POMDP-Driven Cognitive Massive MIMO Radar: Joint Target Detection-Tracking In Unknown Disturbances

要約

未知の外乱に埋め込まれた移動ターゲットの共同検出と追跡は、コグニティブ レーダー パラダイムの開発を動機付ける重要な機能です。
この研究は、多入力多出力 (MIMO) レーダーによる堅牢な目標検出における最近の進歩を基礎として、統計的に未知の環境における追跡および検出タスクを強化するための、部分的に観察可能なマルコフ決定プロセス (POMDP) フレームワークの適用を検討します。
POMDP設定では、レーダーシステムは周囲の環境を継続的に感知し、その動作を最適化して検出確率$(P_D)$を最大化し、目標の位置と速度の推定を向上させるインテリジェントエージェントとしてみなされます。これらすべてを一定に保ちます。
誤報の確率 $(P_{FA})$。
提案されたアプローチは、ノイズ統計に関するアプリオリな知識を必要としないオンライン アルゴリズムを採用しており、従来の追跡アルゴリズムで採用されている従来の距離-方位角-仰角モデルよりもはるかに一般的な観測モデルに依存しています。
シミュレーション結果は、Massive MIMO (MMIMO) レーダー システムのコンテキストで最近研究された State-Action-Reward-State-Action (SARSA) ベースのアルゴリズムと比較して、POMDP ベースのアルゴリズムのパフォーマンスが大幅に向上していることを明らかに示しています。

要約(オリジナル)

The joint detection and tracking of a moving target embedded in an unknown disturbance represents a key feature that motivates the development of the cognitive radar paradigm. Building upon recent advancements in robust target detection with multiple-input multiple-output (MIMO) radars, this work explores the application of a Partially Observable Markov Decision Process (POMDP) framework to enhance the tracking and detection tasks in a statistically unknown environment. In the POMDP setup, the radar system is considered as an intelligent agent that continuously senses the surrounding environment, optimizing its actions to maximize the probability of detection $(P_D)$ and improve the target position and velocity estimation, all this while keeping a constant probability of false alarm $(P_{FA})$. The proposed approach employs an online algorithm that does not require any apriori knowledge of the noise statistics, and it relies on a much more general observation model than the traditional range-azimuth-elevation model employed by conventional tracking algorithms. Simulation results clearly show substantial performance improvement of the POMDP-based algorithm compared to the State-Action-Reward-State-Action (SARSA)-based one that has been recently investigated in the context of massive MIMO (MMIMO) radar systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google