Positionierung mit rekonfigurierbaren intelligenten Oberflächen vorantreiben

Genaues Positionieren ist super wichtig für viele moderne Anwendungen, wie zum Beispiel selbstfahrende Autos, Augmented Reality und Navigationssysteme. Das Global Positioning System (GPS) ist die gängigste Methode für Navigation, hat aber auch seine Grenzen. GPS hat es schwer in manchen Umgebungen, wie Tunneln oder dicht besiedelten Städten, wo die Sicht zu den Satelliten blockiert ist.

Mobilfunknetze bieten eine Alternative für die Positionierung, und die Methoden haben sich über die Jahre weiterentwickelt. In den Anfangszeiten der Mobilfunknetze basierte die Schätzung der Position eines mobilen Geräts auf einfachen Techniken. Mit dem technologischen Fortschritt kamen dann ausgeklügeltere Methoden, besonders in 4G- und 5G-Netzen. Techniken wie Time Difference of Arrival (TDoA) und Angle of Arrival (AoA) ermöglichten genauere Positionierungen, benötigten aber zusätzlich Infrastruktur. Die neueste Generation, 6G, will auf diesen Fortschritten aufbauen und gleichzeitig auf Nachhaltigkeit und Effizienz achten.

Rekonfigurierbare intelligente Flächen (RIS) sind eine Schlüsseltechnologie für 6G. RIS sollen zusätzliche, kontrollierbare Wege für Signale schaffen, was die Kommunikation verbessert, ohne mehr Basisstationen zu benötigen. Sie bestehen aus vielen kleinen Elementen, die Signale in bestimmte Richtungen reflektieren können, was die Signalstärke erhöht und Interferenzen an gewünschten Orten reduziert. Diese Technologie hat das Potenzial, Positionierungssysteme deutlich zu verbessern, besonders in überfüllten oder komplexen Umgebungen.

#RIS und Positionierung

Die Nutzung von RIS für die Positionierung wurde bereits ausführlich untersucht. Forscher schauen sich an, wie RIS die Lokalisierungsleistung verbessern können, indem sie zusätzliche reflektierte Wege für Signale schaffen, um die Benutzergeräte (UE) zu erreichen. Die Herausforderung besteht darin, Ressourceneffizienz mit dem Bedarf an genauer und zuverlässiger Positionierung in Einklang zu bringen. Viele Studien zeigen, dass es möglich ist, mit minimalen Ressourcen eine präzise Lokalisierung zu erreichen, was diesen Ansatz für zukünftige Kommunikationssysteme attraktiv macht.

Die meisten bestehenden Studien ignorieren jedoch den Carrier Frequency Offset (CFO), ein Phänomen, das die Genauigkeit von Signalmessungen beeinträchtigt. CFO entsteht, wenn es einen Frequenzunterschied zwischen der Basisstation und dem Benutzergerät gibt. Dieses Problem wird deutlicher, wenn mehrere RIS beteiligt sind und kann die Schätzung der Benutzerposition komplizieren. Daher sind systematische Studien notwendig, um zu untersuchen, wie man gemeinsame Lokalisierung und Frequenzsynchronisation in Szenarien mit RIS durchführen kann.

#Forschungsziele

Diese Arbeit zielt darauf ab, das Lokalisierungsproblem für einen stationären Benutzer mit Hilfe von RIS anzugehen. Konkret liegt der Fokus darauf, wie man eine genaue dreidimensionale Lokalisierung und Frequenzsynchronisation erreichen kann, selbst wenn die direkte Sichtlinie zwischen der Basisstation und dem Benutzergerät blockiert ist. Das Ziel ist es, ein ressourcenschonendes System mit minimalem Hardware- und Spektralressourceneinsatz zu schaffen.

Wir werden verschiedene Algorithmen entwickeln, um die Position des Benutzers zu schätzen und deren Leistung zu bewerten. Besonders werden wir analysieren, wie die Anwesenheit von unkontrollierten Mehrwegekomponenten und unterschiedlichen CFO-Niveaus die Genauigkeit unserer Algorithmen beeinflusst. Die Ergebnisse werden die Machbarkeit der RIS-unterstützten Lokalisierung in realen Szenarien zeigen.

#Systemübersicht

Das vorgeschlagene Lokalisierungssystem besteht aus einer Einzelantennen-Basisstation, mehreren RIS und einem stationären Benutzer. Die Einrichtung umfasst bekannte Positionen sowohl für die Basisstation als auch für die RIS, während der Standort des Benutzers unbekannt ist. Das Ziel ist es, diesen Standort mithilfe von Signalen zu schätzen, die von der Basisstation gesendet und von den RIS reflektiert werden.

In diesem System sendet die Basisstation Signale, die dann von den RIS reflektiert werden, bevor sie den Benutzer erreichen. Diese Reflexionen schaffen mehrere Wege für die Signale, was die Chancen auf eine genaue Empfang erhöht. Das System muss auch die Frequenzunterschiede zwischen der Basisstation und dem Benutzer berücksichtigen.

