[論文レビュー] Cognitive Dynamic Systems: A Technical Review of Cognitive Radar

Krishanth Krishnan, Taralyn Schwering+1 more|arXiv (Cornell University)|May 26, 2016

Radar Systems and Signal Processing参考文献 9被引用数 3

ひとこと要約

本稿では、知覚-行動サイクル（PAC）およびフスタの認知機能を模倣した認知レーダーシステムを提案する。ベイズフィルタリング、動的プログラミング、状態空間モデリングを統合し、適応的トラッキングを実現する。シミュレーション結果から、立方体カルマンフィルタ（CKF）が、平均二乗誤差（RMSE）においてUKFおよびEKFを上回ることを示した。一方、EKFはヤコビ行列の計算が必要なため、最も高い計算負荷を示した。

ABSTRACT

We start with the history of cognitive radar, where origins of the PAC, Fuster research on cognition and principals of cognition are provided. Fuster describes five cognitive functions: perception, memory, attention, language, and intelligence. We describe the Perception-Action Cyclec as it applies to cognitive radar, and then discuss long-term memory, memory storage, memory retrieval and working memory. A comparison between memory in human cognition and cognitive radar is given as well. Attention is another function described by Fuster, and we have given the comparison of attention in human cognition and cognitive radar. We talk about the four functional blocks from the PAC: Bayesian filter, feedback information, dynamic programming and state-space model for the radar environment. Then, to show that the PAC improves the tracking accuracy of Cognitive Radar over Traditional Active Radar, we have provided simulation results. In the simulation, three nonlinear filters: Cubature Kalman Filter, Unscented Kalman Filter and Extended Kalman Filter are compared. Based on the results, radars implemented with CKF perform better than the radars implemented with UKF or radars implemented with EKF. Further, radar with EKF has the worst accuracy and has the biggest computation load because of derivation and evaluation of Jacobian matrices. We suggest using the concept of risk management to better control parameters and improve performance in cognitive radar. We believe, spectrum sensing can be seen as a potential interest to be used in cognitive radar and we propose a new approach Probabilistic ICA which will presumably reduce noise based on estimation error in cognitive radar. Parallel computing is a concept based on divide and conquers mechanism, and we suggest using the parallel computing approach in cognitive radar by doing complicated calculations or tasks to reduce processing time.

研究の動機と目的

• 人間の認知機能、特に知覚-行動サイクル（PAC）およびフスタの5つの認知機能を模倣した認知レーダーシステムの開発。
• 従来のフィルタリング手法に代えて、CKF、UKF、EKFなどの高度な非線形フィルタを導入することで、レーダーのトラッキング精度を向上させること。
• リスク管理および確率的独立成分分析（PICA）を用いることで、計算負荷の低減とノイズ耐性の向上を図ること。
• GPGPUを用いた並列計算を統合することで、レーダーの知覚-行動ループ内での処理速度を向上させ、システムの精度を高めること。
• 並列状態推定ユニットを備えた、リアルタイムで適応的かつ高精度な信号処理を可能にする新しい認知レーダーアーキテクチャの設計。

提案手法

• 知覚-行動サイクル（PAC）をコアフレームワークとし、環境を知覚し、情報を処理し、行動をとった後、フィードバックに基づいて内部モデルを更新するレーダーをモデル化する。
• ベイズフィルタリングと動的プログラミングを用いた状態空間モデルを実装し、不確実性下での適応的推定と意思決定を可能にする。
• シミュレーションを用いた性能評価により、立方体カルマンフィルタ（CKF）、アンスケンテッドカルマンフィルタ（UKF）、拡張カルマンフィルタ（EKF）の3つの非線形フィルタを比較する。
• リスク管理の原則を統合し、特に動的環境下でのノイズ低減と耐性強化に向けたパrameter制御を最適化する。
• 認知レーダーにおける推定誤差を活用し、空間的・時間的処理に基づくノイズ低減を実現する確率的独立成分分析（PICA）を用いた新しいスペクトラムセンシングモデルを提案する。
• 一般用途並列処理（GPGPU）を用いた並列計算アーキテクチャを設計し、フィードバック情報モジュール内に二重の状態推定ブロックと意思決定ユニットを統合する。

実験結果

リサーチクエスチョン

• RQ1 知覚-行動サイクル（PAC）を認知レーダーに効果的にモデル化・実装することで、適応的トラッキング性能をどのように向上させられるか？
• RQ2 非線形レーダー追跡において、RMSEと計算負荷の観点から、CKF、UKF、EKFの相対的性能はどのように異なるか？
• RQ3 リスク管理の原則は、認知レーダーシステムにおけるパrameter制御およびノイズ耐性を向上させることができるか？
• RQ4 提案されたPICAベースのモデルは、推定誤差低減およびスペクトラムセンシング精度の向上にどの程度効果的か？
• RQ5 GPGPUを用いた並列計算は、認知レーダーシステムにおける処理速度の向上と精度の向上にどの程度寄与するか？

主な発見

• 立方体カルマンフィルタ（CKF）は、テストされた3つのフィルタの中で最小の平均二乗誤差（RMSE）を達成し、追跡精度においてUKFおよびEKFを上回った。
• 拡張カルマンフィルタ（EKF）は、各イテレーションで解析的ヤコビ行列の導出と評価が必要なため、最も高い計算負荷を示した。
• アンスケンテッドカルマンフィルタ（UKF）はEKFより優れた性能を示したが、CKFよりは劣り、計算コストは中程度であった。
• 提案されたPICAモデルは、空間的・時間的処理における推定誤差を活用することで、認知レーダーのノイズ低減が期待されるが、実験的検証は未実施である。
• GPGPUを用いた並列計算の統合により、処理時間の大幅な短縮、システム速度の向上、および精度の向上が予測される。
• 二重の状態推定ブロックとフィードバックループ内に意思決定ユニットを統合した再設計された認知レーダーアーキテクチャは、リアルタイムでの適応性と耐性の向上が期待される。