Spatially Distributed Task-Oriented Compression for Multi-Emitter Localization and Characterization with Spectral Overlap

Resumo Técnico: Compressão Orientada a Tarefas Espacialmente Distribuída para Localização e Caracterização de Múltiplos Emissores com Sobreposição Espectral

Definição do Problema
O artigo aborda o desafio da percepção do espectro de Radiofrequência (RF) em ambientes sem fio densos e contestados, onde emissores não autorizados ou adversários podem interromper infraestruturas críticas. Enquanto receptores individuais podem detectar interferências, eles carecem da informação espacial necessária para localizar e caracterizar múltiplos emissores simultâneos, particularmente quando seus espectros se sobrepõem. A detecção distribuída utilizando receptores espacialmente separados oferece uma solução ao explorar a diversidade espacial. No entanto, encaminhar amostras brutas de complexidade em fase e quadratura (IQ) de múltiplos receptores para um centro de fusão central impõe requisitos de largura de banda de comunicação proibitivos, especialmente para detecção de banda larga. O problema central é projetar um framework de compressão eficiente em termos de comunicação que comprima as observações locais dos receptores em representações compactas, preservando informação suficiente para que um decodificador central estime conjuntamente o número, as localizações, os parâmetros espectrais e as famílias de formas de onda de emissores ativos.

Metodologia
Os autores propõem um framework de compressão distribuída orientada a tarefas utilizando aprendizado profundo. O sistema consiste em $M$ receptores espacialmente distribuídos e um decodificador de fusão central.

1. Codificação Local: Cada receptor observa uma janela curta de amostras complexas de IQ. Essas amostras são transformadas em uma representação tempo-frequência através da Transformada de Fourier de Curto Tempo (STFT), empilhando componentes reais e imaginários como canais de entrada. Um codificador neural local (uma rede convolucional residual com subamostragem assimétrica) mapeia essa representação em um vetor latente de baixa dimensão $z_i \in \mathbb{R}^{d_{rx}}$. Crucialmente, embora todos os receptores compartilhem a mesma arquitetura, seus parâmetros não são compartilhados, permitindo que aprendam representações específicas do receptor baseadas em suas posições geométricas fixas.
2. Fusão Central e Predição de Conjuntos: O centro de fusão concatena os vetores latentes de todos os receptores em uma ordem fixa. Um decodificador MLP (Perceptron Multicamadas) central processa esse vetor fundido para prever um conjunto não ordenado de emissores ativos. A saída é estruturada em $K_{max}$ slots candidatos, onde cada slot prevê um logit de existência, localização 2D, deslocamento de frequência central, largura de banda ocupada e um rótulo binário de família de forma de onda.
3. Treinamento Invariante à Permutação: Como o número de emissores ativos $K$ é desconhecido e sua ordenação é arbitrária, o modelo emprega um objetivo de treinamento invariante à permutação. A função de perda minimiza a distorção entre o conjunto previsto e o conjunto de referência (ground-truth) ao encontrar a atribuição ideal (permutação) que minimiza o custo total. A função de custo combina entropia cruzada binária para existência e classificação de forma de onda com perda Smooth L1 para regressão de parâmetros contínuos (localização, frequência, largura de banda).

Principais Contribuições

• Framework de Estimativa Conjunta: O trabalho formula a percepção de espectro distribuída como um problema de estimativa conjunta de conjuntos de emissores, inferindo simultaneamente cardinalidade, localizações espaciais, parâmetros espectrais (frequência central, largura de banda) e famílias de formas de onda a partir de observações de IQ comprimidas.
• Compressão Neural Orientada a Tarefas: Propõe uma arquitetura neural específica onde os codificadores do lado do receptor produzem latentes compactos projetados explicitamente para a tarefa de inferência subsequente, em vez da reconstrução de sinais brutos, aderindo ao princípio do gargalo de informação distribuído.
• Tratamento de Conjuntos Não Ordenados: A aplicação de um objetivo invariante à permutação permite que o sistema lide com cenas de números variáveis de emissores e ordenação arbitrária, incluindo cenários com espectros parcialmente ou fortemente sobrepostos.
• Análise de Dimensionalidade: O estudo avalia sistematicamente o compromisso entre a dimensionalidade latente do lado do receptor ($d_{rx}$) e a precisão da estimativa para cardinalidade, localização e parâmetros espectrais.

Resultos Experimentais
Experimentos foram conduzidos em cenas sintéticas de múltiplos emissores com sobreposição espectral, utilizando quatro receptores fixos e variando o número máximo de emissores ($K_{max} \in \{3, 4, 5\}$).

• Impacto da Dimensão Latente: A dimensão latente do lado do receptor $d_{rx}$ impacta significativamente o desempenho. Aumentar $d_{rx}$ de 1 para 16 resultou nos melhoramentos mais substanciais em todas as métricas. Especificamente, o Erro Quadrático Médio (RMSE) de localização caiu de aproximadamente 238–290 m para 102–140 m, e os erros de parâmetros espectrais diminuíram significativamente.
• Retornos Decrescentes: Aumentar ainda mais $d_{rx}$ para 64 proporcionou ganhos menores e menos consistentes, sugerindo que $d_{rx}=16$ captura a maior parte da informação relevante para a tarefa enquanto mantém alta compressão.
• Sensibilidade à Tarefa: Representações extremamente compactas ($d_{rx}=1$) foram suficientes para preservar informação para contagem de emissores e estimativa de família de forma de onda (alcançando precisão quase perfeita), mas resultaram em desempenho pobre para regressão de parâmetros contínuos (localização e parâmetros espectrais).
• Complexidade: O desempenho degradou conforme $K_{max}$ aumentava, refletindo a dificuldade crescente de resolver ambiguidade espacial e sobreposição espectral.

Significância e Alegações
O artigo afirma que a compressão aprendida e orientada a tarefas é uma abordagem viável para a percepção de espectro distribuída eficiente em termos de comunicação. Os resultados demonstram que mesmo representações extremamente compactas do lado do receptor podem preservar informações úteis para tarefas discretas (contagem e classificação), enquanto aumentos moderados na dimensionalidade permitem a estimativa precisa de parâmetros contínuos. Os autores posicionam este trabalho como uma ponte entre a teoria do gargalo de informação distribuído e o monitoramento de RF prático, mostrando que a localização e caracterização conjuntas são viáveis sem a transmissão de dados de banda larga brutos.

Os autores mantêm a modéstia quanto ao escopo atual, reconhecendo que o modelo está vinculado a geometrias de receptores fixas e estatísticas de propagação simuladas (carecendo de multipropagação, sombreamento e impedimentos de sincronização). Eles observam que $d_{rx}$ representa a compacidade da representação, e não uma taxa de bits explícita, uma vez que quantização e efeitos de canal não foram modelados. Identifica-se que trabalhos futuros são necessários para incorporar restrições explícitas de nível de bit, quantização e efeitos de hardware e propagação mais realistas.