可重构智能超表面辅助的混合近远场定位方法
曹梦媛,张浩波,张泓亮
(北京大学,北京 100871)
【摘 要】可重构智能超表面因为可以对非视距用户进行精准定位而受到广泛关注。随着可重构智能超表面口径变大,超表面的近场范围扩展,待定位用户可能位于混合近远场中。然而,现有方法假设用户位于纯近场或纯远场,当同时存在近场和远场用户时,近场定位方法复杂度过高,而远场定位方法精度较差。为了解决上述问题,提出了一种可重构智能超表面辅助的混合近远场定位方法,其基本思想是基于信号参数在近场和远场随位置变化快慢的差异,将近场和远场区域划分为不同密度的网格,利用超表面反射信号判断用户处于近/远场并确定其网格位置,从而同时实现低复杂度和高定位精度。与现有纯近场或远场方法不同,使用近远场混合模型,导致位置估计算法和可重构智能超表面相移优化算法的设计更困难。为了解决这些挑战,基于混合近远场模型构建了位置估计问题和可重构智能超表面相移优化问题,并分别设计了算法进行求解。仿真结果验证了所提定位方法的有效性。
【关键词】可重构智能超表面;近场定位;远场定位;混合近远场
doi:10.3969/j.issn.1006-1010.20240819-0001
中图分类号:TN929.5 文献标志码:A
文章编号:1006-1010(2024)10-0002-06
引用格式:曹梦媛,张浩波,张泓亮. 可重构智能超表面辅助的混合近远场定位方法[J]. 移动通信, 2024,48(10): 2-7.
CAO Mengyuan, ZHANG Haobo, ZHANG Hongliang. Hybrid Near-field and Far-field Localization with Reconfigurable Intelligent Surfaces[J]. Mobile Communications, 2024,48(10): 2-7.
0 引言
随着导航、轨迹跟踪和自动驾驶等基于位置信息应用的逐渐普及,对高精度定位服务的需求与日俱增[1-2],进而引发了对定位方法研究的强烈兴趣。在众多定位技术中,新兴的可重构智能表面(RIS, Reconfigurable Intelligent Surface)由于其在定位上高精度、低成本的优势受到了广泛的关注[3-4]。具体而言,RIS是一个由许多低成本反射单元组成的平面阵列。它可以通过调节每一个单元的相移来控制反射电磁波,从而创建一条定制化信道[5-6]。由于RIS定制电磁环境的能力与其口径大小正相关,一个较大的RIS能有效地克服直射径缺失带来的困难,从而在复杂的信号环境中实现精确的用户定位。
当RIS阵列口径较大时,其近场范围会扩展[7]。在近场中,由于信号相位与用户角度、距离同时相关,因此必须使用球面波模型对信号的传播特性进行建模。然而,传统定位方法大多基于远场条件下的平面波模型。该模型在远场范围内能够为真实信道提供良好的近似,然而对近场信号的建模精度很低,进而影响定位准确性。现有部分工作针对近场定位进行了研究。例如,文献[8]中,作者考虑了一个RIS辅助的单输入单输出定位场景,并使用最大似然方法对定位问题进行了求解。然而,针对近场环境设计的RIS定位方法并不适用于远场用户定位,这是因为球面波模型相比于平面波模型在数学上更加复杂,导致算法复杂度的显著上升。因此,需要针对混合近远场用户重新设计定位方法。
本文提出了一个RIS辅助的混合近远场定位方法来克服现有方法在复杂度和精度方面的缺陷。基于信号参数在近场和远场随位置变化快慢的差异,对近场和远场划分为不同密度的网格。在定位时,一个装备有单天线的用户发射信号,该信号经过RIS反射后由基站接收。基站将接收到的信号与在不同网格位置的估计信号进行比较,从而判断用户处于近场还是远场,并确定用户所在的网格位置。此外,通过对RIS相移参数进行优化,可以定制用户在不同位置时的接收信号,进一步提高定位精度。
设计混合近远场定位方法主要的挑战如下:首先,由于近场和远场采用的信号模型不同,设计统一的定位算法比较困难,尤其用户处于近场还是远场仍然未知。其次,设计RIS相移优化算法也很复杂。这主要是由于RIS单元数量众多,且RIS相移的常模约束导致优化问题非凸。
因此,本文的主要贡献如下:第一,考虑了一个RIS辅助的混合近远场定位场景,并且设计了一个定位协议来实现基站、RIS、用户的协作。第二,构建了定位损失最小化的位置估计问题,并且设计了一个基于网格搜索的定位算法;以最小化距离和角度估计误差的加权克拉美罗界(CRB, Cramér-Rao Bound)构建了RIS相移优化问题,并设计了一个基于复圆流形(CCM, Complex Circle Manifold)的优化算法以获得最优的RIS相移。第三,将仿真结果和其他现有的RIS辅助定位方法进行了对比,结果显示本文提出的方法对于近场和远场用户的定位精度都优于对比算法。
