Cognitive Architectures, Processing and Learning Algorithms for Intelligent Radar Solutions
Language
Document Type
Issue Date
Issue Year
Authors
Editor
Abstract
The topic of detection, tracking and classification of weak targets in interferencedominated environment using radars is studied in this thesis. The problem is approached from the perspective of both resource-friendly radar systems and resourcelimited radar systems. In the case of resource-friendly radar systems, cognitive architectures that can progressively sense the environment and adjust its operating waveform-receiver filters are analyzed. The study of joint optimal transmit waveform and receive filters such that they operate optimally in the presence of weak targets and interference has been of huge interest in both academia and industry. Recent advances in adaptive waveform synthesis have focused on joint design and implementation of knowledge-aided receiver signal processing techniques and adaptive transmit signals. This closed loop radar framework that mimics mammals’ neurological capability to tune system parameters in response to cognition of the environment is commonly referred to as cognitive radar or fully adaptive radar. In this thesis, the output signal to interference noise ratio maximizing jointly optimal transmit waveform and receive filter for a single-input, single-output radar design in the presence of extended target and colored interference is presented. The ambiguity function, processing gain and Cramer-Rao bound for such waveformfilters are derived. Apart from the optimal waveform dictated by the joint optimization strategy, it is desired that the radar transmit waveforms possess constant time envelope to drive the power amplifiers at saturation. This constraint requires reconstruction of constant envelope signals, which is addressed using proposed relaxed iterative error reduction algorithm. In general, iterative algorithms are sensitive to the initial seed, which is solved by deriving a closed-form solution making stationary phase assumption. In the case of multiple-input multiple-output (MIMO) radars, the interference between signals can significantly limit the radar’s ability for observation of weak targets in presence of stronger targets and background clutter. For the multi-channel radars, in this thesis orthogonally coded Linear Frequency Modulated (LFM) waveforms is proposed, wherein consecutive complex LFM signals in a frame are coded by orthogonal codes, namely Golay complementary, Zadoff Chu, direct spread spectrum, space-time block coded, discrete Fourier transform and Costasbased sequences. The orthogonal codes to modulate the LFM across symbol form fixed library waveforms leading to partial adaptation instead of arbitrary waveform dictated by fully adaptive radar. The ambiguity function for such orthogonallycoded MIMO radar is derived, and the waveforms are analyzed in terms of their ambiguity function and imaging performance. With the advancement in silicon and packaging technology, radars have evolved from high-end aerospace technology into relatively low-cost Human-Machine Interface (HMI) sensors. However, the sensor in such industrial and consumer setting should have a small form-factor and low-cost, thus they cannot sustain cognitive architectures to detect and classify weak human targets. To improve detection and classification performance for HMI applications, novel processing and learning algorithms are proposed. In practice, there are several challenges to learningbased solutions using low-cost radars particularly with respect to open set classification. In open set classification, the system needs to handle variations of the input data, alien operating environment and unknown classes. Conventional deep learning approaches use a simple softmax layer and evaluate the accuracy on known classes, thus on closed set classification. The softmax layer provides separability of classes but does not provide discriminative class boundaries. Hence, many unknown classes are erroneously predicted as one of the known classes with a high confidence, resulting in poor performance in real world environments. Other challenges arise due to the inconspicuous interclass difference between features from one class and other closely-related class and large intra-class variations in the radar data from the same classes. To address these challenges, novel representation learning algorithms along with novel loss functions are proposed in this thesis. Unlike conventional deep learning approaches using softmax that learns to classify, deep representation learning learns the process to classify by projecting the input feature images to an embedded space where similar classes are grouped together while dissimilar classes are far apart. Thus, deep representation learning approaches simultaneously learn separable inter-class difference and compact discriminative intraclass, essential for open set classification. Specifically, the proposed representation learning algorithms are evaluated in the context of gesture sensing, material classification, air-writing and kick sensing HMI applications.
