Hybrid-Field Channel Estimation for XL-MIMO Systems: Dictionary-based Sparse Signal Recovery

Resumo Técnico: Estimativa de Canal de Campo Híbrido para Sistemas XL-MIMO

Declaração do Problema
Sistemas de múltiplas entradas e múltiplas saídas de escala extremamente grande (XL-MIMO) são fundamentais para as futuras redes 6G, oferecendo ganhos significativos em eficiência espectral e resolução espacial. No entanto, as massivas aberturas de antenas em XL-MIMO criam um ambiente de propagação único onde a tradicional suposição de onda plana de campo distante (FF) falha para muitos espalhadores. Em vez disso, emerge um regime de campo híbrido (HF), caracterizado pela coexistência de ondas planas de FF e ondas esféricas de campo próximo (NF). A Informação de Estado do Canal (CSI) precisa é essencial para explorar o potencial do XL-MIMO, mas estimar canais HF é desafiador devido à necessidade de modelar simultaneamente as variações angulares e de distância.

Abordagens existentes, como os métodos de Busca por Ordem Crescente Ortogonal de Campo Híbrido (HF-OMP) e de Projeção de Gradiente Esparso (SGP), frequentemente sofrem de limitações práticas. Muitos exigem conhecimento prévio do nível de esparsidade do canal ($L$) e da razão específica entre caminhos NF e FF ($\gamma$). Outros dependem de operações computacionalmente dispendiosas, como pseudo-inversões de matriz ou passos de gradiente multidimensionais, para refinar parâmetros. Essas dependências e complexidades dificultam a implantação robusta em ambientes dinâmicos de XL-MIMO.

Metodologia
Os autores propõem um framework unificado de estimativa de canal chamado $\epsilon$-OMP–SSIGW ($\epsilon$-Orthogonal Matching Pursuit com Simplified Sparse Iterative Gridless Weighting). A abordagem modela o canal HF como uma superposição de componentes FF e NF, aproveitando a esparsidade inerente do canal tanto no domínio angular (DFT) quanto no domínio polar (ângulo-distância).

A metodologia central envolve um processo guloso e iterativo:

1. Seleção Baseada em Dicionário: Um dicionário combinado contendo tanto átomos FF (angulares) quanto NF (polares) é utilizado. Em cada iteração, o átomo mais correlacionado com o resíduo atual é selecionado.
2. Contagem de Caminhos Adaptativa: Diferente de métodos anteriores, o algoritmo não requer $L$ ou $\gamma$ como entradas. Em vez disso, emprega uma regra de parada baseada no resíduo ($\|r\|^2/N \leq \sigma^2$) para determinar automaticamente o número de caminhos significativos, tornando-o robusto a estruturas de canal desconhecidas.
3. Refinamento Simplificado (SSIGW): Uma vez que um átomo é selecionado, o método realiza um refinamento "coarse-to-fine" (do grosseiro ao fino) para mitigar o erro de grade (grid mismatch).
   • Atualização de Ganho: O ganho do caminho é atualizado usando uma solução de mínimos quadrados (LS) escalar de forma fechada derivada de uma estrutura de refinamento de coluna única, evitando pseudo-inversões de matriz.
   • Refinamento de Parâmetros: Os parâmetros angulares e de distância são refinados usando gradientes escalares atualizados via uma busca de linha de retrocesso de Armijo. Isso contrasta com trabalhos anteriores que utilizam gradientes de matriz complexos.
4. Terminação: O processo itera até que o erro quadrático médio (MSE) caia abaixo de um limiar dependente do ruído ou que um número máximo de iterações seja atingido.

Principais Contribuições

• Estimativa Cega: O método proposto opera sem conhecimento prévio do nível total de esparsidade ($L$) ou da razão de divisão de caminhos NF/FF ($\gamma$). Requer apenas uma estimativa da variância do ruído, que é praticamente obtível.
• Eficiência Computacional: Ao derivar expressões de forma fechada para atualizações de ganho e utilizar gradientes escalares para o refinamento de parâmetros, os autores reduzem significativamente a complexidade computacional por iteração em comparação com abordagens baseadas em matrizes como SGP ou variantes padrão de OMP.
• Modelo HF Unificado: O trabalho introduz um framework de estimativa unificado que lida de forma contínua com componentes FF e NF dentro de um único problema de recuperação esparsa, em vez de tratá-los como estágios sequenciais separados.
• Robustez: O algoritmo é projetado para ser robusto contra desajustes de variância de ruído e erros de discretização de grade através de seu mecanismo de refinamento iterativo.

Resultos
Simulações numéricas foram conduzidas sob condições de Não-Linha de Visada (NLoS) e mistas de Linha de Visada/Não-Linha de Visada (LoS/NLoS), comparando o $\epsilon$-OMP–SSIGW com oito benchmarks de última geração, incluindo LS, MMSE, variantes de HF-OMP e métodos HF-SGP.

• Precisão: O estimador proposto alcançou o menor Erro Quadrático Médio Normalizado (NMSE) em toda a faixa de Relação Sinal-Ruído (SNR) em cenários LoS e NLoS. Ele superou notavelmente métodos que exigiam conhecimento prévio de $L$ e $\gamma$.
• Complexidade: Embora o $\epsilon$-OMP–SSIGW refinado incorra em um overhead ligeiramente maior do que o $\epsilon$-OMP básico, ele permanece significativamente mais rápido que o HF-SGP e as variantes de HF-OMP baseadas em busca exaustiva. O tempo de execução mostrou-se independente da SNR e dominado por operações de matriz fixas.
• Adaptabilidade: As simulações confirmaram que o estimador adapta corretamente o número de caminhos detectados ($L_{est}$) com base na SNR e nos critérios de resíduo, validando sua capacidade de funcionar sem a entrada explícita de $L$.

Significância
O artigo afirma que o framework $\epsilon$-OMP–SSIGW oferece uma solução prática e computacionalmente eficiente para a estimativa de canal HF em sistemas XL-MIMO. Ao eliminar a necessidade de conhecimento prévio da esparsidade do canal e das razões de caminho, e ao simplificar as operações matemáticas necessárias para o refinamento, o método atinge um compromisso superior entre desempenho e complexidade. Os autores postulam que isso torna o estimador particularmente adequado para implantação real, onde as características do canal são dinâmicas e desconhecidas. O trabalho estabelece as bases para extensões futuras para equipamentos de usuário multi-antena, geometrias de array gerais (UPA) e modelagem de impedimentos de hardware.