Continuously Optimizing Radar Placement with Model Predictive Path Integrals

要約

センサーの配置を継続的に最適化することは、軍事および民間のさまざまな用途でターゲットの位置を正確に特定するために不可欠です。
情報理論はセンサー配置の最適化に有望であることが示されていますが、多くの研究ではセンサー測定モデルを単純化しすぎたり、モバイルセンサーの動的制約を無視したりしています。
これらの課題に対処するために、レーダー パラメーターとレーダーとターゲットの距離を組み込んだ距離測定モデルと、複雑な環境障害物や動的制約を管理するためのモデル予測経路積分 (MPPI) 制御を組み合わせた距離測定モデルを採用しています。
提案されたアプローチを、ターゲットの状態に対する立方体カルマン フィルター (CKF) 推定器の二乗平均平方根誤差 (RMSE) に基づく固定レーダーまたは単純化された距離測定モデルと比較します。
さらに、時間の経過とともに進化するレーダーとターゲットの形状を視覚化し、測定情報のゲインが最も高い領域を強調表示し、このアプローチの強みを実証します。
提案された戦略は、ターゲットの位置特定において固定レーダーや簡素化された距離測定モデルよりも優れており、500 モンテカールで平均 RMSE が 38 ～ 74% 減少し、90% の最高密度間隔 (HDI) の上裾部分が 33 ～ 79% 減少しました。
(MC) すべてのタイム ステップにわたる試行。
コードは承認され次第公開されます。

要約(オリジナル)

Continuously optimizing sensor placement is essential for precise target localization in various military and civilian applications. While information theory has shown promise in optimizing sensor placement, many studies oversimplify sensor measurement models or neglect dynamic constraints of mobile sensors. To address these challenges, we employ a range measurement model that incorporates radar parameters and radar-target distance, coupled with Model Predictive Path Integral (MPPI) control to manage complex environmental obstacles and dynamic constraints. We compare the proposed approach against stationary radars or simplified range measurement models based on the root mean squared error (RMSE) of the Cubature Kalman Filter (CKF) estimator for the targets’ state. Additionally, we visualize the evolving geometry of radars and targets over time, highlighting areas of highest measurement information gain, demonstrating the strengths of the approach. The proposed strategy outperforms stationary radars and simplified range measurement models in target localization, achieving a 38-74% reduction in mean RMSE and a 33-79% reduction in the upper tail of the 90% Highest Density Interval (HDI) over 500 Monte Carl (MC) trials across all time steps. Code will be made publicly available upon acceptance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google