[論文レビュー] Displaced Sensor Automotive Radar Imaging

Guohua Wang, Kumar Vijay Mishra|arXiv (Cornell University)|Oct 6, 2020

Microwave Imaging and Scattering Analysis参考文献 43被引用数 7

ひとこと要約

本稿では、高分解能自動車レーダー画像化を実現するため、粗い同期を伴う配置型多重入力多重出力（MIMO）周波数変調連続波（FMCW）レーダーシステムを提案する。非コherentおよびコherentな画像化手法を導入し、ブロックスパarsityとスパarsity駆動型回復を活用することで、正確なセンサ間同期を必要とせず、従来のポイントクラウド統合と比較して位置推定性能を1桁向上させる。

ABSTRACT

Displaced automotive sensor imaging exploits joint processing of the data acquired from multiple radar units, each of which may have limited individual resources, to enhance the localization accuracy. Prior works either consider perfect synchronization among the sensors, employ single antenna radars, entail high processing cost, or lack performance analyses. Contrary to these works, we develop a displaced multiple-input multiple-output (MIMO) frequency-modulated continuous-wave (FMCW) radar signal model under coarse synchronization with only frame-level alignment. We derive Bayesian performance bounds for the common automotive radar processing modes such as point-cloud-based fusion as well as raw-signal-based non-coherent and coherent imaging. For the non-coherent mode, which offers a compromise between low computational load and improved localization, we exploit the block sparsity of range profiles for signal reconstruction to avoid direct computational imaging with massive data. For the high-resolution coherent imaging, we develop a method that automatically estimates the synchronization error and performs displaced radar imaging by exploiting sparsity-driven recovery models. Our extensive numerical experiments demonstrate these advantages. Our proposed non-coherent processing of displaced MIMO FMCW radars improves position estimation by an order over the conventional point-cloud fusion.

研究の動機と目的

• 不完全な同期下での配置型自動車レーダー画像化における理論的性能限界と実装可能性の欠如に取り組む。
• 完全な同期を仮定する従来の研究の制限（高コストの処理、単一アンテナ構成など）を克服する。
• 実際の自動車搭載環境の制約を反映させるために、細かいセンサ間時刻同期を要しないフレームレベルの時刻同期のみを仮定した、配置型MIMO FMCWレーダーの信号モデルを構築する。
• 計算負荷を低減しつつ、分解能と精度を向上させる非コherentおよびコherentな画像化手法を提案する。
• ポイントクラウド統合、非コherent、コherent画像化の各処理モードにおける理論的性能限界を、ベイジアン・クレーマー・ラオ下界（BCRLB）を用いて提供する。

提案手法

• 粗い同期下での配置型MIMO FMCWレーダー信号モデルを構築し、細かいセンサ間時刻同期を仮定せず、フレームレベルの同期のみを想定する。
• ポイントクラウド統合、非コherent、コherent画像化モードの各々について、ベイジアン・クレーマー・ラオ下界（BCRLB）を導出することで、理論的性能限界を確立する。
• 非コherent画像化をブロックスパース信号回復問題として定式化し、膨大なデータ処理を回避し、計算負荷を低減する。
• 同期誤差と高分解能画像の同時推定を可能にするコherent画像化手法を設計し、スパarsity駆動型モデルを活用する。
• コherent画像化にベイジアン圧縮センシング（BCS）を実装し、事前知識を活用して高SNR条件下でのロバスト性を向上させる。
• 自動同期推定をコherent画像化パイプラインに統合し、事前知識なしに時間オフセット誤差を補正する。

実験結果

リサーチクエスチョン

• RQ1 粗い同期は、配置型自動車レーダー画像化の理論的性能限界にどのように影響するか？
• RQ2 ブロックスパース回復を用いた非コherent画像化は、最小限の計算コストで従来のポイントクラウド統合と比較して顕著な精度向上を達成できるか？
• RQ3 自動同期誤差推定を内蔵したコherent画像化は、分解能と位置推定精度をどの程度向上できるか？
• RQ4 さまざまなSNR条件下で、ポイントクラウド統合、非コherent、コherent画像化の各手法が、ターゲット係数推定のNMSEにおいてどのように比較されるか？
• RQ5 同期誤差は、コherentおよびベイジアン画像化フレームワークにおける画像品質とターゲット回復にどのような影響を及えるか？

主な発見

• ブロックスパース回復に基づく非コherent画像化は、従来のポイントクラウド統合と比較して、位置推定精度を1桁向上させる。
• 直交一致追跡（OMP）を用いたコherent画像化は、ポイントクラウド統合と比較して顕著に低いNMSEを達成し、10 dB SNRでターゲットNMSEが0.01に低下する。
• ベイジアン圧縮センシング（BCS）は、高SNR条件下でOMPベースのコherent画像化よりも信頼性の高い画像回復を実現するが、低SNR条件下では高い誤報率を示す。
• 自動同期誤差推定を内蔵した本稿のコherent画像化手法は、時間オフセットによる画像のぼやけを効果的に低減し、高い分解能を維持する。
• 10 dB SNRで、OMPベースのコherent画像化はターゲットNMSEを0.01に低下させ、BCSも同様に0.01を達成しており、高SNR条件下での性能は同等であり、BCSはより優れたロバスト性を示す。
• 計算コストの観点から、OMPベースの手法はBCSよりも顕著に効率的であり、性能と処理時間のトレードオフにおいて優れた選択である。