异步贝叶斯跟踪框架下的异构分布式雷达-通信联合资源分配

浪逸书生 2022-06-05 发布于江苏

展开全文

写在前面：本期推送是IEEE JSAC通感一体专题计划的第十八篇，介绍近期在IEEE JSAC发表的论文“Resource Allocation in Heterogeneously-Distributed Joint Radar-Communications under Asynchronous Bayesian Tracking Framework”。本文考虑一种异构分布式雷达通信网络，研究的核心问题是如何通过合理资源分配来优化多雷达的多目标跟踪性能，同时保证通信多用户的QoS，其中这些资源包括雷达发射功率和驻留时间、通信基站下行功率和通信-雷达间的频谱。

异步贝叶斯跟踪框架下的异构分布式雷达-通信联合资源分配

Linlong Wu^① Kumar Vijay Mishra^① M. R. Bhavani Shankar^① Björn Ottersten^①

^①(University of Luxembourg)

Citation: L. Wu, K. V. Mishra, M. R. Bhavani Shankar and B. Ottersten, 'Resource Allocation in Heterogeneously-Distributed Joint Radar-Communications under Asynchronous Bayesian Tracking Framework,' IEEE J. Sel. Areas Commun., Early Access. doi: 10.1109/JSAC.2022.3157371.

文章链接：

https://ieeexplore./document/9729751

一、异构分布雷达通信网络

本文考虑一种异构分布式雷达通信网络（heterogeneously-distributed radar and communications network, HRCN），如图1所示。

图1. 一种异构分布式雷达通信网络

对于该网络的感知部分，我们综合考虑由 MIMO雷达，相控阵雷达和机械式扫描雷达组网从而实现对于多个移动目标的共同追踪，其中，各个类型的雷达特点如下：

对于MIMO雷达，通过多波束在同一个驻留时间对于多个目标进行追踪，其中每个目标分配不同的发射功率；
对于相控阵雷达，通过改变阵元相位对多个目标依次追踪，其中每个目标的驻留时间不同；
对于机械式扫描雷达，按照固定的设置依次追踪目标，不同目标间的发射功率和驻留时间均相同。

对于通信部分，我们考虑由宏基站，微基站，宏用户以及微用户共同组成多层通信系统。其中宏用户会受到来自同一频段雷达的干扰，而微用户则会收到来自同一频段雷达雷达和宏用户的共同干扰。

通过以上对于HRCN的系统描述，我们可以发现该HRCN在功率、时间、频率上存在中通信-雷达、通信-通信以及雷达-雷达之间的资源重叠或共享。基于此，本文研究的核心问题是如何通过合理资源分配来优化多雷达的多目标跟踪性能，同时保证通信多用户的QoS，其中这些资源包括雷达发射功率和驻留时间、通信基站下行功率和通信-雷达间的频谱。

二、异步跟踪理论以及资源优化

针对该HRCN中存在的多机间的异步问题，我们的解决思路是采用一种异步的多目标跟踪理论框架，如图2所示。通过最大似然估计得到的Composition Measures (CMs) 作为多雷达在同一个观测时间内异步追踪结果的一个等效值，而该值则作为卡尔曼滤波的输入从而得出多雷达共同追踪的最终目标状态估计。

图2. 基于CM的异步多目标估计理论框图

通过推导，我们可以发现该卡尔曼滤波的Bayesian CRB不仅和上一个时刻的CRB值有关，还和当前时刻的系统资源分配有关。因此，我们对于多雷达追踪的优化目标是基于CRB的一个修正函数。

另外，有两点值得注意，其一，对于通信用户而言，由于雷达的间断发射，我们在计算通信SINR时实际采用的是一种在整个传输时间内的平均SINR；其二，关于雷达-通信的频率使用，由于雷达对于分辨率的要求一般较高，我们实际上在建模时对于考虑的频率做sub-bands的切分且整段分配各个雷达使用的频段，因此，在频率维度上的分配问题实质上是通信用户如何选择subcarrier band。

综合以上，我们形成的HRCN的资源分配问题是，在满足通信SINR要求和其他各种资源约束的条件下，优化基于CM的Bayesian CRB从而提高多目标估计准确性。对于该问题，我们结合了模拟退火和交替上升-下降方法(alternate ascent-descent method)进行求解。最后，基于异步多目标追踪理论框架的资源分配策略总结为图3. 具体而言，针对每个fusion interval，通过提出的优化方法对HRCN进行资源分配，接着一方面收集不同雷达的观测值通过MLE构造CM以及推算其covariance matrix，然后输入Kalman filter去估计目标当前状态值，另一方面对通信的QoS进行判断以备更新QoS阈值，最后在fusion center更新所有参数且开始下一个fusion interval的资源分配并重复上述过程。

图3. 基于HRCN的异步多目标追踪理论框架的资源分配策略

三、仿真结果

在仿真中，我们针对图4的场景进行了资源分配策略的评估和对比。基于图5，我们可以看到，随着fusion interval的不断增加，在三种分配策略下，整体性能都在不断改进，其原因主要考虑卡尔曼滤波本身带来的增益，但是其中优化的分配策略在所有评估指标中表现最优，从而说明在原来异步追踪理论框架内，通过对于资源的合理分配可以进一步提高整个HRCN的性能。