多次元スパースモデルと機械学習を用いたMIMOレーダによる高精度イメージング

本研究では，移動通信システム，無線LAN，レーダなどで幅広く使われているMIMO (Multiple-Input Multiple-Output) 技術を使って，高精度に端末や目標物（ターゲット）の位置推定を行うことを目標としてきた．特にMIMOレーダを用いたターゲット推定は自動運転にも資する技術であるので期待されている．2022年度（令和4年度）の具体的な成果を以下に述べる．（1）MIMOレーダにおいて，送信リニアアレーのアレー軸と受信リニアアレーのアレー軸を直交するように配列し，受信側で仮想平面アレーを構成する．この仮想平面アレーを用いて，複数ターゲットの面的広がりを推定した．推定アルゴリズムとしては，Beamformerと圧縮センシング (MFOCUSS) を組み合わせた手法の性能が一番良いことが示された．また，ターゲット分離においては，2021年度から機械学習の一つとして適用を検討してきた，重み付けk-means法と重み付けなしのk-means法に加え，モルフォロジー処理の性能を解析した．その結果，重み付けk-means法の有用性が最も高いことが示された．（2）自動車の自動運転の実現や危険回避システムの実現のため，アレーアンテナの少ないスナップショットデータで電波の到来方向推定可能なアルゴリズムが期待されている．本研究では，MIMOレーダの一形態であるバイスタティックMIMOレーダに，圧縮センシングの1アルゴリズムであるR-MFOCUSSを適用し，ターゲットに対する出発方向 (DOD) と到来方向 (DOA) の同時推定性能改善を試みた．結果として，受信側でマッチトフィルタを用いる場合，スナップショット数をいくらか増加させることで推定精度を向上させることができることを示した．また，処理時間がスナップショット数によらないことを確認した．

本研究では，移動通信システム，無線LAN，レーダなどで幅広く使われているMIMO (Multiple-Input Multiple-Output) 技術を使って，高精度に端末や目標物（ターゲット）の位置推定を行うことを目標としてきた．特にMIMOレーダを用いたターゲット推定は自動運転にも資する技術であるので期待されている．2022年度（令和4年度）の具体的な成果を以下に述べる．（1）MIMOレーダにおいて，送信リニアアレーのアレー軸と受信リニアアレーのアレー軸を直交するように配列し，受信側で仮想平面アレーを構成する．この仮想平面アレーを用いて，複数ターゲットの面的広がりを推定した．推定アルゴリズムとしては，Beamformerと圧縮センシング (MFOCUSS) を組み合わせた手法の性能が一番良いことが示された．また，ターゲット分離においては，2021年度から機械学習の一つとして適用を検討してきた，重み付けk-means法と重み付けなしのk-means法に加え，モルフォロジー処理の性能を解析した．その結果，重み付けk-means法の有用性が最も高いことが示された．（2）自動車の自動運転の実現や危険回避システムの実現のため，アレーアンテナの少ないスナップショットデータで電波の到来方向推定可能なアルゴリズムが期待されている．本研究では，MIMOレーダの一形態であるバイスタティックMIMOレーダに，圧縮センシングの1アルゴリズムであるR-MFOCUSSを適用し，ターゲットに対する出発方向 (DOD) と到来方向 (DOA) の同時推定性能改善を試みた．結果として，受信側でマッチトフィルタを用いる場合，スナップショット数をいくらか増加させることで推定精度を向上させることができることを示した．また，処理時間がスナップショット数によらないことを確認した．