Gaussian Process-Based Extended Object Estimation for 6G ISAC at Millimeter-Wave Frequencies

Resumo Técnico: Estimativa de Objetos Estendidos Baseada em Processos Gaussianos para ISAC 6G em Frequências de Onda Milimétrica

Declaração do Problema
Os futuros sistemas integrados de sensoriamento e comunicação (ISAC) de sexta geração (6G) visam aprimorar a consciência ambiental ao ir além da suposição convencional de que os componentes de multipath originam-se de objetos pontuais únicos (marcos). Embora o sensoriamento de alta resolução em frequências de onda milimétrica (mmWave) permita a resolução de múltiplos pontos de incidência (PIs) a partir de um único objeto físico — denominado "objeto estendido" —, a literatura existente carece de validação experimental de métodos capazes de estimar as formas desses objetos em cenários práticos. Especificamente, embora Processos Gaussianos (PGs) tenham sido propostos teoricamente para estimativa de objetos estendidos (EOE), sua eficácia utilizando dados de medição do mundo real, compatíveis com o 5G New Radio (NR), em contextos de mapeamento e Localização e Mapeamento Simultâneos (SLAM), permanece inexplorada.

Metodologia
O artigo propõe uma estrutura baseada em PGs para EOE, validada por meio de uma configuração de sensoriamento bistático operando a 60 GHz com uma largura de banda de 400 MHz, compatível com os padrões 5G NR. A metodologia prossegue em três etapas:

1. Estimativa de Pontos de Incidência (PI):

   • Modelo do Sistema: O sistema utiliza transmissão baseada em feixes OFDM com Arrays Planos Uniformes (UPAs) tanto no transmissor (Tx) quanto no receptor (Rx). Os parâmetros do canal (Tempo de Chegada, Ângulo de Partida, Ângulo de Chegada) são extraídos dos Sinais de Referência de Posicionamento (PRS).
   • Cenário de Mapeamento: Assumindo que o estado do Rx (posição, rumo, viés de relógio) é conhecido, os PIs são estimados resolvendo um problema de otimização não linear que minimiza a função de custo quadrática entre os parâmetros do canal medidos e os geometricamente previstos.
   • Cenário SLAM: Quando o estado do Rx é desconhecido, emprega-se um algoritmo robusto de SLAM de instantâneo baseado em Consenso de Amostragem Aleatória (RANSAC) e Mínimos Quadrados (MQ). Isso divide as medições em internos (Linha de Visada e Não Linha de Visada de único reflexo) e externos para estimar conjuntamente a trajetória do Rx e as localizações dos PIs.

2. Agrupamento e Transformação de Dados:

   • Os PIs estimados são agrupados utilizando o algoritmo de Agrupamento Espacial Baseado em Densidade com Ruído (DBSCAN) para agrupar pontos pertencentes ao mesmo objeto.
   • Para cada agrupamento, as coordenadas cartesianas são convertidas em coordenadas polares $(\theta, r)$ relativas ao centróide do agrupamento. Os ângulos $\theta$ servem como regressores (entradas), e as distâncias radiais $r$ servem como observações (saídas).

3. Regressão por Processo Gaussiano:

   • A forma do objeto é modelada como uma função estelar-côncava $f(\theta)$ mapeando ângulos polares para distâncias radiais.
   • Um modelo de regressão PG é treinado utilizando uma função de covariância exponencial quadrática periódica para capturar a natureza estelar-côncava dos objetos.
   • Os hiperparâmetros (escala de magnitude $\sigma_f$, escala de comprimento $\ell$ e variância de ruído $\sigma_n^2$) e a função média são aprendidos maximizando a verossimilhança marginal logarítmica.
   • O modelo prevê o contorno completo do objeto e fornece um intervalo de confiança de 95%, mesmo quando treinado com dados de contorno parcial.

Principais Contribuições

• Validação Experimental: O artigo fornece a primeira validação experimental de EOE baseada em PGs utilizando dados práticos de mmWave adquiridos de uma configuração compatível com 5G NR, preenchendo a lacuna entre propostas teóricas e implementação no mundo real.
• Avaliação de Cenário Duplo: O método é rigorosamente testado em dois modos operacionais distintos:
  • Mapeamento mmWave: Onde a trajetória do receptor é conhecida.
  • SLAM mmWave: Onde a trajetória do receptor é desconhecida e deve ser estimada simultaneamente com as formas dos objetos.
• Tratamento de Contorno Parcial: O estudo demonstra a capacidade dos PGs de reconstruir formas de objetos (especificamente pilares e paredes) utilizando apenas um subconjunto limitado de pontos de medição, refletindo restrições práticas onde um único par Tx-Rx não consegue capturar o contorno completo do objeto.

Resultados

• Dados Sintéticos: Testes iniciais em dados sintéticos mostraram que o aumento do número de pontos de medição melhora o desempenho do Erro Quadrático Médio (RMSE), confirmando a robustez da EOE baseada em PGs mesmo com conjuntos de dados pequenos.
• Dados Experimentais (Mapeamento): No cenário de mapeamento, o PG reconstruiu com sucesso as formas de pilares (aproximando círculos) e paredes. Os resultados indicaram que geometrias suaves (pilares) foram estimadas com precisão mesmo com dados parciais, enquanto geometrias complexas (paredes) exigiram cobertura angular mais extensa para estimativa precisa.
• Dados Experimentais (SLAM): Apesar das imprecisões inerentes na estimativa de PI quando o estado do Rx é desconhecido (comparado ao caso de mapeamento), o desempenho geral da estimativa de forma permaneceu comparável ao cenário de mapeamento.
• Variações Geométricas: O estudo notou que o hiperparâmetro de escala de comprimento característico ($\ell$) variou significativamente entre os tipos de objetos (por exemplo, $\ell \approx 0,23$ para paredes vs. $\ell \approx 1,31$ para pilares), refletindo a taxa de variação na função radial necessária para modelar diferentes formas.

Significado e Alegações
Os autores afirmam que a combinação de sistemas ISAC com EOE baseada em PGs permite uma consciência ambiental aprimorada em futuros sistemas sem fio. O significado principal reside na capacidade de estimar as características físicas (forma, tamanho) de objetos estendidos, em vez de tratá-los como espalhadores pontuais. O artigo afirma que:

• A EOE baseada em PGs desempenha de forma confiável em cenários de mapeamento e SLAM em mmWave sob condições práticas de medição.
• Os objetos estendidos estimados fornecem insights estruturais mais concretos do que modelos de espalhadores pontuais.
• Essa consciência aprimorada pode ser aproveitada para melhorar aplicações ISAC, como o refinamento de algoritmos de cancelamento de clutter e a habilitação de mapeamento ambiental mais preciso.

O artigo mantém uma postura modesta, reconhecendo que a capacidade preditiva é limitada pelo número de pontos de medição e pela cobertura angular. Sugere que, embora estimativas grosseiras das extensões de paredes sejam possíveis com dados limitados, detalhes mais finos podem exigir múltiplos pares Tx-Rx para capturar contornos completos.