論文の概要: Waveform Selection for Radar Tracking in Target Channels With Memory via
Universal Learning
- arxiv url: http://arxiv.org/abs/2108.01181v1
- Date: Mon, 2 Aug 2021 21:27:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 13:49:19.276732
- Title: Waveform Selection for Radar Tracking in Target Channels With Memory via
Universal Learning
- Title(参考訳): ユニバーサル学習による記憶のあるターゲットチャネルにおけるレーダ追跡のための波形選択
- Authors: Charles E. Thornton, R. Michael Buehrer, Anthony F. Martone
- Abstract要約: 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。
- 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: In tracking radar, the sensing environment often varies significantly over a
track duration due to the target's trajectory and dynamic interference.
Adapting the radar's waveform using partial information about the state of the
scene has been shown to provide performance benefits in many practical
scenarios. Moreover, radar measurements generally exhibit strong temporal
correlation, allowing memory-based learning algorithms to effectively learn
waveform selection strategies. This work examines a radar system which builds a
compressed model of the radar-environment interface in the form of a
context-tree. The radar uses this context tree-based model to select waveforms
in a signal-dependent target channel, which may respond adversarially to the
radar's strategy. This approach is guaranteed to asymptotically converge to the
average-cost optimal policy for any stationary target channel that can be
represented as a Markov process of order U < $\infty$, where the constant U is
unknown to the radar. The proposed approach is tested in a simulation study,
and is shown to provide tracking performance improvements over two
state-of-the-art waveform selection schemes.
- Abstract(参考訳): 追跡レーダでは、ターゲットの軌跡と動的干渉により、センシング環境はしばしばトラック持続時間を大きく変化させる。
シーンの状態に関する部分的な情報を用いてレーダの波形を適応させることは、多くの実用的なシナリオにおいてパフォーマンスの利点をもたらすことが示されている。
さらに、レーダー測定は時間相関が強く、メモリベースの学習アルゴリズムは波形選択戦略を効果的に学習することができる。
本研究では,レーダー環境インタフェースの圧縮モデルをコンテキストツリーとして構築するレーダシステムについて検討する。
radarは、このコンテキストツリーベースのモデルを使用して、信号に依存したターゲットチャネル内の波形を選択する。
このアプローチは、レーダーに定数 U が未知の順序 U < $\infty$ のマルコフ過程として表現できる任意の定常目標チャネルに対する平均コスト最適ポリシーに漸近的に収束することが保証されている。
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跡性能の向上が示されている。
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) - 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) - Histogram Layer Time Delay Neural Networks for Passive Sonar
Classification [58.720142291102135]
時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。
提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
論文 参考訳(メタデータ) (2023-07-25T19:47:26Z) - 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) - Identifying Coordination in a Cognitive Radar Network -- A
Multi-Objective Inverse Reinforcement Learning Approach [30.65529797672378]
本稿では,レーダ間のコーディネーションを検出するために,新しい多目的逆強化学習手法を提案する。
また、多目的最適化システムの逆検出と学習に関するより一般的な問題にも適用できる。
論文 参考訳(メタデータ) (2022-11-13T17:27:39Z) - 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) - 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。