Resumo Técnico: Estimativa Conjunta de ToA e DoA em Shot Único para Ranging BLE Baseado em VAA com Ambiguidade de Fase

1. Declaração do Problema

A estimativa precisa de Direção de Chegada (DoA) e Tempo de Chegada (ToA) é crítica para a localização sem fio. Embora métodos clássicos de super-resolução (ex: MUSIC) tenham um bom desempenho em arrays físicos de múltiplas antenas, eles são frequentemente impraticáveis para dispositivos Bluetooth Low Energy (BLE) com restrições de tamanho e custo. Técnicas de Array de Antena Virtual (VAA) oferecem uma solução ao sintetizar diversidade espacial a partir de medições de antena única realizadas ao longo de uma trajetória de receptor.

No entanto, aplicar VAA ao ranging de BLE enfrenta dois desafios primários:

1. Limitações da Resposta em Frequência do Canal (CFR) de Duas Vias: O ranging de BLE tipicamente constrói uma CFR de duas vias para cancelar offsets de Oscilador Local (LO) e de sincronização via produto de Hadamard. Embora isso remova os offsets de fase, exacerba os efeitos de multicaminho e reduz a Relação Sinal-Ruído (SNR).
2. Ambiguidade de Fase Binária: Recuperar a CFR de uma via a partir da CFR de duas vias requer uma operação de raiz quadrada elemento a elemento. Isso introduz uma ambiguidade de fase binária $\{ \pm 1 \}$ que, se não resolvida, degrada severamente o desempenho da estimativa de ToA e DoA.
3. Geometria Não Uniforme: Ao contrário de arrays lineares uniformes, os VAAs formados por trajetórias de usuários costem ter geometrias irregulares, complicando o processamento de sinais de array tradicional e tornando ineficazes as heurísticas de resolução de ambiguidade existentes (projetadas para arrays uniformes).

Abordagens existentes frequentemente assumem múltiplos snapshots ou estruturas de array uniformes e falham em abordar as restrições específicas das medições de shot único de BLE e a ambiguidade binária inerente da recuperação por raiz quadrada.

2. Metodologia

Os autores propõem um framework unificado que integra a modelagem VAA com o processamento de CFR de duas vias de BLE, acoplado a um mecanismo de recuperação de fase baseado em aprendizado profundo.

Modelo de Sistema

O sistema considera um cenário BLE SISO (Single-Input Single-Output) de multicarrier onde um Usuário (UE) move-se ao longo de uma trajetória para formar um VAA.

• Modelo de Sinal: O sinal recebido é modelado como uma soma de componentes de multicaminho, onde o coeficiente do canal inclui amplitude, fase inicial e um deslocamento de fase espacial dependente do deslocamento ($d_n$) e direção ($\phi_n$) do UE.
• Construção da CFR de Duas Vias: Para cancelar os offsets de LO, o sistema forma uma CFR de duas vias ($\hat{Y}$) ao realizar o produto de Hadamard das respostas de canal direta ($Y^{(R)}$) e reversa ($Y^{(I)}$). Esta operação cancela a matriz de fase $\Phi$ do LO, mas introduz um termo de canal ao quadrado e ruído.
• Introdução de Ambiguidade: A CFR de uma via é recuperada via $(\hat{Y})^{1/2} = Y \circ N$, onde $N$ é uma matriz binária com elementos $\{1, -1\}$ representando a ambiguidade de fase desconhecida.

Recuperação de Fase Baseada em Aprendizado Profundo

Para resolver a matriz de ambiguidade binária $N$, o artigo propõe um Algoritmo de Rede Neural Dupla com um mecanismo de votação:

