Super-Resolution Radar Imaging with Sparse Arrays Using a Deep Neural Network Trained with Enhanced Virtual Data

要約

この論文では、非常に薄くされたレーダー開口部からのレーダー データを完全に処理できるディープ ニューラル ネットワーク (DNN) に基づく方法を紹介します。
提案された DNN 処理は、エイリアシングのないレーダー イメージングと超解像度の両方を提供できます。
結果は、現実的なシミュレーション データで検出パフォーマンスを測定し、測定された点状ターゲットでの点広がり関数 (PSF) とターゲット分離パフォーマンスを評価することによって検証されます。
また、典型的な自動車シーンの定性評価も行われます。
このアプローチは、最先端の部分空間アルゴリズムや他の既存の機械学習ソリューションよりも優れたパフォーマンスを発揮できることが示されています。
提示された結果は、十分に洗練された仮想入力データを使用してトレーニングされた機械学習アプローチが、レーダー信号処理における圧縮センシングおよび部分空間アプローチに代わる非常に有望な代替手段であることを示唆しています。
このパフォーマンスの鍵は、特定のまばらなアンテナ レーダー アレイ ハードウェアを入力として完全に模倣する現実的なシミュレーション データを使用して DNN がトレーニングされていることです。
グラウンド トゥルースとして、強化された仮想レーダーからの超高解像度データがシミュレートされます。
他の研究とは対照的に、DNN は特定の範囲のドップラー検出におけるアンテナ チャネル情報だけでなく、完全なレーダー キューブを利用します。
トレーニング後、提案された DNN はサイドローブと曖昧さのないイメージングが可能です。
完全に占有されたアレイで達成されるのとほぼ同じ解像度と画質を同時に実現します。

要約(オリジナル)

This paper introduces a method based on a deep neural network (DNN) that is perfectly capable of processing radar data from extremely thinned radar apertures. The proposed DNN processing can provide both aliasing-free radar imaging and super-resolution. The results are validated by measuring the detection performance on realistic simulation data and by evaluating the Point-Spread-function (PSF) and the target-separation performance on measured point-like targets. Also, a qualitative evaluation of a typical automotive scene is conducted. It is shown that this approach can outperform state-of-the-art subspace algorithms and also other existing machine learning solutions. The presented results suggest that machine learning approaches trained with sufficiently sophisticated virtual input data are a very promising alternative to compressed sensing and subspace approaches in radar signal processing. The key to this performance is that the DNN is trained using realistic simulation data that perfectly mimic a given sparse antenna radar array hardware as the input. As ground truth, ultra-high resolution data from an enhanced virtual radar are simulated. Contrary to other work, the DNN utilizes the complete radar cube and not only the antenna channel information at certain range-Doppler detections. After training, the proposed DNN is capable of sidelobe- and ambiguity-free imaging. It simultaneously delivers nearly the same resolution and image quality as would be achieved with a fully occupied array.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google