Gridless Full-Space DOA Estimation for STAR-RIS-Assisted Wireless Systems

Definição do Problema

O artigo aborda o desafio da estimativa precisa de Direção de Chegada (DOA - Direction-of-Arrival) em sistemas de Sensoriamento e Comunicação Integrados (ISAC) que utilizam Superfícies Reconfiguráveis Inteligentes de Transmissão e Reflexão Simultâneas (STAR-RIS). Diferente das superfícies RIS convencionais de apenas reflexão, limitadas a um único hemisfério (0°–180°), as STAR-RISs permitem cobertura de espaço total (0°–360°) ao transmitir e refletir sinais simultaneamente.

A dificuldade central reside no modelo de observação acoplado. Em sistemas STAR-RIS, o sinal recebido é uma superposição de contribuições tanto do espaço de reflexão (RS) quanto do espaço de transmissão (TS). Estimadores de DOA convencionais (ex: MUSIC, ESPRIT) ou métodos de reconstrução esparsa (ex: OMP, SBL) tipicamente processam esses subespaços de forma independente ou tratam a contribuição do subespaço oposto como interferência não modelada. Isso leva a um viés estruturado que não pode ser eliminado aumentando a Relação Sinal-Ruído (SNR) ou refinando a grade de busca angular. Além disso, o sistema opera com uma única cadeia de sensoriamento de RF, o que limita a disponibilidade de snapshots estacionários repetidos exigidos por métodos baseados em covariância, uma vez que a configuração da STAR-RIS muda ao longo dos intervalos de tempo.

Metodologia

Os autores propõem uma abordagem sem grade (gridless) que explora a estrutura de Taxa de Inovação Finita (FRI - Finite Rate of Innovation) inerente ao modelo de sinal da STAR-RIS.

1. Modelagem de Sinal:

   • O sinal recebido é modelado como uma superposição de exponenciais complexas indexadas pelas DOAs desconhecidas.
   • Os autores derivam um mapeamento determinístico entre os coeficientes de reflexão e transmissão dos elementos da STAR-RIS, mostrando que a saída agregada admite uma representação de baixo posto estruturada.
   • Dois cenários são considerados:
     • Uniforme por Elemento: Todos os elementos compartilham parâmetros de divisão de energia idênticos.
     • Não Uniforme por Elemento: Os parâmetros de divisão de energia variam entre os elementos (um caso mais geral e prático).

2. Estrutura Algébrica (Filtros Aniquiladores):

   • O problema é formulado como a recuperação de um vetor FRI latente a partir de medições comprimidas.
   • O vetor de sinal satisfaz um conjunto de equações lineares definidas por um polinômio aniquilador (ou filtro aniquilador). As raízes deste polinômio correspondem às DOAs.
   • Esta estrutura permite a construção de uma matriz de Hankel em blocos onde o posto é determinado pelo número de fontes ($K$).

3. Algoritmos de Recuperação:

   • Algoritmo 1 (Caso Uniforme): Utiliza um framework de Gradiente de Proximidade (PGD) com projeções alternadas. Ele impõe uma restrição de posto-$K$ em uma matriz de Hankel em blocos empilhada, derivada de um único modelo de sinal unificado.
   • Algoritmo 2 (Caso Não Uniforme): Introduz uma estratégia de levantamento pareado (paired lifting strategy). Em vez de um único modelo unificado, constrói-se uma matriz de Hankel concatenada horizontalmente que modela separadamente os subespaços de reflexão e transmissão, enquanto impõe uma restrição conjunta de baixo posto. Isso preserva a estrutura algébrica mesmo quando os coeficientes de divisão de energia são não uniformes.
   • Ambos os algoritmos recuperam o vetor de sinal latente e, em seguida, extraem as DOAs via busca de raízes no polinômio aniquilador, selecionando as raíções mais próximas do círculo unitário.

4. Limites de Desempenho:

   • Um Limite de Ziv-Zakai (ZZB) é derivado para o modelo acoplado de espaço total. Este limite contabiliza explicitamente o termo de acoplamento entre subespaços induzido pela transmissão e reflexão simultâneas, fornecendo um benchmark teórico para o erro quadrático médio mínimo (MSE) em toda a faixa de SNR.

