Uplink Channel Estimation for Multi-User MISO Systems Assisted by a Fluid Reconfigurable Intelligent Surface

Resumo Técnico: Estimativa de Canal de Enlace Ascendente para Sistemas MISO Multi-usuário Assistidos por uma Superfície Inteligente Reconfigurável Fluida

Enunciação do Problema
Superfícies Inteligentes Reconfiguráveis Fluidas (FRISs) representam um paradigma emergente onde elementos refletivos podem selecionar dinamicamente suas posições de radiação efetivas a partir de uma grade pré-definida densa, oferecendo diversidade espacial com menos elementos físicos em comparação com RISs convencionais. No entanto, a Informação de Estado do Canal (CSI) precisa é crítica para explorar esses ganhos. Enquanto a estimativa de canal (CE) em sistemas RIS convencionais é desafiada por não idealidades de hardware, sistemas assistidos por FRIS enfrentam complexidades adicionais devido à estrutura de canal bilinear em cascata e, crucialmente, a incertezas de posição. Essas incertezas surgem de imprecisões de calibração ou erros de movimento, levando a incompatibilidades entre as posições dos elementos comandadas e as realizadas. Até onde se sabe dos autores, a CE para sistemas assistidos por FRIS sob tal incerteza de posição não foi anteriormente explorada na literatura.

Metodologia
O artigo propõe uma estrutura de CE para um sistema MISO de enlace ascendente multi-usuário onde $Q$ usuários com antena única comunicam-se com uma estação base (BS) via uma FRIS composta por $M$ elementos fluidos. O sistema opera sob um protocolo de configuração de FRIS de duas escalas de tempo:

1. Deslocamentos de Fase: Deslocamentos de fase eletrônicos ($\phi$) permanecem fixos ao longo de $K$ blocos dentro de um subquadro, mas variam entre subquadros.
2. Posições dos Elementos: Posições refletivas controladas ($t$) variam entre blocos, mas são repetidas ao longo de subquadros.

O sinal recebido é modelado como um tensor de quarta ordem, que admite uma decomposição em Fator Paralelo (PARAFAC). Os autores abordam dois cenários distintos:

• Cenário 1: Realização de Movimento Perfeita (Idealizada)
  Assumindo que as posições realizadas correspondem às comandadas, o objetivo é estimar os canais individuais ($G$ e $H$) dadas as matrizes de movimento ($T$) e fase ($\Phi$) conhecidas. Os autores formulam um problema de mínimos quadrados (LS) e utilizam Fatorização de Khatri-Rao (KRF) para desacoplar a estimativa de canal combinada ($\hat{\Theta}$) em componentes de canal individuais ($G$ e $H$). Essa abordagem aproveita as propriedades de remoção de ruído da KRF.

• Cenário 2: Incerteza de Movimento (Realista)
  Quando ocorrem incompatibilidades de posição devido a erros de movimento, a matriz de movimento $T$ é tratada como desconhecida. Os autores propõem uma estrutura de estimação conjunta para recuperar simultaneamente a matriz de movimento $T$ e as matrizes de canal $G$ e $H$.

  • O problema é formulado como a minimização do erro entre os dados observados e um modelo envolvendo o produto de Khatri-Rao de $T$, $G^T$ e $H$.
  • A solução emprega fatorização de Khatri-Rao de mínimos quadrados multidimensional. Especificamente, as colunas do tensor combinado estimado são aproximadas como tensores de posto um.
  • Uma Decomposição em Valores Singulares de Ordem Superior (HOSVD) truncada de posto um é aplicada para extrair os vetores singulares dominantes, produzindo as estimativas para $\hat{T}$, $\hat{G}$ e $\hat{H}$.

Contribuições Principais

1. Estrutura Inovadora: Este trabalho apresenta a primeira estrutura de CE conhecida para sistemas assistidos por FRIS que leva explicitamente em conta a incerteza de posição dos elementos.
2. Modelagem Tensorial: Os autores derivam uma solução algébrica de forma fechada baseada em modelagem tensorial (decomposição PARAFAC) que captura tanto os deslocamentos de fase de reflexão quanto as dinâmicas de movimento dos elementos.
3. Algoritmo de Estimação Conjunta: Um algoritmo específico é proposto para estimar conjuntamente os coeficientes de fase induzidos pelo movimento e as matrizes de canal individuais, abordando o desafio de desvios de posição desconhecidos.
4. Análise de Dois Cenários: O artigo compara sistematicamente o desempenho sob movimento idealizado (onde $T$ é conhecido) versus incerteza de movimento realista (onde $T$ é cega/desconhecida).

Resultados de Desempenho
Simulações numéricas avaliam o Erro Quadrático Médio Normalizado (NMSE) do canal combinado sob diferentes Relações Sinal-Ruído (SNR) e magnitudes de erro de posição ($\sigma_{pos}$):

• Movimento Ideal: Na ausência de erros de movimento, o método KRF proposto supera os métodos LS padrão e aproxima-se do desempenho de sistemas RIS estáticos clássicos, beneficiando-se das capacidades de desacoplamento e remoção de ruído da KRF.
• Incerteza de Movimento: Quando erros de posição estão presentes (por exemplo, $\sigma_{pos} = \lambda/20$), métodos que ignoram esses erros (usando $T$ incompatível) sofrem degradação significativa de desempenho. O método de estimação conjunta proposto permanece robusto, mitigando efetivamente o impacto de desvios de movimento desconhecidos e alcançando níveis de desempenho comparáveis ao caso de movimento idealizado e a benchmarks de RIS estático.
• Robustez: O método proposto demonstra resiliência contra níveis crescentes de erro de posição, enquanto esquemas que negligenciam a estimação de movimento falham em manter a precisão.

Significado e Alegações
O artigo afirma que a estimativa de canal precisa em sistemas FRIS é fundamentalmente prejudicada por incertezas de posição, um fator anteriormente não abordado na literatura. Ao introduzir um protocolo de duas escalas de tempo e uma estrutura de estimação conjunta baseada em tensores, os autores demonstram que é possível alcançar CSI precisa mesmo quando as posições dos elementos se desviam dos valores comandados. O trabalho destaca que tratar a matriz de movimento como uma variável desconhecida a ser estimada conjuntamente é essencial para manter o desempenho do sistema em cenários de implantação realista onde erros de calibração e movimento são inevitáveis. Os autores observam que a versão completa do artigo elaborará ainda mais sobre condições de identificabilidade, complexidade computacional e o impacto dos parâmetros do sistema (número de elementos e usuários).