A Simultaneous Clustering and Tracking Algorithm for Capturing Cluster-Level Spatial Consistency in 6G Wireless Channels

Resumo Técnico: Um Algoritmo de Agrupamento e Rastreamento Simultâneos para Capturar a Consistência Espacial em Nível de Cluster em Canais Sem Fio 6G

Definição do Problema
A consistência espacial é uma propriedade física crítica para a modelagem de canais realista em sistemas 6G, particularmente para tecnologias como massive MIMO, detecção integrada e comunicação (ISAC) e comunicação em tera-hertz (THz). No nível de cluster, essa propriedade exige que os componentes de multicaminho (MPCs) com características semelhantes permaneçam agrupados no mesmo cluster conforme os transceptores se movem, garantindo uma evolução suave dos parâmetros do canal.

Os métodos existentes para extrair a consistência espacial em nível de cluster geralmente se dividem em duas categorias: "rastreamento após o agrupamento" (tracking-after-clustering) e "agrupamento e rastreamento conjuntos" (joint clustering-and-tracking).

• Rastreamento após o agrupamento: desacopla os processos, realizando o agrupamento em snapshots individuais (por exemplo, usando KPowerMeans ou DBSCAN) e, em seguida, associando os clusters entre os snapshots. Isso frequentemente leva a trajetórias fragmentadas quando as composições dos clusters mudam entre os snapshots.
• Agrupamento e rastreamento conjuntos: tenta utilizar informações de snapshots anteriores (tipicamente centroides de clusters ou predições de filtro de Kalman) para guiar o agrupamento atual. No entanto, esses métodos dependem fortemente de correspondências simples de centroides e não exploram totalmente a distribuição conjunta dos MPCs nos domínios de atraso, ângulo e espaço.

Consequentemente, métricas existentes (como os índices de Davies–Bouldin ou Calinski–Harabasz para agrupamento, e a Taxa de Mudança de Gradiente para rastreamento) avaliam esses aspectos separadamente, falhando em refletir conjuntamente a qualidade do agrupamento e a consistência do rastreamento.

Metodologia: Algoritmo MD-SCT
Os autores propõem um algoritmo de Agrupamento e Rastreamento Simultâneos baseado na Distância de Mahalanobis (MD-SCT). Diferente das abordagens baseadas em distância Euclidiana, o MD-SCT utiliza a distância de Mahalanobis para medir a distância entre um novo MPC observado e a distribuição de parâmetros dos clusters existentes. Esta abordagem considera inerentemente a estrutura de covariância entre os parâmetros dos MPCs (atraso, ângulos de partida e chegada de azimute/zenite e localizações dos transceptores).

O algoritmo opera da seguinte forma:

1. Inicialização: Em uma região espacial densa, métodos de agrupamento convencionais (por exemplo, KPowerMeans ou DBSCAN) são aplicados a um conjunto inicial de MPCs para estabelecer $K_1$ clusters iniciais. Isso garante uma estimativa robusta dos vetores médios e matrizes de covariância iniciais.
2. Atribuição Simultânea: Para snapshots subsequentes, cada novo MPC é atribuído a um cluster existente $k$ se sua distância de Mahalanobis ($D_{Mah}$) em relação à distribuição de parâmetros do cluster estiver abaixo de um limiar ($D_{th}$). Esta etapa realiza intrinsecamente o rastreamento ao associar novas observações às distribuições históricas.
3. Tratamento de Outliers: MPCs que não se ajustam aos clusters existentes são marcados como outliers. Estes são subsequentemente reagrupados usando métodos convencionais para formar novos clusters (representando o nascimento de um cluster).
4. Ciclo de Vida do Cluster: Clusters sem MPCs atribuídos por snapshots consecutivos são considerados inativos (morte do cluster). O algoritmo também incorpora um mecanismo de memória para reter clusters dormentes durante lacunas temporárias de observação, melhorando a robustez contra bloqueios.
5. Otimização de Complexidade: Para gerenciar o custo computacional, a matriz de covariância inversa é atualizada iterativamente usando o lema de inversão da matriz de Woodbury, reduzindo a complexidade de $O(N_{par}^3)$ para $O(N_{par}^2)$.

Principais Contribuições

1. Design do Algoritmo: A proposta do algoritmo MD-SCT, que melhora a consistência espacial em nível de cluster ao explorar a estrutura de distribuição conjunta de atraso, ângulo e posição do transceptor formada pelos MPCs atribuídos anteriormente.
2. Aplicação: A aplicação deste algoritmo a canais sub-THz a 132 GHz, gerados via ray tracing determinístico baseado em medições em um cenário de Internet das Coisas Industrial (IIoT).
3. Métrica de Avaliação: A introdução da Diferença Sucessiva do Quadrado Médio (MSSD) como uma nova métrica para quantificar a consistência espacial das estatísticas de agrupamento (por exemplo, índice DB, índice CH, desvios padrão de parâmetros) através de snapshots sucessivos.

Resultos Experimentais
O algoritmo foi validado contra um método de rastreamento baseado em métrica de característica multidimensional (MFM) utilizando dados de canal de um cenário IIoT de 132 GHz.

• Continuidade do Cluster: O algoritmo MD-SCT produziu trajetórias de cluster significativamente menores, porém mais longas e contínuas, em comparação ao MFM. Especificamente, o MD-SCT identificou 17 clusters com um comprimento médio de rastreamento de 11,894 m, enquanto o MFM produziu 104 clusters com um comprimento médio de apenas 1,457 m.
• Consistência de Rastreamento: O algoritmo MD-SCT alcançou uma Taxa de Mudança de Gradiente (GCR) de 0,028, significativamente menor que o método MFM de 0,561, indicando uma evolução muito mais suave do centro do cluster.
• Estabilidade Estatística: Os valores de MSSD para estatísticas de agrupamento (DB, CH) e desvios padrão de parâmetros (atraso, ângulos) foram consistentemente menores para o MD-SCT. Por exemplo, o MSSD para o índice Davies–Bouldin foi de 0,003 para o MD-SCT versus 0,007 para o MFM.
• Qualidade de Agrupamento: Apesar do foco no rastreamento, o MD-SCT manteve uma compactação e separação de clusters comparáveis (DB médio: 0,369; CH médio: 146,072) ao método MFM otimizado por snapshot (DB médio: 0,402; CH médio: 134,825).

Significância
O artigo afirma que o algoritmo MD-SCT proporciona uma evolução de cluster mais suave ao realizar o rastreamento inerentemente durante o agrupamento, melhorando assim a confiabilidade dos canais agrupados para a modelagem de consistência espacial em 6G. Os autores afirmam que essas descobertas apoiam a modelagem de canal consciente da consistência espacial, o que é essencial para o rastreamento de feixe preciso, detecção consciente do ambiente e o design de sistemas de comunicação sub-THz e massive MIMO. O trabalho enfatiza que, ao capturar a distribuição conjunta dos MPCs, o método proposto aborda as limitações das abordagens de rastreamento desacopladas ou dependentes de centroide.