1. Preditores Duplos: Duas arquiteturas U-Net são empregadas:
   • Uma rede por linha ($f_{row}$) prevê os sinais ao longo da dimensão espacial (posições das antenas).
   • Uma rede por coluna ($f_{col}$) prevê os sinais ao longo da dimensão de frequência (subportadoras).
   • Ambas as redes produzem probabilidades para a consistência de sinal em relação ao primeiro elemento de suas respectivas linhas ou colunas.
2. Treinamento: As redes são treinadas usando aprendizado supervisionado com perda de entropia cruzada, utilizando rótulos de verdade fundamental (ground-truth) derivados das relações de sinal conhecidas nos dados simulados.
3. Mecanismo de Votação:
   • O preditor por linha foi identificado empiricamente como mais confiável devido ao espaçamento fixo das subportadoras versus a trajetória aleatória do VAA.
   • O algoritmo impõe consistência com as predições por linha.
   • Para cada linha $n$, o sinal do primeiro elemento é determinado agregando estimativas candidatas de todas as colunas usando votação por maioria.
   • Uma vez que o primeiro elemento de cada linha é resolvido, toda a matriz de ambiguidade $N$ é reconstruída usando as predições por linha.

Estimativa de Parâmetros

Uma vez que a matriz de ambiguidade $N$ é recuperada, a CFR de uma via corrigida ($\tilde{Y}$) é obtida. Um algoritmo MUSIC 2D é então aplicado a esses dados corrigidos para estimar o ToA e o DoA, computando o pseudoespectro e identificando picos.

3. Principais Contribuições

• Modelo Unificado VAA-BLE: O artigo estabelece um modelo de sinal unificado que combina a diversidade espacial VAA com a construção de CFR de duas vias de BLE, contabilizando explicitamente a ambiguidade de fase binária introduzida durante a recuperação da CFR de uma via.
• Framework de Votação Neural: Introduz uma nova abordagem de aprendizado profundo que decompõe a tarefa de resolução de ambiguidade em predição por linha e por coluna, fundindo-as via um mecanismo de votação para lidar robustamente com geometrias de array não uniformes.
• Capacidade de Shot Único: O método proposto permite a estimativa conjunta de ToA e DoA a partir de medições de shot único, abordando uma limitação de trabalhos anteriores que dependiam de múltiplos snapshots.
• Desempenho sob Não-Uniformidade: A abordagem é especificamente projetada para funcionar efetivamente sob geometrias de VAA irregulares, onde métodos tradicionais de continuidade falham.

4. Resultados de Simulação

Os autores avaliaram o método em um cenário 2D (40m $\times$ 40m) com um UE movendo-se ao longo de uma trajetória para formar um VAA de $N=16$ elementos e $M=80$ subportadoras. O canal incluiu 1 caminho de Linha de Visão (LoS) e 1–3 caminhos de Não-Linha de Visão (NLoS).

• Comparações: O método proposto foi comparado contra:
  1. MUSIC de CFR de duas vias (sem resolução de ambiguidade).
  2. Uma abordagem baseada em continuidade de fase para resolução de ambiguidade (projetada para arrays uniformes).
  3. O limite inferior de Cramér–Rao (CRLB) teórico.
• Métricas de Desempenho: Erro Quadrático Médio (MSE) para estimativa de DoA e ToA através de vários níveis de SNR.
• Descobertas:
  • O método proposto superou significativamente ambos os baselines em todos os níveis de SNR.
  • A abordagem de continuidade de fase falhou completamente sob geometrias não uniformes, resultando em grandes erros de estimativa.
  • O MSE do estimador proposto aproximou-se do CRLB em SNR $\geq 5$ dB, demonstrando eficiência estatística.
  • O método alcançou precisão superior de ToA e DoA, particularmente em regimes de SNR baixo a moderado.

5. Significância e Alegações

O artigo afirma que, ao integrar a modelagem VAA com uma estratégia de votação neural assistida por aprendizado, é possível resolver a ambiguidade de fase binária inerente à recuperação de CFR de duas vias de BLE. Isso permite a aplicação de algoritmos de super-resolução como o MUSIC em dispositivos BLE de antena única e recursos limitados. Os autores asseguram que sua abordagem fornece uma alternativa de alta fidelidade e custo-eficiente para arrays físicos de múltiplas antenas, alcançando uma precisão de estimativa próxima da ótima mesmo na presença de multicaminho e geometrias de array não uniformes.