論文の概要: A Fast Anti-Jamming Cognitive Radar Deployment Algorithm Based on Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2512.05753v1
• Date: Fri, 05 Dec 2025 14:39:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.061551
• Title: A Fast Anti-Jamming Cognitive Radar Deployment Algorithm Based on Reinforcement Learning
• Title（参考訳）: 強化学習に基づく高速アンチジャミング認知レーダ展開アルゴリズム
• Authors: Wencheng Cai, Xuchao Gao, Congying Han, Mingqiang Li, Tiande Guo,
• Abstract要約: 高速アンチジャミングレーダ展開アルゴリズム(FARDA)を提案する。 FARDAはニューラルネットワークの効率的な推論に基づいている。 提案手法は,レーダーを約7,000倍高速に展開しながら,進化的アルゴリズムに匹敵する範囲を実現する。
• 参考スコア（独自算出の注目度）: 13.156643358709175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fast deployment of cognitive radar to counter jamming remains a critical challenge in modern warfare, where more efficient deployment leads to quicker detection of targets. Existing methods are primarily based on evolutionary algorithms, which are time-consuming and prone to falling into local optima. We tackle these drawbacks via the efficient inference of neural networks and propose a brand new framework: Fast Anti-Jamming Radar Deployment Algorithm (FARDA). We first model the radar deployment problem as an end-to-end task and design deep reinforcement learning algorithms to solve it, where we develop integrated neural modules to perceive heatmap information and a brand new reward format. Empirical results demonstrate that our method achieves coverage comparable to evolutionary algorithms while deploying radars approximately 7,000 times faster. Further ablation experiments confirm the necessity of each component of FARDA.
• Abstract（参考訳）: ジャミングに対抗するための認知レーダーの迅速な配備は、より効率的な配備が目標を素早く検出する現代の戦争において重要な課題である。 既存の手法は主に進化的アルゴリズムに基づいており、時間を要するため、局所最適状態に陥る傾向にある。 ニューラルネットワークの効率的な推論を通じて,これらの欠点に対処し,新たなフレームワークを提案する。 まず、レーダ配置問題をエンドツーエンドのタスクとしてモデル化し、それを解くために深層強化学習アルゴリズムを設計し、熱マップ情報と全く新しい報酬形式を知覚する統合ニューラルモジュールを開発した。 実験により,提案手法は進化的アルゴリズムに匹敵する範囲を達成し,レーダーを約7,000倍高速に展開することを示す。 さらにアブレーション実験により、FARDAの各成分の必要性が確認された。

関連論文リスト

• Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better [63.567886330598945]
  赤外線小目標(IRST)検出は、精度、普遍性、堅牢性、効率的な性能を同時に達成する上で困難である。 現在の学習に基づく手法は、空間的領域と短期的領域の両方から"より多くの情報を活用する。 本稿では、IRST検出のための時間次元でのみ計算を行う効率的な深部プローブネットワーク(DeepPro)を提案する。
  論文  参考訳（メタデータ） (2025-06-15T08:19:32Z)
• TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
  一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。 具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。 従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
  論文  参考訳（メタデータ） (2025-04-16T05:25:04Z)
• 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)
• 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)
• ADCNet: Learning from Raw Radar Data via Distillation [3.519713957675842]
  レーダーベースのシステムは、LiDARベースのシステムよりも低コストで、悪天候に対して堅牢である。 最近の研究は、最終的なレーダー点雲の代わりに、生のレーダーデータを消費することに焦点を当てている。 我々は,信号処理パイプラインの要素を我々のネットワークに持ち込み,信号処理タスクの事前学習を行うことで,検出性能の状態を達成できることを示す。
  論文  参考訳（メタデータ） (2023-03-21T13:31:15Z)
• 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)
• RadarLoc: Learning to Relocalize in FMCW Radar [36.68888832365474]
  6-DoFのグローバルポーズを直接推定できる,自己アテンションを備えた新しいエンドツーエンドニューラルネットワークであるRadarLocを提案する。 我々は最近リリースされた屋外データセットOxford Radar RobotCarに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-03-22T03:22:37Z)
• 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。