Abstract
In dieser Arbeit wird das Thema der Erkennung, Verfolgung und Klassifizierung von schwachen Zielen in einer von Interferenzen dominierten Umgebung mit Hilfe von Radarsystemen untersucht. Das Problem wird sowohl aus der Perspektive ressourcenschonender Radarsysteme als auch aus der Perspektive ressourcenbeschränkter Radarsysteme betrachtet. Im Fall von ressourcenschonenden Radarsystemen werden kognitive Architekturen analysiert, die schrittweise die Umgebung erfassen und ihre Sendesignalform und Empfangsfilter anpassen können. Die Untersuchung gemeinsamer optimaler Sendesignalformen und Empfangsfilter, die bei schwachen Zielen und Störungen optimal funktionieren, ist sowohl in derWissenschaft als auch in der Industrie von großem Interesse. Jüngste Fortschritte in der adaptiven Signalformsynthese haben sich auf den gemeinsamen Entwurf und die Implementierung von wissensgestützten Empfangssignalverarbeitungstechniken und adaptiven Sendesignalen konzentriert. Ein derartiges Radarsystem mit geschlossenem Regelkreis, das die neurologische Fähigkeit von Säugetieren nachahmt, die Systemparameter als Reaktion auf dieWahrnehmung der Umgebung einzustellen, wird gemeinhin als kognitives Radar oder vollständig adaptives Radar bezeichnet. In dieser Arbeit werden eine optimale Signalform und der optimale Empfangsfilter, die das Signal-zu-Interferenz-und-Rausch-Verhältnis maximieren, für ein Radar mit einem Empfänger und einem Sender in Präsenz eines ausgedehnten Ziels und farbiger Interferenz vorgestellt. Die Mehrdeutigkeitsfunktion, die Verarbeitungsverstärkung und die Cramer-Rao-Schranke für solche Signalform-Filter werden hergeleitet. Abgesehen von der optimalen Signalform, die durch die gemeinsame Optimierungsstrategie vorgegeben wird, ist es erwünscht, dass die Radar-Sendesignale eine konstante zeitliche Hüllkurve besitzen, um die Leistungsverstärker in die Sättigung zu treiben. Diese Bedingung erfordert die Rekonstruktion von Signalen mit konstanter Hüllkurve, was mit dem vorgeschlagenen iterativen Splitting-Verfahren zur Fehlerreduktion angegangen wird. Im Allgemeinen sind iterative Algorithmen empfindlich gegenüber ihrem Initialwert, welcher durch die Herleitung einer geschlossenen Lösung unter der Annahme einer stationären Phase bestimmt wird. Bei Mehrkanal-Radargeräten kann die Interferenz zwischen den Signalen die Fähigkeit des Radars zur Erkennung schwacher Ziele in Gegenwart von stärkeren Zielen und Hintergrundstörungen erheblich einschränken. Für Mehrkanal-Radargeräte werden in dieser Arbeit orthogonal kodierte und linear-frequenzmodulierte Signalformen vorgestellt, bei denen Signale in einem Datenblock als orthogonal kodierte Sequenzen dargestellt werden. In der Arbeit werden hierfür Golay-Sequenzen, Zadoff-Chu-Sequenzen, Chipping-Sequenzen, Raum-Zeit blockkodierte Sequenzen, diskret Fourier-transformierte Sequenzen und Costas-Sequenzen verwendet. Die orthogonalen Codes, mit denen die lineare Frequenzmodulation symbolübergreifend moduliert wird, bilden fest vordefinierte Signalformen, die zu einer teilweisen Anpassung, anstatt einer willkürlichen Signalform, wie sie beim vollständig adaptiven Radar erforderlich ist, führen. Die Mehrdeutigkeitsfunktion für ein solches orthogonal codiertes MIMO-Radar wird hergeleitet, und die Signalformen werden hinsichtlich ihrer Mehrdeutigkeitsfunktion und bildgebenden Leistung analysiert. Mit den Fortschritten in der Silizium- und Gehäusetechnologie haben sich Radare von High-End-Sensoren in der Luft- und Raumfahrt zu kostengünstigen Sensoren für die Interaktion zwischen Mensch und Maschine entwickelt. Die Sensoren in solchen Industrie- und Verbraucheranwendungen sollten jedoch einen kleinen Formfaktor haben und kostengünstig sein, sodass sie keine kognitiven Architekturen zur Erkennung und Klassifizierung schwacher menschlicher Ziele unterstützen können. Um die Erkennungs- und Klassifizierungsgenauigkeit für Mensch-Maschine- Interaktions-Anwendungen zu verbessern, werden neue Verarbeitungs- und Lernalgorithmen vorgeschlagen. In der Praxis gibt es mehrere Herausforderungen für lernbasierte Lösungen mit kostengünstigen Radargeräten, insbesondere im Hinblick auf die Klassifizierung offener Mengen. Bei der Klassifizierung offener Mengen muss das System mit Variationen der Eingabedaten, der fremden Betriebsumgebung und unbekannten Klassen umgehen können. Herkömmliche mehrschichtige Lernansätze verwenden eine einfache Softmax-Schicht zur Klassifizierung und bewerten ihre Genauigkeit nur innerhalb bekannter Klassen, das heißt bei der Klassifizierung geschlossener Mengen. Die Softmax-Schicht sorgt für die Trennbarkeit von Klassen, bietet aber keine diskriminierenden Klassengrenzen. Daher werden viele unbekannte Klassen fälschlicherweise als eine der bekannten Klassen mit hoher Sicherheit interpretiert, was zu einer schlechten Leistung in realen Umgebungen führt. Andere Herausforderungen ergeben sich aus den geringen Unterschieden zwischen den Merkmalen einer Klasse und denen einer anderen, eng verwandten Klasse sowie aus einer großen Varianz der Radardaten derselben Klasse. Um diese Herausforderungen zu bewältigen, werden in dieser Arbeit neuartige Algorithmen für das Lernen der Repräsentation der Daten zusammen mit neuartigen Verlustfunktionen vorgeschlagen. Im Gegensatz zu konventionellen mehrschichtigen Lernansätzen, die eine Softmax-Schicht zur Klassifizierung verwenden, wird beim mehrschichtigen Lernen der Repräsentation der Daten das Klassifizieren dadurch gelernt, dass Eingangsdaten so in einen eingebetteten Raum projiziert werden, dass ähnliche Klassen zusammen gruppiert und unähnliche Klassen weit separiert werden. So lernen mehrschichtige Ansätze zum Lernen der Repräsentation von Daten gleichzeitig trennbare Unterschiede zwischen den Klassen und kompakte diskriminierende Eigenschaften innerhalb der Klassen, welche für die Klassifizierung offener Mengen unerlässlich sind. Die vorgeschlagenen Algorithmen zum Lernen der Repräsentation von Daten werden insbesondere im Kontext von Gestenerkennung, Materialklassifizierung, der Erkennung von in Luft geschriebenen Buchstaben und Zahlen und von Kick-Sensing-Anwendungen bewertet.
