[论文解读] 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 7

一句话总结

本文提出一种具有粗略同步的移位多输入多输出（MIMO）调频连续波（FMCW）雷达系统，用于高分辨率汽车雷达成像。该研究引入了非相干和相干成像方法，利用块稀疏性和稀疏驱动恢复技术，在无需精确传感器间同步的情况下提升定位精度，相较于传统点云融合方法，定位估计精度提升了一个数量级。

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.

研究动机与目标

• 解决在非理想同步条件下移位汽车雷达成像缺乏理论性能边界和实际实现方案的问题。
• 克服先前研究中假设完全同步、处理成本高或仅使用单天线配置的局限性。
• 建立仅依赖帧级时间对齐的移位MIMO FMCW雷达信号模型，以反映真实汽车部署中的约束条件。
• 提出非相干和相干成像方法，在降低计算负载的同时提升分辨率和精度。
• 利用贝叶斯Cramér-Rao下界（BCRLB）为不同处理模式（包括点云融合、非相干和相干成像）提供理论性能极限。

提出的方法

• 在粗略同步条件下建立移位MIMO FMCW雷达信号模型，假设仅有帧级对齐，无精细传感器间时间对齐。
• 推导点云融合、非相干和相干成像模式的贝叶斯Cramér-Rao下界（BCRLB），以确立理论性能极限。
• 将非相干成像建模为块稀疏信号恢复问题，避免大规模数据处理，降低计算负载。
• 设计一种相干成像方法，联合估计同步误差并利用稀疏驱动模型重建高分辨率图像。
• 在相干成像中采用贝叶斯压缩感知（BCS）以利用先验知识，并在高信噪比条件下提升鲁棒性。
• 将自动同步误差估计集成到相干成像流程中，无需先验知识即可校正时间偏移误差。

实验结果

研究问题

• RQ1 粗略同步在多大程度上影响移位汽车雷达成像的理论性能极限？
• RQ2 基于块稀疏恢复的非相干成像是否能在计算成本极低的前提下，显著优于传统点云融合方法？
• RQ3 采用自动同步误差估计的相干成像在多大程度上可提升分辨率和定位精度？
• RQ4 在不同信噪比（SNR）条件下，不同成像方案（点云融合、非相干、相干）在目标系数估计的归一化均方误差（NMSE）方面如何比较？
• RQ5 同步误差对相干和贝叶斯成像框架中的图像质量和目标恢复性能有何影响？

主要发现

• 基于块稀疏恢复的非相干成像相较于传统点云融合方法，将定位估计精度提升了整整一个数量级。
• 采用正交匹配追踪（OMP）的相干成像方法相较于点云融合显著降低了NMSE，当信噪比为10 dB时，目标NMSE降至0.01。
• 在高信噪比条件下，贝叶斯压缩感知（BCS）相比基于OMP的相干成像提供了更可靠的图像恢复，尽管在低信噪比条件下误报率更高。
• 所提出的具有自动同步误差估计的相干成像方法能有效缓解由时间偏移引起的图像模糊，保持高分辨率。
• 在10 dB信噪比条件下，基于OMP的相干成像和BCS的NMSE均为0.01，表明两者性能相当，但BCS在高信噪比下具有更好的鲁棒性。
• 计算效率方面，基于OMP的方法显著优于BCS，因此在性能与处理时间之间提供了更优的权衡。