Fugu-MT 論文翻訳(概要): Constrained Contextual Bandit Learning for Adaptive Radar Waveform Selection

論文の概要: Constrained Contextual Bandit Learning for Adaptive Radar Waveform Selection

arxiv url: http://arxiv.org/abs/2103.05541v1
Date: Tue, 9 Mar 2021 16:43:50 GMT
ステータス: 処理完了
システム内更新日: 2021-03-10 14:42:07.794365
Title: Constrained Contextual Bandit Learning for Adaptive Radar Waveform Selection
Title（参考訳）: 適応レーダ波形選択のための制約付きコンテキストバンディット学習
Authors: Charles E. Thornton, R. Michael Buehrer, Anthony F. Martone
Abstract要約: 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。
参考スコア（独自算出の注目度）: 14.796960833031724
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A sequential decision process in which an adaptive radar system repeatedly interacts with a finite-state target channel is studied. The radar is capable of passively sensing the spectrum at regular intervals, which provides side information for the waveform selection process. The radar transmitter uses the sequence of spectrum observations as well as feedback from a collocated receiver to select waveforms which accurately estimate target parameters. It is shown that the waveform selection problem can be effectively addressed using a linear contextual bandit formulation in a manner that is both computationally feasible and sample efficient. Stochastic and adversarial linear contextual bandit models are introduced, allowing the radar to achieve effective performance in broad classes of physical environments. Simulations in a radar-communication coexistence scenario, as well as in an adversarial radar-jammer scenario, demonstrate that the proposed formulation provides a substantial improvement in target detection performance when Thompson Sampling and EXP3 algorithms are used to drive the waveform selection process. Further, it is shown that the harmful impacts of pulse-agile behavior on coherently processed radar data can be mitigated by adopting a time-varying constraint on the radar's waveform catalog.
Abstract（参考訳）: 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。レーダ送信機は、スペクトル観測のシーケンスと、コロケーション受信機からのフィードバックを用いて、ターゲットパラメータを正確に推定する波形を選択する。波形選択問題は,線形文脈バンディット定式化を用いて,計算可能かつサンプル効率の良い方法で効果的に解決できることを示す。確率的および逆転的な線形文脈的バンディットモデルが導入され、レーダーは幅広い物理環境で効果的なパフォーマンスを達成できます。レーダ通信共存シナリオと対向レーダジャマーシナリオのシミュレーションでは、トンプソンサンプリングとEXP3アルゴリズムが波形選択プロセスの駆動に使用される場合、提案された定式化が目標検出性能を大幅に改善することを示した。さらに,レーダーの波形カタログに時間変動制約を適用することで,コヒーレントに処理されたレーダデータに対するパルス・アジャイル行動の有害な影響を軽減できることを示した。

関連論文リスト

Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
論文参考訳（メタデータ） (2024-05-07T20:44:48Z)
Adaptive LPD Radar Waveform Design with Generative Deep Learning [6.21540494241516]
本稿では,検出レーダ波形の低確率を適応的に生成する新しい学習手法を提案する。提案手法では,検出可能性の最大90%を低減できるLPD波形を生成できると同時に,アンビグニティ関数(センシング)特性も向上する。
論文参考訳（メタデータ） (2024-03-18T21:07:57Z)
Multi-stage Learning for Radar Pulse Activity Segmentation [51.781832424705094]
無線信号認識は電子戦において重要な機能である。電子戦システムでは、レーダパルス活動の正確な識別と位置決めが要求される。ディープラーニングに基づくレーダーパルス活動認識法は、ほとんど未検討のままである。
論文参考訳（メタデータ） (2023-12-15T01:56:27Z)
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)
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)
Online Learning-based Waveform Selection for Improved Vehicle Recognition in Automotive Radar [8.113163502779175]
本稿では,オンライン強化学習に基づく波形選択に関する重要な考察と課題について述べる。本稿では,トンプソンサンプリングに基づく新しい学習手法を提案する。
論文参考訳（メタデータ） (2022-12-01T16:10:30Z)
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)
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)
Adversarial Radar Inference: Inverse Tracking, Identifying Cognition and Designing Smart Interference [15.04540534703128]
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。
論文参考訳（メタデータ） (2020-08-01T13:17:07Z)
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)
Deep Reinforcement Learning Control for Radar Detection and Tracking in Congested Spectral Environments [8.103366584285645]
レーダは、他のシステムとの相互干渉を軽減するために、その線形周波数変調(LFM)波形の帯域幅と中心周波数を変化させることを学ぶ。 DQLベースのアプローチを拡張して、ダブルQ-ラーニングとリカレントニューラルネットワークを組み込んで、ダブルディープリカレントQ-ネットワークを形成する。実験結果から,提案手法は集束スペクトル環境におけるレーダ検出性能を大幅に向上させることが示された。
論文参考訳（メタデータ） (2020-06-23T17:21:28Z)

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。