联合多目标检测与跟踪在认知大规模 MIMO 雷达中通过 POMCP 实现-计算机科学-机器学习-多目标雷达系统.pdfVIP

1

联合多目标检测与跟踪在认知大规模MIMO

雷达中通过POMCP实现

ImadBouhou,StefanoFortunati,LeilaGharsalli,AlexandreRenaux.

摘要—本通信提出了一种功率感知的认知雷达框架，用于（MMIMO）雷达作为关键技术已经出现，利用大量天

在大规模多输入多输出（MIMO）雷达环境中联合检测和跟踪线提供无与伦比的空间分辨率、提高参数估计精度，并

多个目标。在此基础上，我们扩展了之前基于部分可观察蒙特卡具有固有的抗干扰能力[1]。然而，先进的硬件本身是

罗规划（POMCP）的单目标算法，通过为每个目标分配一个

不够的。为了在复杂场景中有效运行，雷达系统必须从

独立的POMCP树，实现了可扩展且高效的规划。

刚性预编程的传输方案演变为智能实时适应的新范式。

本偏离均匀功率分配——这在信号噪声比（SNRs）变化时往

译往是次优的——我们的方法基于目标估计的距离和雷达截面积这一指令推动了认知雷达的发展，认知雷达的概念

（RCS），预测每个目标的未来角度位置和预期接收功率。这些由一个闭环的感知-行动循环定义[2]。认知雷达智能地

中预测通过一个约束优化问题指导自适应波形设计，该问题将发

感知环境，从其观察中学习，并动态调整其未来的传输

1射能量分配给增强较弱或远距离目标的可检测性，同时确保高

vSNR目标有足够的功率。底层部分可观测马尔可夫决策过程——包括波形形状、功率分配和波束方向——以优化其

6（POMDP）中的奖励函数也被修改为优先准确的空间和功率操作目标。此类系统的决策过程可以优雅地建模为部分

0

5估计。可观测马尔可夫决策过程（POMDP），这为在不确定性

7

1涉及不同信噪比多个目标的仿真验证了我们方法的有效性。条件下规划最优行动提供了严格的数学基础，在雷达操

7.所提出的认知雷达框架提高了低信噪比目标的检测概率，并且与作中，目标状态永远不会完全已知，并且必须从噪声、

0使用均匀或正交波形的方法相比，实现了更准确的跟踪。这些结不完整的测量中推断出来。

5果展示了基于POMCP框架对自适应、高效的多目标雷达系统

2的潜力。最近的研究探索了在认知雷达中实现决策引擎的

:

v

i各种方法。深度强化学习（DRL）方法，例如，在多目

xIndexTerms—认知雷达，大规模MIMO雷达，跟踪，部

r分可观察马尔可夫决策过程，沃尔德检验。标场景中的自适应功率分配和参数选择方面显示出潜

a

力[3],[4]。尽管功能强大，DRL方法通常作为黑箱运

I.介绍行，可能需要在大型代表性数据集上进行大量的离线训

练，并且难以适应未知的环境统计特性。

现代雷达系统是日益增长的各种应用不可或缺的

组成部分，从自动驾驶和空中交通管制到防御监视和遥为了解决这些限制，我们之前的工作引入了一个基

感。在这些越来越密集和动态的环境中，可靠地检测和于POMCP的在线规划算法，用于MMIMO雷达环境中

跟踪多个目标的能力至关重要。