CoIR: Compressive Implicit Radar | IEEE TPAMI, 2023 | 用壓縮隱逆向神經網絡進行高精度稀疏雷達成像

注1:本文系“無線感知論文速遞”系列之一,致力于簡潔清晰完整地介紹、解讀無線感知領域最新的頂會/頂刊論文(包括但不限于Nature/Science及其子刊;MobiCom, Sigcom, MobiSys, NSDI, SenSys, Ubicomp;JSAC,雷達學報等)。
本次介紹的論文是:<2023, IEEE TPAMI, CoIR: Compressive Implicit Radar>
文章DOI: 10.1109/TPAMI.2023.3301553。

關鍵詞:雷達成像,稀疏傅里葉變換,隱逆向神經網絡,壓縮感知

1 引言

隨著毫米波技術的發展,毫米波雷達作為一種新型的成像方法,備受關注。與傳統成像設備如攝像機和激光雷達相比,毫米波雷達的最大優勢在于可以穿透煙塵等嚴重的環境條件,從而獲得高質量的圖像。 但是,毫米波雷達也面臨角分辨率低的問題。為了提高角分辨率,一種思路是增加天線陣列的口徑大小,但這將帶來天線耦合、功耗增加、讀出帶寬增大等問題。因此,如何在硬件資源有限的條件下,提高毫米波雷達的角分辨率,是該領域當前面臨的關鍵技術挑戰。

本文提出一種名為 CoIR 的新方法,可實現毫米波雷達的高精度稀疏成像。該方法的主要創新點包括:1)設計一種稀疏線性天線陣,大大減少所需接收天線數量;2)利用隱式神經網絡作為先驗,實現對壓縮后數據的重構。

2 動機

毫米波成像系統可大致分為三類:

• 大規模物理天線陣列:可實現實時成像,但成本高昂;

• SAR技術:使用天線移動來合成大孔徑,但成像速率低,系統復雜;

• MIMO天線陣列:使用多輸入多輸出技術來合成大孔徑,但需要大量的雷達芯片。

這些方法要么成本高,要么取得圖像速度慢,難以應用于對成本和速度都有要求的應用中。

另一方面,稀疏雷達成像技術通過使用次Nyquist采樣,可有效減少所需天線數量,降低系統成本。但是,直接對采樣不足的雷達數據進行傅立葉逆變換,會產生嚴重的混疊假影。因此,需要開發新的方法來處理這種采樣不足的數據。

本文提出的 CoIR 正是基于這樣的背景:一方面利用稀疏天線陣列設計減少硬件量,另一方面用隱式神經網絡進行重構,提高成像質量。

3 方法

CoIR 的整體流程如下圖所示:

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-8v0GZcM9-1692113119524)(<>)]

CoIR 包含兩個關鍵模塊:

1. 稀疏天線陣列設計

2. 基于隱式神經網絡的重構(ComDecoder)

3.1 稀疏天線陣列設計

天線陣列的點擴散函數(PSF)是評價天線陣列成像質量的重要指標,其主瓣半功率寬度表示成像角分辨率,旁瓣水平表示成像模糊和混疊。

本文采用兩步設計流程設計稀疏線性天線陣列:1) 設計4元接收天線最小冗余陣列;2) 在滿足最大孔徑約束的前提下,通過網格搜索找到發射天線陣列位置,使得合成天線陣列PSF的旁瓣水平最小化。

設計結果如下圖,與全密集陣列相比,該稀疏天線陣列使用天線數量減少了5.5倍,同時保持了相近的主瓣寬度和較低的旁瓣水平。

3.2 基于隱式神經網絡的成像重構

針對采樣不足的雷達數據,CoIR提出使用隱式神經網絡進行場景反射系數分布的重構。網絡結構如圖1所示:

具體步驟是:

1. 以隨機噪聲作為輸入,通過卷積解碼器網絡ComDecoder生成復數值極坐標圖像;

2. 對該圖像進行2D FFT,合成完整的雷達數據;

3. 保留稀疏天線位置對應的行,得到仿真稀疏雷達數據;

4. 計算仿真數據與實際采集數據的損失,并通過反向傳播更新ComDecoder的參數。

重復以上過程,使仿真數據逼近實際數據,從而重構出場景的反射系數分布。

這種analysis by synthesis的思想,正是隱式神經網絡具有先驗偏置的體現,可生成視覺上更自然的重構結果。

4 實驗和結果

作者在模擬數據和實測數據上評估了CoIR和多種比較方法的重構性能。

4.1 模擬數據結果

下圖給出了一個模擬場景下不同方法的重構結果。

可以看出,CoIR重構結果最佳,成功還原了場景中的關鍵結構,同時有效抑壓了混疊假象。

作者還測試了不同噪聲水平下的重構質量,結果如下圖所示。可以看出,在各指標下,CoIR都優于其他方法,尤其在低SNR條件下保持了較高的重構質量。

4.2 實測數據結果

作者還在實際毫米波雷達數據上驗證了各方法的性能。結果表明,在室外和室內兩種場景下,CoIR都能很好地重構出場景的主要結構,并有效抑制混疊假象,優于其他無監督方法。

綜上結果可以看出,CoIR利用隱式神經網絡的先驗性,實現了對采樣不足雷達數據的高質量重構,并 verified in 實驗室內外多種場景,證明了方法的泛化性和魯棒性。

5 不足和未來展望

CoIR也存在一些限制:

1. 前向模型假設場景靜態,無法建模運動目標。

2. 重構時間較長,約數十秒,難以實現實時。

3. 目前僅針對線陣,擴展到面陣仍有挑戰。

未來的一些可能的改進方向包括:

• 更好地利用先驗知識進行網絡初始化,加速重構;

• 擴展動態場景的雷達成像模型;

• 探索在面陣或其他成像模式中的應用。

6 總結

本文提出了CoIR方法,實現了毫米波雷達的高精度稀疏成像。主要貢獻包括稀疏天線陣列設計和基于壓縮感知與隱式神經網絡的重構方法。實驗結果證明,該方法可以在使用較少天線的條件下重構出高質量的雷達圖像,為降低成本的同時提高毫米波雷達的成像能力提供了一種新思路。CoIR也為隱式神經網絡在其他成像領域中的應用提供了范例。