e mapeamento.
4. Análise de Desempenho: Uma análise estatística demonstrando que o método proposto atinge um desempenho comparável ao MP-SLAM cooperativo de última geração (que assume BSs sincronizadas e ortogonais), mesmo sob condições não sincronizadas e de interferência.

4. Resultados Experimentais

Os autores avaliaram o algoritmo em um ambiente interno simulado com quatro BSs, quatro superfícies reflexivas e três MTs em movimento ao longo de 400 passos de tempo. A simulação incluiu BSs não sincronizadas com vieses de clock aleatórios e sequências de transmissão interferentes.

• Convergência: O algoritmo exigiu aproximadamente os primeiros 100 passos de tempo para convergir totalmente, após o qual o Erro Quadrático Médio (RMSE) das posições dos MTs e o erro de Atribuição de Padrão Ótimo (OSPA) para as VAs igualaram o desempenho do caso de referência (BSs sincronizadas e ortogonais).
• Estimativa de Viés: O RMSE médio para a estimativa de viés da BS foi de 26 ps, e para a estimativa de viás do MT, foi de 24 ps.
• Precisão de Associação: Na configuração testada, o algoritmo alcançou zero erros de associação de dados, identificando corretamente a BS geradora para todas as características detectadas.
• Degradação de Desempenho: A análise estatística mostrou que não houve degradação significativa de desempenho em comparação com o MP-SLAM cooperativo de última geração que assume sincronização e ortogonalidade ideais.

5. Significância e Alegações

O artigo afirma que o método proposto constitui uma solução robusta e escalável para sistemas ISAC 6G onde a sincronização perfeita e os recursos ortogonais não podem ser garantidos.

• Abordagem Principista: O modelo de associação de dados dependente da BS é apresentado como um método principista para classificar características por propriedades arbitrárias e persistentes no tempo (ex: ordem de reflexão ou tipo de característica), não apenas identidade de fonte.
• Escalabilidade: O tempo de execução do algoritmo escala linearmente com o número de PVAs, medições, MTs e partículas. Embora a introdução de múltiplas BSs aumente o número de PVAs potenciais (por um fator de $J$), o mecanismo de poda gerencia efetivamente essa complexidade.
• Flexibilidade: A estrutura SPA é descrita como flexível o suficiente para incorporar modalidades de sensoriamento adicionais (ex: IMU ou radar) para integração contínua em redes futuras.

Os autores concluem que seu trabalho relaxa suposições críticas de métodos de MP-SLAM existentes, permitindo localização e mapeamento precisos em ambientes 5G/6G realistas e propensos a interferências. O trabalho futuro inclui experimentos reais com dados de PRS 5G e extensões para cenários de rede dinâmicos.