論文の概要: How can a Radar Mask its Cognition?

• arxiv url: http://arxiv.org/abs/2210.11444v1
• Date: Thu, 20 Oct 2022 17:45:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 16:11:07.947489
• Title: How can a Radar Mask its Cognition?
• Title（参考訳）: レーダーはどのように認識をマスクできるか?
• Authors: Kunal Pattanayak and Vikram Krishnamurthy and Christopher Berry
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.044614610714856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A cognitive radar is a constrained utility maximizer that adapts its sensing mode in response to a changing environment. If an adversary can estimate the utility function of a cognitive radar, it can determine the radar's sensing strategy and mitigate the radar performance via electronic countermeasures (ECM). This paper discusses how a cognitive radar can {\em hide} its strategy from an adversary that detects cognition. The radar does so by transmitting purposefully designed sub-optimal responses to spoof the adversary's Neyman-Pearson detector. We provide theoretical guarantees by ensuring the Type-I error probability of the adversary's detector exceeds a pre-defined level for a specified tolerance on the radar's performance loss. We illustrate our cognition masking scheme via numerical examples involving waveform adaptation and beam allocation. We show that small purposeful deviations from the optimal strategy of the radar confuse the adversary by significant amounts, thereby masking the radar's cognition. Our approach uses novel ideas from revealed preference in microeconomics and adversarial inverse reinforcement learning. Our proposed algorithms provide a principled approach for system-level electronic counter-countermeasures (ECCM) to mask the radar's cognition, i.e., hide the radar's strategy from an adversary. We also provide performance bounds for our cognition masking scheme when the adversary has misspecified measurements of the radar's response.
• Abstract（参考訳）: 認知レーダ(英: Cognitive radar)は、環境の変化に応じてその感知モードに適応する制約付きユーティリティ最大化器である。 敵が認知レーダーの実用機能を推定できれば、レーダーの検知戦略を判断し、電子対策(ECM)を通じてレーダー性能を緩和することができる。 本稿では,認知レーダーが認識を検出する敵からその戦略を隠蔽する方法について論じる。 レーダーは故意に設計された副最適応答を敵のニーマン・ピアソン検出器のspoofに送信する。 敵の検出器のタイプiの誤差確率が、レーダーの性能損失に対する所定の許容レベルを超えることを保証し、理論的保証を提供する。 本稿では,波形適応とビーム割り当てを含む数値例を用いて,認知マスキング手法について述べる。 レーダーの最適戦略からのわずかな目的的逸脱が敵をかなりの量混乱させ、レーダーの認識を覆すことを示した。 我々のアプローチは、ミクロ経済学と逆逆強化学習における明らかにされた嗜好から生まれた新しいアイデアを用いる。 提案アルゴリズムは,レーダーの認識を隠蔽するシステムレベルの電子カウンターカウンタ対策(ECCM)に対して,敵からレーダーの戦略を隠蔽する原理的アプローチを提供する。 また,敵がレーダーの応答測定を誤認した場合の認識マスキング方式の性能限界も提示する。

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)
• Bootstrapping Autonomous Driving Radars with Self-Supervised Learning [13.13679517730015]
  レーダモデルの訓練は、大規模レーダデータの注釈付けのコストと難しさによって妨げられている。 本研究では,未ラベルのレーダデータを事前学習型レーダのみの埋め込みに活用して,自律型認識タスクを実現するための自己教師型学習フレームワークを提案する。 下流オブジェクト検出に使用する場合、提案するセルフスーパービジョンフレームワークが、最先端の教師付きベースラインの精度をmAPで5.8%向上できることを実証する。
  論文  参考訳（メタデータ） (2023-12-07T18:38:39Z)
• 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)
• 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)
• 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)
• 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)

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。