Fugu-MT 論文翻訳(概要): Identifying Coordination in a Cognitive Radar Network -- A Multi-Objective Inverse Reinforcement Learning Approach

論文の概要: Identifying Coordination in a Cognitive Radar Network -- A Multi-Objective Inverse Reinforcement Learning Approach

arxiv url: http://arxiv.org/abs/2211.06967v1
Date: Sun, 13 Nov 2022 17:27:39 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 20:01:21.062668
Title: Identifying Coordination in a Cognitive Radar Network -- A Multi-Objective Inverse Reinforcement Learning Approach
Title（参考訳）: 認知レーダネットワークにおけるコーディネーションの同定 -多目的逆強化学習アプローチ-
Authors: Luke Snow and Vikram Krishnamurthy and Brian M. Sadler
Abstract要約: 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。
参考スコア（独自算出の注目度）: 30.65529797672378
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Consider a target being tracked by a cognitive radar network. If the target can intercept some radar network emissions, how can it detect coordination among the radars? By 'coordination' we mean that the radar emissions satisfy Pareto optimality with respect to multi-objective optimization over each radar's utility. This paper provides a novel multi-objective inverse reinforcement learning approach which allows for both detection of such Pareto optimal ('coordinating') behavior and subsequent reconstruction of each radar's utility function, given a finite dataset of radar network emissions. The method for accomplishing this is derived from the micro-economic setting of Revealed Preferences, and also applies to more general problems of inverse detection and learning of multi-objective optimizing systems.
Abstract（参考訳）: 認知レーダーネットワークによって追跡されているターゲットを考える。ターゲットがレーダーネットワークの排出を傍受できるならどうやってレーダー間の協調を検知できる? 座標」により、各レーダーの実用性に対する多目的最適化に関して、レーダー放射がパレート最適性を満たすことを意味する。本稿では,このようなパレート最適(コーディネート)行動の検出と,レーダネットワーク排出の有限データセットを与えられた各レーダのユーティリティ関数の復元を両立する,新しい多目的逆強化学習手法を提案する。これを実現する方法は、Revealed Preferencesのミクロ経済設定から派生し、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。

関連論文リスト

Multi-Target Radar Search and Track Using Sequence-Capable Deep Reinforcement Learning [0.26999000177990923]
この研究はレーダーシステムのセンサタスク管理に対処する。強化学習を用いて、複数のターゲットを効率的に探索し、追跡することに焦点を当てている。重要な貢献は、強化学習がセンサー管理をどのように最適化できるかを示すことである。
論文参考訳（メタデータ） (2025-02-19T09:55:38Z)
Multistatic-Radar RCS-Signature Recognition of Aerial Vehicles: A Bayesian Fusion Approach [10.908489565519211]
無人航空機(UAV)用のレーダー自動目標認識(RATR)は、電磁波(EMW)を送信し、受信したレーダーエコーに対して目標型認識を行う。これまでの研究では、RATRにおけるモノスタティックレーダよりも、マルチスタティックレーダの構成の利点を強調していた。本稿では,複数のレーダからの分類確率ベクトルを集約するために,OBF(Optimal Bayesian Fusion)を用いた完全ベイズRATRフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-28T02:11:47Z)
End-to-End Training of Neural Networks for Automotive Radar Interference Mitigation [9.865041274657823]
本稿では,周波数変調連続波(WFMC)レーダ相互干渉緩和のためのニューラルネットワーク(NN)のトレーニング手法を提案する。 NNが干渉されたレーダー信号をきれいにするために訓練する代わりに、NNをオブジェクト検出マップ上で直接訓練する。我々は,レーダを用いた物体検出のアルゴリズムであるCA-CFARピーク検出器の連続的な緩和を行う。
論文参考訳（メタデータ） (2023-12-15T13:47:16Z)
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)
Tracking mulitple targets with multiple radars using Distributed Auctions [0.0]
分散型および協調型バンドルオークションに基づくレーダコーディネートのための高弾力性アルゴリズムを提案する。このアプローチでは、複数のターゲットを同時に追跡し、同じターゲットを追跡する2つのレーダーを使用して精度を向上させることができる。
論文参考訳（メタデータ） (2023-07-31T08:14:29Z)
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)
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)
Automotive Radar Interference Mitigation with Unfolded Robust PCA based on Residual Overcomplete Auto-Encoder Blocks [88.46770122522697]
自律走行では、レーダーシステムは道路上の他の車両のような標的を検出する上で重要な役割を果たす。自動車用レーダー干渉緩和のための深層学習手法は、目標の振幅を確実に推定できるが、それぞれの目標の位相を回復できない。干渉の有無で振幅と位相の両方を推定できる効率的かつ効率的な手法を提案する。
論文参考訳（メタデータ） (2020-10-14T09:41:06Z)
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。