Principais Contribuições

1. Modelo de Sensoriamento Unificado de Espaço Total: O artigo estabelece um modelo unificado que contabiliza rigorosamente o acoplamento entre as respostas de reflexão e transmissão, cobrindo configurações de divisão de energia uniformes e não uniformes.
2. Estimativa Baseada em FRI Sem Grade: Demonstra que o modelo acoplado da STAR-RIS admite uma estrutura FRI, permitindo a estimativa angular sem discretização angular ou estimativa de covariância.
3. Framework de Recuperação Estruturada: Os autores desenvolvem solucionadores baseados em PGD com projeções alternadas em conjuntos de Hankel em blocos. Eles fornecem condições de estabilidade local para o passo de atualização (step-size) e parâmetros de levantamento para garantir a convergência.
4. Extensão para Configurações Não Uniformes: Uma estratégia de levantamento de bloco estruturado é introduzida para configurações não uniformes, resolvendo o piso de viés de alta SNR que afeta métodos que ignoram a estrutura de acoplamento de espaço total.
5. Benchmarking Teórico: A derivação de um ZZB de espaço total acoplado fornece um limite de desempenho que captura os benefícios do acoplamento de informação entre subespaços.

Resultados Numéricos

Simulações foram conduzidas com $N=16$ elementos e $K=4$ usuários (2 em RS, 2 em TS).

• Precisão: Os métodos propostos (M1 para uniforme, M2 para não uniforme) superam consistentemente as linhas de base baseadas em grade (FFT, OMP, SBL). Eles alcançam precisão de sub-grau dentro de $\pm 60^\circ$ do eixo central (boresight).
• Desempenho de Alta SNR:
  • No cenário uniforme, ambos os métodos propostos aproximam-se do ZZB e não apresentam piso de erro.
  • No cenário não uniforme, o M2 (levantamento pareado) supera significativamente o M1 e as linhas de base. Enquanto o M1 degrada devido ao descasamento do modelo, o M2 mantém a precisão, embora um leve piso de erro de alta SNR persista devido à natureza aproximada da estrutura de Hankel pareada em configurações não uniformes.
  • As linhas de base (FFT/OMP/SBL) exibem um piso de erro de alta SNR persistente mesmo a 30 dB de SNR, pois tratam o subespaço oposto como interferência, um viés que o refinamento de grade não consegue remover.
• Robustez: Os métodos mantêm uma probabilidade de sucesso alta (próxima de 1.0) para ângulos dentro de $[-60^\circ, 60^\circ]$ (representação de semiespaço). O desempenho degrada próximo aos ângulos de incidência rasante (grazing angles, caso coplanar), consistente com as limitações clássicas de arrays.
• Custo Computacional: Os métodos propostos têm custos computacionais comparáveis ou ligeiramente superiores aos métodos baseados em grade, mas permanecem eficientes (convergindo em cerca de 45 iterações). O M2 é mais exigente computacionalmente que o M1 devido ao tamanho maior da matriz de levantamento.
• Dependência de Abertura: Os métodos baseados em FRI/Hankel mostram uma dependência mais forte do número de elementos ($N$) do que as linhas de base. Aberturas maiores melhoram significativamente seu desempenho ao fortalecer a restrição de baixo posto, enquanto as linhas de base mostram apenas melhorias marginais quando $N > K$.

Significância e Alegações

O artigo afirma que o framework proposto é particularmente significativo para arquiteturas de sensoriamento STAR-RIS de baixo custo utilizando uma única cadeia de RF, onde métodos tradicionais baseados em covariância falham devido à falta de snapshots estacionários.

• Superação do Viés: A principal contribuição é a eliminação do viés estruturado causado pelo tratamento da observação de espaço total acoplada como dois subespaços independentes. Ao modelar explicitamente o acoplamento reflexão-transmissão, os métodos propostos evitam os pisos de erro de alta SNR inerentes às abordagens convencionais.
• Praticidade: O trabalho aborda tanto configurações de hardware idealizadas (uniformes) quanto práticas (não uniformes), oferecendo uma solução unificada que se adapta ao design específico de divisão de energia da STAR-RIS.
• Limitações: Os autores reconhecem modestamente duas limitações:
  1. Degradação de desempenho próximo aos ângulos de incidência rasante, que é uma limitação fundamental da estimativa de DOA baseada em arrays.
  2. Um piso de erro residual em cenários altamente não uniformes, atribuído à natureza aproximada da estrutura de Hankel pareada, e não ao ruído.
• Trabalhos Futuros: O artigo nota que o framework atual assume um modelo de caminho único e ganhos invariantes no tempo. A extensão da abordagem para ambientes de múltiplos caminhos e canais variantes no tempo é identificada como uma direção natural para pesquisas futuras.