G-iMUSIC: Greedy Iterative MUSIC Algorithms for Multi-Target DoA Estimation

Resumo Técnico: G-iMUSIC: Algoritmos MUSIC Iterativos e Gananciosos para Estimação de DoA de Alvos Múltiplos

Enunciado do Problema
A estimação da direção de chegada (DoA) de alvos múltiplos é um desafio fundamental no processamento de sinais de array, crítico para radar, sonar e comunicações sem fio. O artigo aborda os trade-offs inerentes às estratégias de estimação existentes. Embora o Estimador de Máxima Verossimilhança (MLE) atinja assintoticamente o limite de Cramér-Rao, sua complexidade computacional exponencial o torna impraticável para aplicações em tempo real. Por outro lado, métodos gananciosos como a Busca de Correspondência Ortogonal (OMP) e os Mínimos Quadrados Ortogonais (OLS) oferecem menor complexidade, mas são sensíveis a erros de seleção precoce, particularmente quando os alvos estão angularmente próximos (limitados pelo limite de Rayleigh). Métodos de subespaço, como a Classificação de Múltiplos Sinais (MUSIC), fornecem capacidades de super-resolução, mas degradam-se significativamente quando os sinais dos alvos são altamente correlacionados. Além disso, variantes anteriores de MUSIC iterativo (iMUSIC) frequentemente carecem de uma base estatística principista e exigem decomposições em autovalores (EVD) computacionalmente caras a cada iteração.

Metodologia
Os autores propõem dois novos algoritmos, OMP-iMUSIC e OLS-iMUSIC, que unificam a otimização gananciosa com a estimação baseada em subespaço. A metodologia central baseia-se em um quadro unificado que vincula a estimação de subespaço a critérios de seleção gananciosa:

1. Quadro Unificado: Os autores reformulam as etapas de seleção do OMP e do OLS utilizando uma decomposição semelhante à do MUSIC dos subespaços de sinal residual e ruído. Ao aproximar as funções objetivo por meio de argumentos de baixo posto, eles derivam regras de seleção que utilizam o subespaço de sinal residual (ou subespaço de ruído) para orientar a busca gananciosa.
2. Projeto de Única EVD: Ao contrário das abordagens anteriores de iMUSIC que recalculam a EVD em cada iteração, os algoritmos propostos realizam apenas uma EVD inicial na matriz de covariância amostral para estimar os subespaços de sinal e ruído. As iterações subsequentes atualizam esses subespaços residuais por meio de multiplicações matriciais eficientes com operadores de projeção, evitando EVDs repetidas.
3. Variantes Ponderadas: O quadro também inclui versões ponderadas (OMP-iWMUSIC e OLS-iWMUSIC) que incorporam ponderação de autovalores, análoga ao MUSIC Ponderado (WMUSIC).
4. Aceleração por FFT: Para Arrays Lineares Uniformes (ULAs), os autores derivam implementações aceleradas por Transformada Rápida de Fourier (FFT) para as etapas de seleção do OLS e das variantes G-iMUSIC propostas. Isso estende as implementações existentes de MUSIC e OMP aceleradas por FFT aos domínios OLS e G-iMUSIC, reduzindo significativamente a carga computacional.

Principais Contribuições
O artigo delineia quatro contribuições primárias:

• Desempenho de Estimação Aprimorado: O desenvolvimento de OMP-iMUSIC e OLS-iMUSIC, que combinam os quadros iterativos gananciosos do OMP/OLS com as capacidades de super-resolução do MUSIC. Esses métodos alcançam melhor desempenho de localização e detecção do que suas contrapartes independentes.
• Eficiência Computacional: Um projeto que requer apenas uma EVD inicial e utiliza atualizações de subespaço eficientes. Além disso, a introdução de implementações aceleradas por FFT para ULAs suporta operação de baixa complexidade e em tempo real.
• Caracterização Abrangente: Uma análise teórica detalhada da complexidade e extensas simulações de Monte Carlo comparando os métodos propostos com técnicas do estado da arte (MLE, OMP, OLS, MUSIC).
• Métricas de Diagnóstico e Validação: Validação em um cenário prático de radar passivo OFDM (sem decodificar símbolos de dados desconhecidos). Os autores introduzem duas métricas de diagnóstico agnósticas ao cenário: a métrica de correlação do vetor de direção ($T$) para quantificar a proximidade angular média entre alvos, e a métrica de correlação de sinal ($S$) para quantificar a correlação média de sinal. Essas métricas são usadas para interpretar o desempenho em diferentes regimes.

Resultados
Extensas simulações de Monte Carlo (10.000 execuções) em um cenário de radar passivo demonstram o seguinte:

• Detecção e Precisão: Tanto OMP-iMUSIC quanto OLS-iMUSIC superam consistentemente o OMP, OLS e MUSIC convencionais em termos de probabilidade de detecção (estatística J de Youden) e precisão (RMSE). O OLS-iMUSIC, em particular, aproxima-se da precisão quase ótima do MUSIC ao resolver um problema de mínimos quadrados a cada iteração, enquanto o OMP-iMUSIC oferece um equilíbrio entre os dois.
• Robustez: Os métodos propostos mostram robustez superior em regimes de baixa correlação de sinal (baixa $S$) em comparação com o MUSIC padrão, e melhor manejo de alvos angularmente próximos em comparação com métodos gananciosos padrão.
• Complexidade Computacional: Os algoritmos propostos exibem tempos de processamento menores do que as linhas de base tradicionais de OMP e OLS. As implementações aceleradas por FFT reduzem significativamente o tempo de execução, tornando os métodos competitivos com o MUSIC. Notavelmente, em baixas contagens de alvos, o OMP-iMUSIC pode ser mais rápido que o MUSIC devido à evitação da etapa cara de detecção de picos do MUSIC.
• Variantes Ponderadas: As variantes ponderadas (iWMUSIC) performam de maneira semelhante às suas contrapartes não ponderadas em detecção e precisão, mas são superadas pelo G-iMUSIC não ponderado no cenário específico de radar passivo testado.

Significado e Alegações
O artigo alega que os algoritmos G-iMUSIC propostos oferecem um equilíbrio eficaz entre desempenho de estimação e complexidade computacional, tornando-os adequados para estimação de DoA de alvos múltiplos em tempo real. Ao integrar a super-resolução dos métodos de subespaço em um quadro ganancioso sem o custo de EVDs repetidas, os autores abordam as limitações tanto das abordagens puramente gananciosas quanto das puramente de subespaço. A introdução de métricas de diagnóstico ($T$ e $S$) fornece um quadro generalizado para entender o desempenho do algoritmo além de configurações específicas de radar. Os autores concluem que a escolha entre OMP-iMUSIC e OLS-iMUSIC deve ser guiada pelo trade-off desejado entre desempenho e complexidade, com o OLS-iMUSIC oferecendo maior precisão e o OMP-iMUSIC oferecendo menor complexidade. Trabalhos futuros são identificados como a extensão deste quadro para sistemas de radar MIMO e multistáticos.