Compressed Sensing-Driven Near-Field Localization Exploiting Array of Subarrays

Resumo Técnico: Localização em Campo Próximo Impulsionada por Sensoriamento Comprimido Explorando Matrizes de Submatrizes

Definição do Problema
O artigo aborda o desafio da localização de alta resolução em campo próximo para sistemas de Integração de Sensoriamento e Comunicação (ISAC). À medida que os sistemas sem fio migram para frequências mais altas (mmWave e terahertz) e as matrizes de antenas crescem, a região de campo próximo se expande, tornando necessária a estimativa tanto do ângulo quanto da distância (range). Embora as arquiteturas de matriz totalmente digitais (onde cada elemento de antena possui uma cadeia de RF dedicada) ofereçam alta resolução, elas são proibitivamente caras e consomem muita energia para grandes aberturas.

Para mitigar os custos de hardware, são consideradas arquiteturas de matriz modular esparsa (particionando uma matriz grande em submatrizes menores com menos cadeias de RF). No entanto, essas configurações esparsas introduzem um subamostragem espacial severa, resultando em lóbulos de grade (grating lobes) que causam ambiguidade significativa na estimação de parâmetros. Os métodos existentes têm dificuldade em equilibrar o alto custo de hardware das matrizes totalmente digitais com os problemas de ambiguidade das submatrizes esparsas, particularmente ao utilizar o sensoriamento comprimido (CS) para reduzir ainda mais as dimensões dos dados.

Metodologia: O Algoritmo SHARE
Os autores propõem o SHARE (Sparse Hierarchical Angle-Range Estimation), um novo algoritmo de recuperação esparsa de dois estágios projetado para uma arquitetura de matriz modular onde $P$ submatrizes, cada uma contendo $M_0$ elementos, são conectadas a $P$ cadeias de RF via redes de combinação analógica. O sistema utiliza sensoriamento comprimido para adquirir $K$ instantâneos de medição distintos variando os deslocadores de fase analógicos.

O algoritmo opera da seguinte forma:

1. Estágio 1: Estimativa de Ângulo Coarse (Grosseira) Não Ambígua

   • Objetivo: Resolver ambiguidades de lóbulos de grade sem uma busca global computacionalmente dispendiosa.
   • Mecanismo: O algoritmo trata cada submatriz individualmente. Como a abertura intra-submatriz é pequena ($M_0$ elementos), ela é densa (espaçamento $d \le \lambda/2$) e livre de lóbulos de grade. Além disso, as fontes são aproximadas como estando no campo distante em relação à pequena submatriz, permitindo o uso de um vetor de direção simplificado e independente da distância.
   • Processamento: O algoritmo computa o espectro de potência para cada submatriz independentemente usando combinação não coerente. Esses espectros de potência individuais são somados para criar um espectro combinado robusto ($P_{total}(\theta)$). Os picos deste espectro fornecem estimativas de ângulo grosseiras e não ambíguas ($\hat{\Theta}_0$). Este estágio evita a dependência circular da combinação coerente (que requer o conhecimento do ângulo para compensar a fase) e efetivamente suprime ruídos e artefatos espúrios.

2. Estágio 2: Refinamento Conjunto de Ângulo-Distância de Alta Resolução

   • Objetivo: Aproveitar a abertura esparsa total para estimar a distância precisa e refinar o ângulo.
   • Mecanismo: Utilizando as estimativas de ângulo grosseiras do Estágio 1, o algoritmo constrói uma grade de busca 2D fina e localizada (um dicionário) apenas na vizinhança dos ângulos estimados. Isso reduz drasticamente o espaço de busca em comparação com uma grade global.
   • Processamento: O problema é formulado como um problema de recuperação esparsa (Vetor de Múltiplas Medições) sobre este dicionário localizado. Um algoritmo guloso, como o Orthogonal Matching Pursuit (OMP), é usado para encontrar a solução esparsa, gerando estimativas refinadas para ambos, ângulo e distância, simultaneamente.

Principais Contribuições

• Estrutura de Baixa Complexidade: O artigo introduz uma estrutura de sensoriamento comprimido que processa sinais de um grande número de antenas usando um pequeno número de cadeias de RF, reduzindo significamente os custos de hardware enquanto mantém uma grande abertura.
• Algoritmo Hierárquico (SHARE): Os autores propõem um algoritmo de dois estágios que desacopla o problema de estimativa. Ele resolve ambiguidades angulares usando submatrizes densas (Estágio 1) e, em seguida, realiza o refinamento conjunto de alta resolução usando a abertura esparsa total (Estágio 2).
• Validação de Desempenho: Através de simulações extensas, o artigo demonstra que o SHARE supera os métodos de compressão de etapa única convencionais (2D-OMP) e os algoritmos clássicos totalmente digitais (2D-MUSIC) em cenários de campo próximo com múltiplas fontes.

Resultados de Simulação
Os autores avaliaram o SHARE contra o 2D-OMP (operando nos mesmos dados comprimidos) e o 2D-MUSIC (operando em dados totalmente digitais) usando simulações de Monte Carlo com $P=4$ submatrizes e $M_0=16$ elementos.

• Precisão: Em cenários com fontes próximas, o 2D-OMP falhou em resolver as fontes devido à coerência do dicionário, e o 2D-MUSIC falhou em estimar a distância com precisão. O SHARE conseguiu resolver com sucesso tanto o ângulo quanto a distância, alcançando uma precisão comparável ou superior ao 2D-MUSIC, apesar de ter acesso a menos dados.
• Robustez: O SHARE demonstrou um erro quadrático médio (RMSE) mediano inferior na estimativa de posição através de variações no número de fontes e medições compressivas. Diferente do 2D-OMP, cujo desempenho estagnou com o aumento de medições, a precisão do SHARE melhorou conforme mais medições eram fornecidas.
• Eficiência Computacional: O SHARE reduziu significativamente a complexidade computacional. Ao transformar uma busca 2D global em uma busca 1D grosseira seguida de uma busca 2D localizada, o SHARE foi aproximadamente 8 vezes mais eficiente computacionalmente que o 2D-OMP na configuração testada, sendo também muito mais eficiente que a complexidade $O(M^3)$ do 2D-MUSIC.

Significância e Alegações
O artigo afirma que o SHARE fornece um caminho prático para implementar sistemas ISAC de alto desempenho em campo próximo. Ele aborda o compromisso entre custo de hardware e ambiguidade de estimativa ao aproveitar as propriedades específicas das arquiteturas de submatrizes. Os autores afirmam que sua abordagem hierárquica evita o custo computacional proibitivo de buscas de grade 2D exaustivas, preservando os benefícios de resolução de grandes aberturas. Eles concluem que o SHARE não é apenas mais preciso e robusto que os métodos compressivos de força bruta, mas também oferece uma solução escalável que torna a localização de alto desempenho em campo próximo viável com hardware esparso de baixo custo.

O trabalho futuro mencionado pelos autores inclui o design de matrizes de sensoriamento otimizadas e a validação do algoritmo em um banco de testes de hardware prático, especificamente para considerar efeitos de acoplamento mútuo e outras não-idealidades de hardware.