1 系统模型
本节首先介绍用户定位的场景,然后给出信号模型和定位协议。
如图1中所示,考虑由一个用户、一个RIS和一个基站(BS, Base Station)组成的定位场景。其中用户和基站配有单天线,RIS由N个单元组成。以RIS中心作为原点,其所在平面作为Y-Z平面建立直角坐标系。假设用户和基站之间的直射径(LOS, Line-of-Sight)受阻,仅存在通过RIS反射的反射径。
在定位过程中,用户发射频率为fc,波长为λ的窄带信号,该信号经过RIS反射后,由基站接收。随后基站根据接收信号估计用户位置。假设基站和RIS的位置已知,而用户位于RIS的近场还是远场是未知的。
1.1 信号模型
1.2 定位协议
2 RIS辅助的近远场定位算法
2.1 定位问题建模
2.2 定位算法
3 RIS相移优化
3.1 相移优化问题建模
3.2 RIS相移优化算法
4 仿真结果
本节介绍仿真结果,以展示提出方法的性能。使用具有10×10个单元的RIS,单元间距为λ/2。信号发射频率为28 GHz[17]。对于搜索域的采样,将极角和方位角区域均匀划分为10份,距离采样间隔设定为5λ。设定总周期数为K=15。
图4中(a)、(b)分别展示了当用户位于近场或远场时不同信噪比下角度估计的均方根误差(RMSE, Root Mean Square Error)。信噪比定义为当所有RIS单元的反射系数都设为1时的接收信号与噪声功率之比[18]。分别选取了一个针对近场(文献[19]中的AML, Approximate Maximum Likelihood)和一个针对远场(文献[20]中的QML, Quantized Maximum Likelihood)的RIS辅助定位方法作为对比算法。此外,还将所提出的算法和纯近场或纯远场模型相结合,以展示所提出的算法带来的增益,而排除混合近远场模型带来的增益,分别记为本方案(近场)和本方案(远场)。可以看出,随着信噪比的上升,均方根误差先下降,随后保持不变。当信噪比足够大的时候,均方根误差不再下降,这是因为估计位置只能处于采样的格点处,而用户的真实位置可能不位于格点处。从图4(a)和(b)中也可以看出,本文提出的算法应用到混合近远场模型中时(标记为本方案(近远场)),在近场和远场情况下都优于AML和QML算法,这显示了所提出方法的优越性。此外,如图4(a)所示,本文提出的算法应用在近场模型中的均方根误差略低于运用于混合近远场模型中的均方根误差,而在图4(b)中,提出的算法在远场模型中的均方根误差略高。这是因为近场模型在描述无线信道时的精度最高,而远场模型的精度最低。
同时,本文提出的算法应用到近场模型比混合近远场模型具有更长的算法运行时间,这表明近场模型具有更高的复杂度。当RIS具有100个单元时,本方案(近场)的平均算法运行时间约为0.62 s,而本方案(近远场)的平均运行时间为0.22 s。这是因为给定定位区域,算法应用于纯近场模型中的采样位置更多,导致总体复杂度上升。
图5展示了在不同信噪比情况下距离估计结果的均方根误差。可以观察到,提出的算法应用到近场和混合近远场模型中的估计精度均显著高于对比算法,表明本文提出的方法在距离估计方面优于对比算法。随着信噪比的降低,本文提出的方法在定位误差的降低小于对比算法,说明本文提出的算法在距离估计上对信噪比不敏感。
5 结束语
本文提出了一种RIS辅助的近远场定位方法。具体而言,考虑了一个混合近远场定位场景,并设计了一个定位协议来协调基站、RIS和用户。本文提出了一个基于网格搜索法的定位算法用于用户位置估计,分析了用户位置参数的克拉美罗界,并设计了一个基于复圆流形的RIS相位优化算法以提升定位精度。仿真结果表明:1)本文提出的定位方法能够在给定RIS大小的情况下,提供比现有对比算法更高的定位精度;2)距离估计精度对信噪比变化不敏感,即使在低信噪比情况下也能实现厘米级精度。
参考文献:(上下滑动浏览)
[1] Zhang H, Yang Z, Tian Y, et al. Reconfigurable holographic surface aided collaborative wireless SLAM using federated learning for autonomous driving[J]. IEEE Trans. Intell. Veh., 2023,8(8): 4031-4046.
