Decoupled Delay-Doppler and Angle Estimation in BD-RIS Sensing via Nested Tucker Decomposition

Resumo Técnico: Estimativa Acoplada de Atraso-Doppler e Ângulo em Sensoriamento BD-RIS via Decomposição Tucker Aninhada

Enunciado do Problema
O artigo aborda o desafio da localização de alvo único em uma rede de sensoriamento monostática assistida por uma Superfície Inteligente Reconfigurável Além da Diagonal (BD-RIS) com conexão em grupo. Diferentemente das RISs passivas tradicionais que utilizam matrizes de deslocamento de fase diagonais, as arquiteturas BD-RIS empregam acoplamento entre elementos para realizar matrizes de deslocamento de fase não diagonais, oferecendo graus de liberdade adicionais. No entanto, isso introduz complexidade na estimação de canal e extração de parâmetros. O problema específico é estimar os parâmetros físicos do alvo — atraso ($\tau$), desvio Doppler ($\nu$) e ângulos de chegada/departida ($\phi, \theta$) — em um cenário onde o caminho direto de linha de visada está bloqueado, e o sensoriamento depende do enlace de eco através da BD-RIS. O sistema envolve um transmissor de sensoriamento (ST) com múltiplas antenas e uma BD-RIS com $N$ elementos divididos em $K$ grupos, onde o acoplamento intra-grupo é preservado, mas a interconexão total é evitada para equilibrar a complexidade de hardware e a identificabilidade.

Metodologia
Os autores propõem o algoritmo de Fatoração e Estimação Tucker Aninhada (NTFE), que modela o sinal recebido como um tensor Tucker aninhado de 3ª ordem. Esta abordagem explora explicitamente a estrutura em blocos induzida pela arquitetura BD-RIS com conexão em grupo.

1. Modelagem de Sinal: O sinal de eco recebido é formulado como uma decomposição de tensor Tucker aninhado de 3ª ordem. O modelo separa o domínio atraso-Doppler do domínio de ângulo. O tensor de dados recebido $\mathbf{Y}$ é expresso como:
   $$\mathbf{Y} = \mathbf{I} \times_1 \mathbf{G} \times_2 [\mathbf{F}]_{(1)} \times_3 \mathbf{S} \times_4 \mathbf{p}'$$
   onde $\mathbf{G}$ representa o canal geométrico, $\mathbf{S}$ as matrizes de deslocamento de fase, $\mathbf{p}'$ o vetor de informação de ângulo e $[\mathbf{F}]_{(1)}$ o desdobramento modo-1 contendo informações de atraso-Doppler. Um modelo aninhado secundário isola ainda mais os vetores de direção de atraso e Doppler.

2. Procedimento de Estimação em Duas Etapas:

   • Etapa 1 (Estimação de Fatores): O algoritmo emprega uma abordagem de Mínimos Quadrados Alternados (ALS), especificamente um procedimento de Mínimos Quadrados Alternados Biliner (BALS), para estimar os fatores do tensor $[\mathbf{F}]_{(1)}$ e $\mathbf{p}'$. Esta etapa desacopla os componentes espaciais (ângulo) e temporais (atraso-Doppler).
   • Etapa 2 (Extração de Parâmetros):
     • Atraso e Doppler: Usando o fator estimado $[\mathbf{F}]_{(1)}$, o algoritmo aplica o ESPRIT 1D (Estimação de Parâmetros de Sinal via Técnicas de Invariância Rotacional) para extrair o atraso $\tau$ e o Doppler $\nu$.
     • Ângulos: As estimativas de atraso e Doppler são usadas para reconstruir parametricamente seus vetores de direção. Esses fatores refinados são substituídos de volta no modelo para extrair a matriz de informação de ângulo $\mathbf{P}$. Em seguida, um algoritmo ESPRIT 2D é aplicado a $\mathbf{P}$ para estimar os ângulos de azimute e elevação.
     • Ganho Complexo: Finalmente, o coeficiente de ganho de canal complexo $\alpha$ é estimado por meio de uma etapa de mínimos quadrados de forma fechada usando divisão elemento a elemento, aproveitando o conjunto de dados multidimensional completo para mitigar o ruído.

3. Análise de Identificabilidade: O artigo analisa as condições de unicidade do modelo proposto. Devido ao uso de um tensor núcleo $\mathbf{I}$ determinístico e conhecido, rotações arbitrárias das estimativas são prevenidas. As ambiguidades restantes limitam-se a fatores de escala triviais, que se cancelam no tensor reconstruído ou são resolvidos através da estrutura específica das etapas de estimação.

Principais Contribuições

• Algoritmo Inovador: O desenvolvimento do algoritmo NTFE, que utiliza uma decomposição Tucker aninhada para modelar sinais de sensoriamento assistidos por BD-RIS, levando em conta explicitamente a arquitetura com conexão em grupo.
• Estratégia de Desacoplamento: Um procedimento em duas etapas que desacopla com sucesso a estimação de parâmetros de atraso-Doppler dos parâmetros de ângulo, evitando o alto custo computacional e a propagação de erros associados a buscas sequenciais de Máxima Verossimilhança (ML) 4D.
• Garantias Teóricas: Derivação de condições de identificabilidade e unicidade, demonstrando que o modelo proposto permite a estimação única de parâmetros até ambiguidades de escala triviais sob restrições específicas de dimensão do sistema (por exemplo, $LT \geq N$ e $LMQT \geq N^2$).
• Estimação de Ganho de Forma Fechada: Um método de baixa complexidade para estimar o coeficiente de ganho de canal complexo após a resolução dos parâmetros estruturais.

Resultados de Simulação
O desempenho do NTFE foi avaliado via simulações de Monte Carlo contra três benchmarks: um método ML 4D sequencial, uma estimativa direta de Mínimos Quadrados (LS) e um método baseado em Fatoração de Kronecker (KF).

• Estimação de Canal Efetivo: O NTFE demonstrou uma melhoria significativa no Erro Quadrático Médio Normalizado (NMSE) para a estimação do canal efetivo. Superou o método KF em aproximadamente 25 dB e o método LS direto em cerca de 35 dB.
• Precisão de Parâmetros: Em termos de Erro Quadrático Médio (RMSE) para atraso, Doppler e estimação de ângulo, o NTFE alcançou um ganho de desempenho de aproximadamente 10 dB em comparação com o benchmark padrão ML 4D.
• Robustez: Os resultados indicam que o NTFE explora efetivamente a estrutura BD-RIS com conexão em grupo, fornecendo estimação precisa mesmo em cenários onde os métodos ML sequenciais sofrem de dependência de inicialização e propagação de erros.

Significado e Alegações
O artigo alega que o algoritmo NTFE representa um avanço significativo no sensoriamento assistido por BD-RIS, ao preencher a lacuna entre o processamento baseado em tensores e as restrições de hardware específicas das BD-RIS com conexão em grupo. O principal significado reside na capacidade de desacoplar os domínios espacial e temporal, o que leva a uma precisão de estimação superior e complexidade computacional reduzida em comparação com benchmarks de última geração. Os autores afirmam que, ao modelar explicitamente a estrutura em blocos da BD-RIS, o método alcança identificabilidade e supera as técnicas existentes tanto na reconstrução de canal efetivo quanto na estimação de parâmetros físicos, tornando-o uma solução viável para sistemas integrados de sensoriamento e comunicações (ISAC) que utilizam arquiteturas RIS avançadas.