論文の概要: Joint Multi-Target Detection-Tracking in Cognitive Massive MIMO Radar via POMCP
- arxiv url: http://arxiv.org/abs/2507.17506v1
- Date: Wed, 23 Jul 2025 13:43:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-24 22:33:15.016319
- Title: Joint Multi-Target Detection-Tracking in Cognitive Massive MIMO Radar via POMCP
- Title（参考訳）: POMCPを用いた認知大容量MIMOレーダのマルチターゲット検出・追跡
- Authors: Imad Bouhou, Stefano Fortunati, Leila Gharsalli, Alexandre Renaux,
- Abstract要約: この対応は、複数の目標を共同で検出・追跡するためのパワー認識型認知レーダフレームワークを提供する。
部分観測可能なモンテカルロ計画(POMCP)に基づく従来の単一ターゲットアルゴリズムに基づいて,各ターゲットを独立したPOMCPツリーに割り当てることで,マルチターゲットケースに拡張する。
提案する認知レーダのフレームワークは,低SNR目標の検出確率を向上し,均一あるいは波形を用いた手法よりも高精度な追跡を実現する。
- 参考スコア（独自算出の注目度）: 42.99053410696693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This correspondence presents a power-aware cognitive radar framework for joint detection and tracking of multiple targets in a massive multiple-input multiple-output (MIMO) radar environment. Building on a previous single-target algorithm based on Partially Observable Monte Carlo Planning (POMCP), we extend it to the multi-target case by assigning each target an independent POMCP tree, enabling scalable and efficient planning. Departing from uniform power allocation-which is often suboptimal with varying signal-to-noise ratios (SNRs)-our approach predicts each target's future angular position and expected received power, based on its estimated range and radar cross-section (RCS). These predictions guide adaptive waveform design via a constrained optimization problem that allocates transmit energy to enhance the detectability of weaker or distant targets, while ensuring sufficient power for high-SNR targets. The reward function in the underlying partially observable Markov decision process (POMDP) is also modified to prioritize accurate spatial and power estimation. Simulations involving multiple targets with different SNRs confirm the effectiveness of our method. The proposed framework for the cognitive radar improves detection probability for low-SNR targets and achieves more accurate tracking compared to approaches using uniform or orthogonal waveforms. These results demonstrate the potential of the POMCP-based framework for adaptive, efficient multi-target radar systems.
- Abstract（参考訳）: この対応は、MIMO(Multiple-input multiple-output)レーダー環境において、複数の目標を共同で検出・追跡するためのパワーアウェアな認知レーダフレームワークを示す。
部分観測可能なモンテカルロ計画(POMCP)に基づく従来の単一ターゲットアルゴリズムに基づいて、各ターゲットを独立したPOMCPツリーに割り当てることで、マルチターゲットケースに拡張し、スケーラブルで効率的な計画を可能にする。
信号対雑音比 (SNR) に比例することが多い均一な電力割り当てから分離することで、推定範囲とレーダ断面積 (RCS) に基づいて、各目標の将来の角位置と受信電力を予測する。
これらの予測は、送信エネルギーを割り当てる制約付き最適化問題を通じて適応波形設計を導出し、より弱いターゲットや遠方のターゲットの検出可能性を高めるとともに、高SNRターゲットに対する十分な電力を確保する。
基礎となる部分観測可能マルコフ決定過程(POMDP)の報酬関数も、正確な空間的および電力推定を優先順位付けするために修正される。
SNRの異なる複数のターゲットを含むシミュレーションにより,本手法の有効性が確認された。
認識レーダのフレームワークは,低SNR目標の検出確率を向上し,一様あるいは直交波形を用いた手法よりも高精度な追跡を実現する。
これらの結果は、適応的で効率的なマルチターゲットレーダシステムのためのPOMCPベースのフレームワークの可能性を示している。
関連論文リスト
- Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。
この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
論文 参考訳（メタデータ） (2025-02-09T09:15:47Z) - POMDP-Driven Cognitive Massive MIMO Radar: Joint Target Detection-Tracking In Unknown Disturbances [42.99053410696693]
この研究は、トラッキングと検出タスクを強化するために、部分的に観測可能なマルコフ決定プロセスフレームワークの適用について検討する。
提案手法では,ノイズ統計に関するアプリオリ知識を必要としないオンラインアルゴリズムを用いる。
論文 参考訳（メタデータ） (2024-10-23T15:34:11Z) - Collaborative Ground-Space Communications via Evolutionary Multi-objective Deep Reinforcement Learning [113.48727062141764]
地中直接通信を実現するために,分散コラボレーティブビームフォーミング(DCB)に基づくアップリンク通信パラダイムを提案する。
DCBは、低軌道(LEO)衛星と効率的な直接接続を確立することができない端末を分散アンテナとして扱う。
本稿では,進化的多目的深層強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-04-11T03:13:02Z) - 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) - 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) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-05-25T01:42:55Z) - A Reinforcement Learning based approach for Multi-target Detection in
Massive MIMO radar [12.982044791524494]
本稿では,MMIMO(Multiple input Multiple output)認知レーダ(CR)におけるマルチターゲット検出の問題点について考察する。
本稿では,未知の外乱統計の存在下での認知的マルチターゲット検出のための強化学習(RL)に基づくアルゴリズムを提案する。
定常環境と動的環境の両方において提案したRLアルゴリズムの性能を評価するため, 数値シミュレーションを行った。
論文 参考訳（メタデータ） (2020-05-10T16:29:06Z) - Reinforcement Learning for UAV Autonomous Navigation, Mapping and Target
Detection [36.79380276028116]
本研究では,無人航空機(UAV)に低高度レーダーを装備し,未知の環境下での飛行における共同検出・マッピング・ナビゲーション問題について検討する。
目的は、マッピング精度を最大化する目的で軌道を最適化することであり、目標検出の観点からは、測定が不十分な領域を避けることである。
論文 参考訳（メタデータ） (2020-05-05T20:39:18Z) - Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-02-24T22:18:54Z)
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。