Fugu-MT 論文翻訳(概要): Adversarial Radar Inference: Inverse Tracking, Identifying Cognition and Designing Smart Interference

論文の概要: Adversarial Radar Inference: Inverse Tracking, Identifying Cognition and Designing Smart Interference

arxiv url: http://arxiv.org/abs/2008.01559v2
Date: Thu, 22 Jul 2021 12:10:18 GMT
ステータス: 処理完了
システム内更新日: 2022-11-04 01:14:01.461920
Title: Adversarial Radar Inference: Inverse Tracking, Identifying Cognition and Designing Smart Interference
Title（参考訳）: adversarial radar inference: 逆追跡、認識同定、スマート干渉の設計
Authors: Vikram Krishnamurthy and Kunal Pattanayak and Sandeep Gogineni and Bosung Kang and Muralidhar Rangaswamy
Abstract要約: 本稿では,認知レーダを含む3つの対向的推論問題について考察する。まず、レーダの逆追跡について議論し、レーダの動作に基づいて敵の予測を推定し、レーダの知覚精度を校正する。第二に、マイクロ経済学からの選好を明らかにすることによって、認知レーダが信号処理制約のある制約付きユーティリティ最大化器であるかどうかを判定するために、非パラメトリック試験を定式化する。
参考スコア（独自算出の注目度）: 15.04540534703128
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper considers three inter-related adversarial inference problems involving cognitive radars. We first discuss inverse tracking of the radar to estimate the adversary's estimate of us based on the radar's actions and calibrate the radar's sensing accuracy. Second, using revealed preference from microeconomics, we formulate a non-parametric test to identify if the cognitive radar is a constrained utility maximizer with signal processing constraints. We consider two radar functionalities, namely, beam allocation and waveform design, with respect to which the cognitive radar is assumed to maximize its utility and construct a set-valued estimator for the radar's utility function. Finally, we discuss how to engineer interference at the physical layer level to confuse the radar which forces it to change its transmit waveform. The levels of abstraction range from smart interference design based on Wiener filters (at the pulse/waveform level), inverse Kalman filters at the tracking level and revealed preferences for identifying utility maximization at the systems level.
Abstract（参考訳）: 本稿では,認知レーダを含む3つの関連する敵推論問題について考察する。最初にレーダーの逆追尾を議論し,レーダーの動作に基づいて敵の我々の推定値を推定し,レーダーのセンシング精度を校正する。第2に,マイクロエコノミクスからの選好を明らかにした場合,認知レーダが信号処理制約のある制約付きユーティリティ最大化器であるかどうかを識別するために非パラメトリックテストを行う。本研究では,コグニティブレーダの実用性を最大化するためにビーム割り当てと波形設計という2つのレーダ機能を検討し,レーダの実用機能のためのセット値推定器を構築する。最後に,物理層レベルの干渉を制御してレーダを混乱させ,送信波形を変更させる方法について検討する。抽象化のレベルは、Wienerフィルタ(パルス/波形レベル)に基づくスマート干渉設計、トラッキングレベルでの逆カルマンフィルタ、システムレベルでのユーティリティ最大化の特定など多岐にわたる。

関連論文リスト

Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文参考訳（メタデータ） (2023-07-31T09:53:50Z)
Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object Detection [78.59426158981108]
この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2023-06-02T10:57:41Z)
Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2023-05-22T07:09:35Z)
How can a Radar Mask its Cognition? [19.044614610714856]
認知レーダーは、認識を検出する敵からその戦略を隠蔽することができる。レーダーは意図的に設計された準最適応答を敵のナイマン・ピアソン検出器のスポークに送信する。レーダーの最適戦略からの小さな目的偏差が、敵をかなりの量混乱させることを示す。
論文参考訳（メタデータ） (2022-10-20T17:45:55Z)
Meta-Cognition. An Inverse-Inverse Reinforcement Learning Approach for Cognitive Radars [19.044614610714856]
認知レーダは、その波形(応答)を、潜在的に対向する移動ターゲットの操作(プローブ)に応じて最適に適応させる。メタ認知レーダーは、その応答を選択して、敵がレーダーの実用機能を見積もろうとするのを十分に混乱させるにはどうすればよいのか? メタ認知レーダーは逆逆強化学習(I-IRL)と呼ぶ。
論文参考訳（メタデータ） (2022-05-03T21:39:36Z)
Unsupervised Domain Adaptation across FMCW Radar Configurations Using Margin Disparity Discrepancy [17.464353263281907]
本研究では、ディープラーニングの人間活動分類の文脈において、レーダー構成にまたがる非教師なし領域適応の問題を考える。我々は、コンピュータビジョンの分野ですでに成功している、Margin Disparity Discrepancyの理論に触発されたテクニックに焦点を当てた。我々の実験は、この手法をレーダーデータに拡張し、同じ分類問題に対する少数ショット教師付きアプローチに匹敵する精度を達成した。
論文参考訳（メタデータ） (2022-03-09T09:11:06Z)
Waveform Selection for Radar Tracking in Target Channels With Memory via Universal Learning [14.796960833031724]
シーンの状態に関する部分的な情報を用いてレーダーの波形を適応させることは、多くの現実的なシナリオにおいてパフォーマンス上の利点をもたらすことが示されている。本研究では,レーダ環境インタフェースの圧縮モデルを構築するレーダシステムについて,文脈木として検討する。提案手法はシミュレーション実験で検証され、2つの最先端波形選択方式による追従性能の向上が示されている。
論文参考訳（メタデータ） (2021-08-02T21:27:56Z)
Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
論文参考訳（メタデータ） (2021-04-29T10:06:29Z)
Constrained Contextual Bandit Learning for Adaptive Radar Waveform Selection [14.796960833031724]
適応レーダシステムが有限状態目標チャネルと繰り返し相互作用する逐次決定過程について検討する。レーダーは受動的に波形の選択プロセスに側面情報を提供する規則的な間隔でスペクトルを感知できます。波形選択問題は線形文脈バンディット定式化を用いて効果的に解決できることを示す。
論文参考訳（メタデータ） (2021-03-09T16:43:50Z)
LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文参考訳（メタデータ） (2020-10-02T00:13:00Z)
RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。 RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文参考訳（メタデータ） (2020-07-28T17:15:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。