Low-Complexity Tensor-Based Monostatic Sensing for IRS-Assisted Communication Systems

Resumo Técnico: Sensoriamento Monostático Baseado em Tensores de Baixa Complexidade para Sistemas de Comunicação Assistidos por Superfícies Reflexivas Inteligentes (IRS)

Declaração do Problema
O artigo aborda o desafio da estimação de parâmetros em sistemas de Sensoriamento e Comunicações Integrados (ISAC) assistidos por Superfícies Reflexivas Inteligentes (IRS). Especificamente, foca-se em um cenário de sensoriamento monostático onde uma estação rádio-base (BS) transmite uma forma de onda de Multiplexação por Divisão de Frequência Ortogonal (OFDM), que reflete em um IRS, rebate em um alvo e retorna à BS. O objetivo é estimar conjuntamente o atraso ($\tau$) do alvo, o desvio Doppler ($\nu$) e a informação angular (Ângulo de Partida, $\theta$).

Abordagens existentes, como o método de referência em [11], dependem de detectores de Teste de Razão de Verossimilhança Generalizada (GLRT) que exigem buscas de pico multidimensionais computacionalmente intensivas (especificamente uma busca quadridimensional sobre atraso, Doppler, azimute e elevação). Embora eficazes, esses métodos sofrem de alta complexidade computacional, particularmente quando as grades de busca para atraso e Doppler são acopladas, levando a uma complexidade proporcional ao produto dos tamanhos das grades ($R_\tau R_\nu$).

Metodologia
Os autores propõem uma solução de baixa complexidade que reinterpreta o sinal de eco recebido como um tensor de terceira ordem de posto um. A metodologia central envolve as seguintes etapas:

1. Modelagem do Sistema e Reformulação do Sinal: O sinal recebido é modelado considerando o enlace BS-IRS-Alvo-IRS-BS. Para desacoplar os parâmetros angulares do parâmetro Doppler, os autores empregam um protocolo de deslocamento de fase do IRS baseado em repetição. O padrão de deslocamento de fase do IRS é repetido sobre um bloco de $Q$ símbolos OFDM e variado ao longo de $L$ blocos (símbolos totais $M=QL$). Essa estrutura permite que o vetor de direcionamento no domínio do tempo seja decomposto em produtos de Kronecker de vetores relacionados ao índice do bloco e ao índice intra-bloco.
2. Formulação Tensorial: Explorando essa estrutura repetitiva, a matriz do sinal recebido é reformulada como um tensor de terceira ordem de posto um $\mathcal{Y} = c(\tau) \circ d_Q(\nu) \circ \beta(\theta, \nu) + \mathcal{Z}$, onde $\circ$ denota o produto externo. Essa formulação separa o vetor de atraso $c(\tau)$, o vetor Doppler $d_Q(\nu)$ e o vetor combinado ângulo-Doppler $\beta(\theta, \nu)$.
3. Estimação Baseada em HOSVD: O problema de estimação de parâmetros é resolvido utilizando a Decomposição em Valores Singulares de Ordem Superior (HOSVD). O algoritmo computa a Decomposição em Valores Singulares (SVD) para as três planificações matriciais do tensor do sinal recebido. Os vetores singulares esquerdos dominantes dessas decomposições fornecem estimativas para os componentes de atraso, Doppler e ângulo.
4. Desacoplamento da Busca de Pico: Após a etapa HOSVD, o algoritmo realiza buscas de pico unidimensionais para estimar o atraso ($\tau$) e o Doppler ($\nu$) independentemente. A estimação angular ($\theta$) é então realizada por meio de uma busca bidimensional, utilizando o Doppler previamente estimado para simplificar o espaço de busca.

Principais Contribuições

• Reformulação Baseada em Tensores: O artigo introduz uma representação tensorial inovadora do sinal de sensoriamento monostático assistido por IRS, transformando um problema complexo de otimização multidimensional em um problema de aproximação de tensor de posto um.
• Redução de Complexidade: Ao alavancar o algoritmo HOSVD, o método proposto desacopla a estimação de atraso e Doppler. Isso permite que esses parâmetros sejam estimados em paralelo por meio de buscas unidimensionais separadas, quebrando o gargalo computacional da busca acoplada encontrada nos métodos de referência.
• Projeto de Algoritmo: Os autores fornecem um algoritmo completo (Algoritmo 1) detalhando o processo de estimação de parâmetros baseado em HOSVD, incluindo funções de custo específicas para a estimação de atraso, Doppler e ângulo.

Resultados
Os resultados de simulação comparando o método proposto baseado em tensores com o detector GLRT de referência de [11] produzem as seguintes constatações:

• Precisão de Desempenho: Em termos de Erro Quadrático Médio (RMSE), o método proposto alcança desempenho comparável ao de referência.
  • Para a estimação de atraso e Doppler, o método proposto desempenha-se de forma similar à de referência em níveis de SNR superiores a -5 dB, com uma ligeira degradação de desempenho observada apenas em regimes de SNR muito baixa.
  • Para a estimação angular, ambos os métodos alcançam desempenho idêntico de RMSE em todos os níveis de SNR testados, pois ambos utilizam um critério de máxima verossimilhança para a busca final de ângulo.
• Complexidade Computacional: O método proposto oferece uma redução drástica na complexidade computacional.
  • A complexidade de referência escala com o produto dos tamanhos das grades ($R_\tau R_\nu$), enquanto o método proposto escala com a soma desses tamanhos ($R_\tau + R_\nu$) devido ao desacoplamento.
  • As curvas de simulação indicam que o método de referência é aproximadamente 10 vezes mais complexo do que a solução baseada em tensores proposta. Essa vantagem de complexidade mantém-se através de números variados de subportadoras e pontos de grade.

Significância e Afirmações
O artigo afirma que sua contribuição principal é fornecer uma alternativa de baixa complexidade aos algoritmos de sensoriamento de alto desempenho existentes, sem sacrificar a precisão da estimação em faixas de SNR práticas. Os autores enfatizam que sua solução baseada em tensores "reduz drasticamente a complexidade computacional" enquanto mantém "o mesmo desempenho do método de referência" em termos de RMSE para a estimação de atraso, Doppler e ângulo.

A significância reside na escalabilidade da solução para futuras redes 6G, onde a integração de sensoriamento e comunicação exige o processamento eficiente de grandes conjuntos de dados. Ao explorar a estrutura multilinear intrínseca do sinal recebido, o método proposto permite computação paralela, tornando-se um candidato viável para implementação em tempo real em sistemas ISAC assistidos por IRS. Os autores observam modestamente que o método é ligeiramente mais sensível a níveis de ruído muito altos, mas afirmam que o trade-off é favorável, dado os ganhos substanciais em eficiência computacional. Sugere-se trabalho futuro para investigar o desempenho do método sob condições de auto-interferência intrínseca de sensoriamento monostático, o que foi excluído do escopo atual.