Resumo Técnico: Posicionamento Baseado Apenas em Fase em MIMO Distribuído sob Perturbações de Fase

1. Definição do Problema

O posicionamento por fase de portadora (CPP) oferece o potencial para precisão em nível de centímetros em sistemas sem fio de próxima geração, utilizando exclusivamente observações de fase de portadora, sem depender de medições de tempo de chegada (ToA) ou de diferença de tempo de chegada (TDoA). Embora a literatura recente sugira que uma alta precisão é alcançável em redes de MIMO distribuído (D-MIMO) usando medições apenas de fase, implementações práticas enfrentam desafios significativos. Especificamente, erros de sincronização de fase entre pontos de antena (APs) distribuídos degradam inerentemente o desempenho. Além disso, as redes de próxima geração exigem conformidade estrita com a latência, necessitando de redução na complexidade do modelo. Métodos existentes frequentemente falham em abordar adequadamente o impacto combinado dos erros de sincronização de fase e a carga computacional de processar todas as combinações de ambiguidade disponíveis em sistemas D-MIMO.

2. Metodologia

O artigo propõe um framework de Função de Gerenciamento de Localização (LMF) baseado em aprendizado, denominado DLMF (Distributed LMF), que integra aprendizado profundo (DL) com um método de interseção de hipérbolas para alcançar um posicionamento robusto e de alta precisão sob perturbações de fase. A metodologia consiste em três componentes primários:

2.1 Modelo de Sistema e Medições Diferenciais

O sistema assume uma configuração de uplink com $I$ APs espacialmente distribuídos e um Equipamento de Usuário (UE) em uma posição desconhecida $x_{ue}$. A fase do sinal recebido no $i$-ésimo AP é modelada para incluir distância dependente de comprimento de onda, perturbações de fase entre o DLMF e os APs, offsets de fase UE-DLMF, ambiguidade inteira e ruído de medição.
Para mitigar offsets de fase comuns, o sistema utiliza medições diferenciais entre um AP de referência ($i=0$) e outros APs ($m \in \{1, \dots, I-1\}$). Essas medições diferenciais correspondem geometricamente a conjuntos de hipérbolas parametrizadas por diferenças de ambiguidade inteira ($\Delta z_m$).

2.2 Interseção de Hipérbolas com Estimativa de Ambiguidade

O modelo de localização central adota o método de interseção de hipérbolas, compreendendo:

1. Estimador de Ambiguidade Diferencial: Um Perceptron Multicamadas (MLP) que estima o vetor de ambiguidades diferenciais ($\Delta \hat{z}$) a partir das medições de fase diferencial.
2. Solucionador de Gradiente Descendente (GD): Um solucionador iterativo que refina a estimativa de posição do UE utilizando as distâncias diferenciais estimadas. Ele minimiza uma função de custo quadrática ao longo de $T$ iterações.

2.3 Seleção de AP Baseada em Aprendizado Profundo

Para abordar a complexidade computacional e otimizar a precisão, o artigo introduz uma rede neural (NN) para Seleção Adaptativa de AP. Em vez de estimar todos os pares de ambiguidade possíveis, o sistema seleciona um par ideal de duas ambiguidades ($\Delta z_a, \Delta z_b$) para minimizar o erro de posicionamento.

• Recursos de Entrada: A NN utiliza um vetor de características $F \in \mathbb{R}^{8I}$, concatenando:
  • Características baseadas em medição: Medições de fase diferencial ($\delta$) e valores de Relação Sinal-Ruído (SNR) em cada AP.
  • Características baseadas em geometria: Distâncias e ângulos relativos ao AP de referência, ao vizinho mais próximo e ao AP mais distante.
• Arquitetura da Rede: Um MLP com uma camada de entrada de tamanho $8I$, cinco camadas ocultas (tamanhos $A, 2A, 4A, 2A, A$) e uma camada de saída de tamanho $\binom{I-1}{2}$. A rede prevê o erro de posicionamento para cada par de ambiguidade.
• Estratégia de Seleção: O par $(a^*, b^*)$ correspondente ao erro previsto mínimo é selecionado para o solver GD.

3. Principais Contribuições

• Robustez a Erros de Sincronização de Fase: O estudo demonstra que treinar o estimador de ambiguidade em dados que refletem perturbações de fase permite que o método de interseção de hipérbolas mantenha alta precisão mesmo na presença de erros de sincronização.
• Seleção de AP Impulsionada por DL: O artigo introduz um framework inovador que utiliza uma rede neural profunda para selecionar o par ideal de pontos de antena para estimativa de ambiguidade. Esta abordagem aproveita tanto as medições de sinal quanto a geometria de implantação para evitar escolhas de pares subótimas.
• Redução de Complexidade: Ao restringir o processo de localização a apenas duas ambiguidades selecionadas (em vez de todas as disponíveis) e usar o modelo DL para guiar essa seleção, o framework reduz significativamente a carga computacional sem sacrificar a precisidade.

4. Resultados de Simulação

As simulações foram conduzidas em uma área de $100 \text{ m}^2$ com $I=9$ APs distribuídos, emulando uma topologia D-MIMO.

• Precisão sob Perturbação: Quando treinado em dados com perturbações de fase (desvio padrão $\sigma$), o modelo manteve uma precisão de estimativa de ambiguidade geral acima de 99% e um erro de posicionamento de percentil 95 abaixo de 0,5 cm, mesmo quando testado em conjuntos de dados com níveis variados de perturbação.
• Desempenho de Seleção de AP: O método de seleção baseado em DL proposto superou significativamente os benchmarks, incluindo Seleção Aleatória, Seleção de Max-SNR e o uso de todas as ambiguidades (Sem seleção).
  • Os benchmarks Max-SNR e Aleatório resultaram em severa degradação de precisão (erros de percentil 95 de ~509 cm e ~551 cm, respectivamente).
  • O Método Proposto alcançou um erro de percentil 95 de 0,26 cm, aproximando-se de perto do subconjunto de verdade fundamental ("ground-truth") alcançável (0,14 cm).
• Complexidade: O framework proposto reduziu a complexidade de inferência total em aproximadamente 19,7% em comparação com o uso de todas as ambiguidades, mantendo uma precisão superior em relação aos métodos que não utilizam seleção ou que utilizam estratégias de seleção ingênuas.

5. Significância e Alegações

O artigo afirma que o posicionamento baseado apenas em fase de portadora, quando aumentado com soluções de aprendizado profundo, é um viabilizador viável para localização confiável e de alta precisão em implantações realistas de D-MIMO para 6G. A significância do trabalho reside em:

1. Robustez Prática: Abordar e mitigar explicitamente os erros de sincronização de fase, um impedimento prático crítico frequentemente negligenciado em estudos teóricos de CPP.
2. Eficiência: Demonstrar que a seleção adaptativa de AP pode reduzir a complexidade computacional (FLOPs) enquanto simultaneamente melhora a precisão do posicionamento ao evitar escolhas de pares de ambiguidade ruins.
3. Viabilizador Futuro: Posicionar esta abordagem orientada por aprendizado como um componente chave para futuros sistemas 6G, com os autores observando que trabalhos futuros estenderão o framework para cenários de multicaminho e tridimensionais.

Os autores permanecem modestos quanto ao escopo atual, reconhecendo que o estudo foca em propagação de linha de visada (LoS) e que o impacto das incertezas de posição dos APs requer investigação adicional.