[论文解读] 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 3

一句话总结

本文提出了一种基于感知-动作循环（PAC）和Fuster认知功能的认知雷达系统，结合贝叶斯滤波、动态规划与状态空间建模，实现自适应跟踪。仿真结果表明，立方体卡尔曼滤波器（CKF）在均方根误差（RMSE）方面优于UKF和EKF，而EKF由于需要计算雅可比矩阵，计算负载最高。

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.

研究动机与目标

• 开发一种受人类认知功能启发的认知雷达系统，特别是感知-动作循环（PAC）和Fuster的五种认知功能。
• 通过用CKF、UKF和EKF等先进非线性滤波器替代传统滤波器，提升雷达跟踪精度。
• 通过风险管理与概率独立分量分析（PICA）降低计算负载并增强抗噪能力。
• 通过在雷达的感知-动作回路中集成基于GPGPU的并行计算，加速处理并提高系统精度。
• 设计一种新型认知雷达架构，支持实时、自适应且高精度的信号处理，采用并行状态估计单元。

提出的方法

• 以感知-动作循环（PAC）为核心框架，将雷达建模为一个感知环境、处理信息、采取行动，并根据反馈更新内部模型的系统。
• 采用状态空间模型结合贝叶斯滤波与动态规划，实现在不确定性下的自适应估计与决策。
• 通过基于仿真的性能评估，对比三种非线性滤波器——立方体卡尔曼滤波器（CKF）、无迹卡尔曼滤波器（UKF）和扩展卡尔曼滤波器（EKF）——的表现。
• 整合风险管理原则，优化参数控制，尤其在动态环境中的降噪与鲁棒性。
• 提出一种基于概率独立分量分析（PICA）的新频谱感知模型，通过认知雷达中的估计误差实现降噪。
• 设计一种基于通用图形处理器计算（GPGPU）的并行计算架构，包含反馈信息模块中的双状态估计模块与一个决策单元。

实验结果

研究问题

• RQ1 如何在认知雷达中有效建模与实现感知-动作循环（PAC），以提升自适应跟踪性能？
• RQ2 在非线性雷达跟踪中，CKF、UKF与EKF在RMSE与计算负载方面的相对表现如何？
• RQ3 风险管理原则是否能增强认知雷达系统中的参数控制与抗噪能力？
• RQ4 所提出的基于PICA的模型在降低估计误差与提升频谱感知精度方面的有效性如何？
• RQ5 基于GPGPU的并行计算在多大程度上能加速处理并提升认知雷达系统的精度？

主要发现

• 立方体卡尔曼滤波器（CKF）在测试的三种滤波器中实现了最低的均方根误差（RMSE），在跟踪精度方面优于UKF与EKF。
• 扩展卡尔曼滤波器（EKF）由于每次迭代都需要解析推导与计算雅可比矩阵，表现出最高的计算负载。
• 无迹卡尔曼滤波器（UKF）性能优于EKF但劣于CKF，计算成本处于中等水平。
• 所提出的PICA模型有望通过利用空时处理中的估计误差来降低认知雷达中的噪声，但实验验证尚待开展。
• 通过GPGPU实现的并行计算集成预计能显著缩短处理时间，提升系统速度，并通过支持复杂任务的并行执行来提高精度。
• 采用双状态估计模块与反馈回路中决策单元重新设计的认知雷达架构，预计能增强实时适应性与鲁棒性。