Near-Field NLOS Localization via Position-Unknown HRIS:From Self-Localization to Target Positioning

Resumo Técnico: Localização de Alvos em Campo Próximo via HRIS de Posição Desconhecida

1. Problema e Motivação

O artigo aborda um desafio crítico na localização de alvos em Campo Próximo (Near-Field - NF) em cenários de Não Linha de Visada (NLOS) para redes 6G.

• Limitação Atual: Métodos existentes de localização assistida por Superfícies Inteligentes Reconfiguráveis (RIS) assumem que a posição do RIS é conhecida a priori. Sem esse conhecimento, a base de estação (BS) não pode estabelecer a relação geométrica necessária para localizar alvos, tornando a localização eficaz extremamente difícil.
• Desafios Específicos:
  1. Acoplamento de Parâmetros: Em campo próximo, os modelos de onda esférica acoplam fortemente ângulo e alcance, dificultando a estimativa separada.
  2. Erro de Modelo: A aproximação de Fresnel, usada para simplificar modelos, introduz viés sistemático que degrada a precisão, especialmente em altas relações sinal-ruído (SNR).
  3. Localização do Próprio RIS: Determinar a posição do RIS (auto-localização) sem conhecimento prévio, usando apenas sinais recebidos de múltiplas estações base, envolve problemas geométricos complexos e ambiguidades.
  4. Otimização de Fase Circular: Otimizar a fase do RIS para melhorar a localização requer conhecer a posição do RIS, que é justamente o que se tenta estimar.

2. Metodologia Proposta

Os autores propõem um framework de localização sem grade (gridless) em dois estágios, utilizando uma Superfície Inteligente Híbrida (HRIS). A HRIS é capaz de receber e refletir sinais simultaneamente, o que permite quebrar o acoplamento entre a localização do alvo e a localização do RIS.

Estágio 1: Estimativa de Parâmetros Relativos e Auto-localização da HRIS

• Construção de Dados Virtuais de Campo Longo: Utilizando a aproximação de Fresnel e correlação cruzada baseada em atraso entre elementos simetricamente centrais da HRIS, o modelo de sinal de campo próximo é convertido em um modelo virtual de campo longo. Isso expande a abertura da antena virtual.
• Estimativa de Ângulo e Alcance:
  • Propõe-se um algoritmo de Minimização de Norma Atômica Desacoplada (DANM) de single-snapshot para estimar os ângulos 2D (elevação e azimute) do alvo em relação à HRIS, com pareamento automático.
  • O método MUSIC é utilizado para estimar o alcance.
  • Correção via Mínimos Quadrados Totais (TLS): Para eliminar o viés introduzido pela aproximação de Fresnel, aplica-se uma correção baseada no modelo exato de campo próximo, refinando as estimativas de ângulo e alcance.
• Auto-localização da HRIS:
  • A HRIS utiliza sua capacidade de recepção para estimar os vetores de direção em relação a duas estações base (BSs).
  • Utiliza-se a Minimização de Norma Atômica (ANM) para estimar os ângulos de chegada.
  • A posição 3D da HRIS é determinada através de triangulação geométrica baseada em Mínimos Quadrados (LS) utilizando as informações de duas BSs.

Estágio 2: Otimização de Fase e Posicionamento Absoluto

• Otimização de Fase (SDR): Propõe-se um método de otimização de fase da HRIS baseado em Relaxação Semidefinida (SDR) e randomização gaussiana. O objetivo é maximizar a potência do sinal recebido nas BSs, melhorando a precisão da auto-localização da HRIS e, consequentemente, a localização dos alvos.
• Conversão de Coordenadas: Com a posição da HRIS conhecida (após o Estágio 1) e os parâmetros do alvo estimados em relação à HRIS, as coordenadas absolutas dos alvos são calculadas.

3. Contribuições Principais

1. Framework de Localização sem Conhecimento Prévio: É a primeira abordagem que permite a localização de alvos em campo próximo NLOS sem assumir que a posição do RIS é conhecida, explorando a dualidade de recepção/reflexão da HRIS.
2. Algoritmo DANM de Single-Snapshot: Desenvolvimento de um método eficiente para estimar ângulos 2D em modelos virtuais de campo longo, desacoplando as dimensões para reduzir complexidade computacional.
3. Correção de Viés (TLS): Introdução de uma etapa de correção baseada em Mínimos Quadrados Totais que mitiga o erro sistemático da aproximação de Fresnel, permitindo que o desempenho se aproxime do limite teórico (CRB) em altas SNRs.
4. Otimização de Fase Iterativa: Um método para otimizar a configuração de fase da HRIS para maximizar a informação de Fisher, melhorando a precisão da auto-localização e do posicionamento do alvo.
5. Análise Teórica: Derivação das Limites de Cramér-Rao (CRB) para os parâmetros do alvo e do Limite de Erro de Posição (PEB) para a HRIS, servindo como benchmarks de desempenho.

4. Resultados de Simulação

As simulações validam a eficácia do framework proposto:

• Precisão de Parâmetros: O algoritmo combinado DANM + TLS supera significativamente o DANM padrão, especialmente em altas SNRs, eliminando o "piso de erro" (error floor) causado pelo viés da aproximação de Fresnel.
• Robustez: O método mantém alta precisão na estimativa de ângulos e alcances para múltiplos alvos em campo próximo.
• Auto-localização: A triangulação baseada em LS com estimativas de ângulo via ANM permite localizar a HRIS com alta precisão.
• Impacto da Otimização de Fase: A otimização via SDR melhora consistentemente a precisão da estimativa de ângulos da HRIS e, por efeito cascata, reduz o erro de posição dos alvos finais, aproximando-se dos limites teóricos (CRB/PEB).
• Configuração Geométrica: Os resultados confirmam que a precisão depende criticamente da separação angular entre as BSs vistas pela HRIS (evitando colinearidade).

5. Significado e Impacto

Este trabalho é fundamental para a evolução das redes 6G e sistemas de sensoriamento por rádio:

• Viabilidade Prática: Remove a necessidade de infraestrutura de posicionamento precisa ou calibração laboriosa para RISs, permitindo implantação flexível e rápida (ex.: em drones ou cenários de emergência).
• Expansão de Cenários: Permite o uso de RIS para sensoriamento em ambientes dinâmicos externos onde a posição do RIS não pode ser garantida ou conhecida.
• Eficiência Espectral e de Hardware: Demonstra como a HRIS pode ser usada simultaneamente para comunicação e sensoriamento de alta precisão, superando as limitações de modelos de campo distante e viés de aproximação.

Em resumo, o artigo estabelece um novo paradigma para o posicionamento em campo próximo, transformando a incerteza da posição do RIS de um obstáculo intransponível em uma variável estimável através de processamento de sinal avançado e arquiteturas híbridas.