#Herausforderungen bei der Lokalisierung

Eine der grössten Herausforderungen in diesem Setup ist es, die Position des Benutzers genau zu schätzen, obwohl CFO vorhanden ist. Die empfangenen Signale werden nicht nur durch die Entfernung und Richtung von der Basisstation zum Benutzer beeinflusst, sondern auch durch die Variationen, die durch Mehrwegeausbreitung und Frequenzoffsets entstehen.

Um dieses Problem zu lösen, werden wir verschiedene Algorithmen entwerfen, die effizient in verschiedenen Szenarien arbeiten können, zum Beispiel wenn die Sichtlinie klar oder blockiert ist. Die Algorithmen werden statistische Methoden nutzen, um die unbekannten Parameter im System zu schätzen, was eine genaue Lokalisierung selbst unter schwierigen Bedingungen ermöglicht.

#Algorithmen zur Schätzung

Wir werden Algorithmen entwickeln, die verschiedene Aspekte des Lokalisierungsprozesses behandeln. Diese Algorithmen werden auf die Spezifika des jeweiligen Szenarios zugeschnitten, egal ob die Sichtlinie klar oder blockiert ist.

1. LoS-Erkennung: Ein entscheidender Schritt im Prozess ist es, zu erkennen, ob die Sichtlinie zwischen der Basisstation und dem Benutzer existiert. Ein effizienter Algorithmus für diese Erkennung hilft festzustellen, welchen Schätzansatz man verwenden sollte.

2. CFO-Schätzung: Eine genaue Schätzung des CFO ist entscheidend für die Gesamtleistung des Lokalisierungssystems. CFO beeinflusst, wie die verschiedenen Wege wahrgenommen werden, und wenn man das nicht berücksichtigt, kann das zu erheblichen Fehlern bei der Positionsschätzung führen.

3. Schätzung der Kanalparameter: Sobald der CFO geschätzt wurde, ist es notwendig, die Kanalparameter zu schätzen, die mit den Wegen zwischen der Basisstation, den RIS und dem Benutzer verbunden sind.

4. Positionsschätzung: Schliesslich werden wir anhand der Informationen aus den vorherigen Schritten die Position des Benutzers in drei Dimensionen schätzen.

#Leistungsanalyse

Um die Effektivität unserer Algorithmen zu überprüfen, werden wir Leistungsbewertungen unter verschiedenen Bedingungen durchführen. Dazu gehört die Simulation sowohl der Anwesenheit als auch der Abwesenheit einer direkten Sichtlinie und die Bewertung der Auswirkungen unkontrollierter Mehrwegekomponenten auf die Ergebnisse.

Wir werden die Leistung unserer Algorithmen mit theoretischen Grenzen vergleichen, um sicherzustellen, dass sie akzeptable Genauigkeitsniveaus erreichen. Die Leistungsmetriken konzentrieren sich auf den quadratischen Mittelwertfehler (RMSE), was es uns ermöglicht, zu quantifizieren, wie nah die geschätzten Positionen den tatsächlichen Werten entsprechen.

#Sensitivitätsanalyse

Ein wichtiger Aspekt unserer Bewertung ist die Sensitivitätsanalyse. Wir werden untersuchen, wie gut unsere Algorithmen unter verschiedenen CFO-Niveaus und unkontrollierten Mehrwegekomponenten abschneiden. Diese Analyse wird helfen, die Grenzen unseres Ansatzes zu identifizieren und Bereiche für zukünftige Verbesserungen aufzuzeigen.

Konkret werden wir:

• Untersuchen, wie Veränderungen im CFO die Genauigkeit der Positionsschätzungen beeinflussen.
• Die Leistung des Systems unter unterschiedlichen Niveaus von Mehrwegeinterferenzen überprüfen.
• Die Robustheit unserer Algorithmen in realen Szenarien bestimmen, wo die Bedingungen unberechenbar sein können.

#Fazit

Zusammenfassend zielt diese Arbeit darauf ab, das Feld der Lokalisierung mit rekonstruierten intelligenten Flächen voranzubringen. Durch die Entwicklung robuster Algorithmen zur Schätzung der Benutzerpositionen und zur Frequenzsynchronisation hoffen wir, praktische Lösungen zu bieten, die effizient mit minimalen Ressourcen arbeiten.

Die Ergebnisse werden zu den laufenden Bemühungen beitragen, nachhaltige Kommunikationssysteme für zukünftige Generationen zu schaffen, insbesondere im Bereich der 6G-Technologie. Unsere Erkenntnisse werden Auswirkungen auf verschiedene Anwendungen haben, die auf genaue Positionierung angewiesen sind und den Weg für verbesserte Benutzererlebnisse in den Bereichen Navigation, Kommunikation und mehr ebnen.

Wenn wir weitermachen, könnte zukünftige Forschung dynamischere Szenarien erforschen, um die Herausforderungen zu bewältigen, die sich aus sich bewegenden Benutzern und sich schnell ändernden Umgebungen ergeben. Durch diese Arbeit wollen wir die Grundlage für ein effizienteres und genaueres Lokalisierungsframework legen, das sich den Anforderungen einer vernetzten Welt anpassen kann.