Methods for estimating user position in the near-field regime

Abstract

A estimativa de parâmetros usando métodos de processamento de sinais é um tópico importante em várias áreas como radar, análise sísmica, sonar, vigilância eletrônica, entre outros. Esta pesquisa se concentra em duas áreas-chave dentro do processamento de sinais: processamento de arranjo de antenas e estimativa da posição de usuários. No contexto do processamento de arranjos de antenas, a localização do usuário envolve a estimativa dos parâmetros de posição das fontes, muitas vezes empregando métodos subespaciais como Classificação Múltipla de Sinais (MUSIC), Estimativa de Parâmetros de Sinais via Técnicas de Invariância Rotacional (ESPRIT), entre outros. Em cenários de campo distante, uma fonte é caracterizada apenas pela sua direção de chegada (DOA). No entanto, essa suposição não é mais válida quando considera-se o campo próximo, onde as fontes estão próximas do conjunto de sensores. Nesses cenários, a frente de onda do sinal torna-se esférica, necessitando da consideração de dois parâmetros para a localização precisa da fonte: a direção de chegada e a distância entre a fonte e o conjunto de sensores. A estimativa da posição do usuário em campo próximo é crucial devido a vários fatores, especialmente quando consideramos as redes avançadas, como a sexta geração (6G), onde é esperado melhorias na localização e rastreamento. Essas melhorias serão resultados do uso de altas frequências e grandes conjuntos de antenas. Com esse aumento significativo do número de antenas e da frequência portadora em futuros sistemas 6G, a região de campo próximo dos arranjos de antenas extremamente grandes (ELAAs) se expandirá em ordens de magnitude. Como resultado, as comunicações de campo próximo desempenharão um importante papel nas futuras redes móveis 6G, onde o novo modelo de propagação deve levar em consideração as diferenças dos sistemas existentes da quinta geração (5G) de campo distante. A densidade espacial e a capacidade de interações eletromagnéticas entre os elementos vizinhos nos ELAAs introduzem considerações únicas para a estimativa da posição no campo próximo. Compreender e abordar essas complexidades será o foco principal desta pesquisa. Esta dissertação explora dois aspectos relacionados da localização de fontes: localização de fontes bidimensional (2D) em campo próximo e localização de fontes tridimensional (3D) em campo próximo. Em nossa abordagem de localização de fonte 2D, especificamente para coordenadas [x,y], propomos um método que combina a estimativa adaptativa de subespaço com a arquitetura de submatriz para localizar com precisão os usuários no campo próximos. Ao abranger as técnicas de sub-arranjos adaptados para ELAAs, exploramos a invariância rotacional de cada sub-arranjo para introduzir o algoritmo de aproximação de projeção de rastreamento subespacial (PAST). Esta abordagem é computacionalmente eficiente devido à sua fórmula de atualização recursiva, que nega a necessidade de tarefas computacionalmente intensivas, como inversões de matrizes ou decomposições de autovalores. Em termos de precisão, nosso método supera as abordagens existentes, conforme demonstrado nos gráficos da raiz do erro quadrático médio (RMSE) e nos gráficos da função de distribuição acumulada (CDF). Além disso, a precisão do algoritmo PAST a uma distância de 3,5 metros é de 0,0250 metros no percentil 10, superando outros métodos de localização de fonte. Da mesma forma, a 25 metros, o PAST atinge uma precisão de 0,3983 no 10th percentil). Esses resultados destacam a precisão e a confiabilidade do PAST para localização precisa da fonte em cenários de campo próximo, tornando-o uma escolha robusta para tais aplicações. Para localização de fonte 3D, especificamente para coordenadas [x,y, z], introduzimos um novo método de estimativa de posição tridimensional (3D-P) projetado para sistemas sem fio empregando Arranjos Retangulares Uniformes (URAs). Esta abordagem particiona virtualmente o arranjo em subarranjos, cada uma com a tarefa de estimar independentemente o ângulo de azimute e o ângulo de elevação. Para lidar com os dados multidimensionais de forma eficaz, empregamos a decomposição de valores singulares de ordem superior (HOSVD), reduzindo o tamanho do tensor para uma representação mais concisa da estrutura de dados, particularmente benéfica em aplicações URA. Além disso, utilizamos a aproximação da série de Taylor para resolver problemas não lineares de mínimos quadrados, contribuindo para estimativas de posição precisas, mesmo em cenários complexos com 8 dispersões. Nossa abordagem mostra a eficácia do algoritmo na mitigação da interferência de multipercurso, com a potência do ruído exercendo influência mínima. Os resultados indicam uma precisão submétrica alcançável em SNRs em SNRs de 30 e 40 dB para os dispersões 2 e 8 em todos os percentis, enfatizando a robustez da técnica em condições favoráveis.