[2] 栾宁,熊轲,张煜, 等. 6G:典型应用、关键技术与面临挑战[J]. 物联网学报, 2022,6(1): 29-43.
[3] 马露洁,梁彦,李飞. 基于统计CSI的空中智能反射面辅助大规模MIMO系统传输优化方案[J]. 物联网学报, 2024,8(1): 17-28.
[4] Mylonopoulos G, Venturino L, Buzzi S, et al. Maximum-Likelihood User Localization in Active-RIS Empowered mmWave Wireless Networks[C]. Proc. IEEE EuCAP, 2023: 1-5.
[5] Zhang S, Zhang H, Di B, et al. Intelligent omni-surfaces: Ubiquitous wireless transmission by reflective-refractive metasurfaces[J]. IEEE Trans. Wirel. Commun., 2021,21(1): 219-233.
[6] Zhang H, Zeng S, Di B, et al. Intelligent omni-surfaces for full-dimensional wireless communications: Principles, technology, and implementation[J]. IEEE Commun. Mag., 2022,60(2): 39-45.
[7] Lu H, Zeng Y. Communicating with extremely large-scale array/surface: Unified modeling and performance analysis[J]. IEEE Trans. Wirel. Commun., 2021,21(6): 4039-4053.
[8] Abu-Shaban Z, Keykhosravi K, Keskin M F, et al. Near-field localization with a reconfigurable intelligent surface acting as lens[C]//Proc. IEEE ICC. 2021: 1-6.
[9] Zhao S, Liu Y, Wu L, et al. Recursive UE localization for a multi-RIS-assisted wireless system in an obstacle-dense environment[C]//Proc. IEEE EuCAP. 2023: 1-5.
[10] Zhang F, Zhao M M, Lei M, et al. Joint power allocation and phase-shift design for RIS-aided cooperative near-field localization[C]//Proc. IEEE ISWCS. 2022: 1-6.
[11] Wei X, Dai L, Zhao Y, et al. Codebook design and beam training for extremely large-scale RIS: Far-field or near-field?[J]. China Commun., 2022,19(6): 193-204.
[12] Han Y, Jin S, Wen C K, et al. Channel estimation for extremely large-scale massive MIMO systems[J]. IEEE Wirel. Commun. Lett., 2020,9(5): 633-637.
[13] Kay S. Fundamentals of Statistical Signal Processing[M]. Volume I: Estimation Theory, 1st ed. Prentice Hall, 1993.
[14] Wang L, Zheng P, Liu X, et al. Beamforming Design and Performance Evaluation for RIS-Aided Localization Using LEO Satellite Signals[C]//Proc. IEEE ICASSP, 2024: 13166-13170.
[15] Chen H, Bai Y, Wang Q, et al. DOA estimation assisted by reconfigurable intelligent surfaces[J]. IEEE Sens. J., 2023,23(12): 13433-13442.
[16] Pan C, Zhou G, Zhi K, et al. An overview of signal processing techniques for RIS/IRS-aided wireless systems[J]. IEEE J. Sel. Top. Signal Process., 2022,16(5): 883-917.
[17] Rahal M, Denis B, Keykhosravi K, et al. RIS-enabled localization continuity under near-field conditions[C]//Proc. IEEE SPAWC, 2021: 436-440.
[18] Luan M, Wang B, Zhao Y, et al. Phase design and near-field target localization for RIS-assisted regional localization system[J]. IEEE Trans. Veh. Technol., 2021,71(2): 1766-1777.
[19] Ozturk C, Keskin M F, Wymeersch H, et al. RIS-aided near-field localization under phase-dependent amplitude variations[J]. IEEE Trans. Wirel. Commun., 2023,22(8): 5550-5566.
[20] Ye Z, Junaid F, Nilsson R, et al. Single-antenna sensor localization with reconfigurable intelligent surfaces[C]//Proc. IEEE GLOBECOM, 2022: 6200-6205.
★原文刊发于《移动通信》2024年第10期★
doi:10.3969/j.issn.1006-1010.20240819-0001
中图分类号:TN929.5 文献标志码:A
文章编号:1006-1010(2024)10-0002-06
引用格式:曹梦媛,张浩波,张泓亮. 可重构智能超表面辅助的混合近远场定位方法[J]. 移动通信, 2024,48(10): 2-7.
CAO Mengyuan, ZHANG Haobo, ZHANG Hongliang. Hybrid Near-field and Far-field Localization with Reconfigurable Intelligent Surfaces[J]. Mobile Communications, 2024,48(10): 2-7.
《移动通信》投稿方式为在线投稿
请您登录网页投稿系统
链接地址:http://ydtx.cbpt.cnki.net