Mismatch Analysis and Cooperative Calibration of Array Beam Patterns for ISAC Systems

Resumo Técnico: Análise de Desajuste e Calibração Cooperativa de Padrões de Feixe de Array para Sistemas ISAC

Declaração do Problema
Sistemas de Integração de Sensoriamento e Comunicação (ISAC) dependem fortemente de uma estimativa de ângulo precisa para tarefas como localização, estimativa de orientação e mapeamento simultâneo e localização (SLAM). No entanto, o desempenho do sensoriamento é frequentemente degradado por desajustes de modelo decorrentes de erros geométricos (ex: imprecisões de posição e orientação) e impedimentos de hardware (ex: acoplamento mútuo e não linearidade do amplificador). Esses desajustes levam a um beamforming impreciso, redução do ganho de array e erros angulares amplificados que impactam severamente o desempenho do sistema, particularmente em cenários de ondas milimétricas (mmWave). Os métodos de calibração existentes frequentemente focam na precisão da reconstrução do padrão de feixe ou assumem modelos de sistema ideais, falhando em quantificar explicitamente o impacto do desajuste de feixe no desempenho do sensoriamento ou em abordar as necessidades de escalabilidade de arquiteturas de beamforming híbrido e distribuído.

Metodologia
O artigo propõe um framework abrangente para calibração in situ de padrões de feixe sob uma perspectiva orientada ao sensoriamento, utilizando sinais de piloto de downlink em um cenário ISAC distribuído.

1. Modelos de Sistema e de Feixe: Os autores consideram um sistema OFDM de downlink equipado com uma estação base (BS) com um array planar uniforme e múltiplos equipamentos de usuário (UEs). Eles definem dois modelos de representação de feixe: um codebook baseado em direcionamento ideal e um modelo prático que considera limitações de hardware via um codebook aprendido ($W$) e uma matriz de ganho ($\Gamma$). A tarefa de calibração é formulada como a estimativa de $W$ e $\Gamma$ para minimizar a discrepância entre os modelos real e desajustado.
2. Métrica de Desempenho Orientada ao Sensoriamento: Diferente das métricas tradicionais baseadas em similaridade de padrão de feixe, os autores propõem uma nova métrica baseada no erro de estimativa de ângulo. Esta é derivada pelo cálculo de um vetor de parâmetros "pseudo-verdadeiro" que minimiza a divergência de Kullback-Leibler (KL) entre o modelo real e o modelo desajustado. Esta métrica reflete diretamente a degradação no desempenho do sensoriamento causada pelos erros de calibração.
3. Funções de Perda e Otimização:
   • Perda de Erro de Resposta (REL): Uma função de perda padrão que minimiza a diferença entre os padrões de feixe reconstruídos e de referência, utilizada como linha de base.
   • Perda de Erro de Ângulo (AEL): Uma função de perda diferenciável aproximada a partir da métrica baseada em sensoriamento. Ela evita o ônus computacional da otimização de nível duplo ao combinar a projeção normalizada das observações, permitindo a otimização baseada em gradiente.
4. Framework de Calibração Cooperativa: Para abordar a escalabilidade e o overhead de comunicação, uma estratégia de calibração cooperativa é introduzida. Múltiplos UEs realizam atualizações locais de calibração baseadas em seus dados recebidos e funções de perda locais. Essas atualções locais são então fundidas globalmente na BS para refinar os parâmetros globais de calibração. Esta abordagem reduz a necessidade de coleta centralizada de dados e grandes inversões de matriz.
5. Algoritmos: O artigo detalha algoritmos de otimização usando Otimização Alternada (AO) e Descida de Gradiente (GD). O método baseado em GD, particularmente quando combinado com a AEL, mostra-se eficaz para refinar os parâmetros de calibração.

Principais Contribuições

• Formulação do Problema de Calibração Cooperativa: O artigo formula um problema de calibração de feixe distribuído onde múltiplos UEs otimizam colaborativamente o padrão de feixe do array de antena da BS utilizando sinais de piloto de comunicação.
• Nova Métrica Orientada ao Sensoriamento: Introduz uma métrica de desempenho baseada no viés de estimativa de ângulo (derivada da minimização da divergência KL) em vez de simples similaridade de padrão, fornecendo uma medida mais relevante de qualidade de calibração para sistemas ISAC.
• Função de Perda Diferenciável: Uma Perda de Erro de Ângulo (AEL) diferenciável é proposta para facilitar a otimização iterativa, permitindo o refinamento da calibração baseada em comunicação para melhorar o desempenho do sensoriamento.
• Validação Experimental: Os modelos e algoritmos propostos são validados usando medições reais de padrões de feixe coletadas em uma câmara anecoica, cobrindo cenários de calibração 2D e 3D.

Resultos
Resultados experimentais usando dados medidos em uma câmara anecoica demonstram melhorias significativas na precisão da estimativa de ângulo:

• Calibração 2D: O erro de estimativa de ângulo foi reduzido de 1,01° (não calibrado) para 0,11°.
• Calibração 3D: O erro de estimativa de ângulo foi reduzido de 5,19° (não calibrado) para 0,86°.
• Comparação de Desempenho: O Modelo M4 proposto (Calibração Conjunta de Codebook e Matriz de Ganho) combinado com a função de perda baseada em AEL alcançou o melhor desempenho em termos de similaridade de feixe, erro de ângulo e perda de ganho de codebook comparado aos modelos de referência (M1-M3) e outros métodos de otimização (AO vs. GD).
• Estratégia Cooperativa: A abordagem de calibração cooperativa alcançou desempenho comparável à calibração global centralizada, enquanto reduziu significativamente o overhead de comunicação (escalando de $M \times G \times T$ para $M \times G \times N$ entradas complexas).

Significância e Alegações
O artigo afirma estabelecer uma base sólida para calibração de feixe robusta e adaptativa em futuros sistemas 6G habilitados para ISAC. Ao priorizar a precisão do sensoriamento angular sobre a similaridade de padrão tradicional, o framework proposto aborda uma lacuna crítica na literatura de calibração atual. A introdução de uma função de perda diferenciável e orientada ao sensoriamento permite o uso de algoritmos de otimização escaláveis baseados em gradiente, adequados para implementações distribuídas sob restrições de beamforming híbrido. A estratégia de calibração cooperativa demonstra que atualizações distribuídas de múltiplos UEs podem efetivamente calibrar arrays de grande escala sem o overhead de comunicação proibitivo dos métodos centralizados. Os autores observam que, embora o trabalho atual foque em cenários específicos, pesquisas futuras devem considerar algoritmos de calibração que levem em conta a propagação de múltiplos caminhos e padrões de feixe dependentes da frequência em sistemas de banda larga.