DopplerGLRTNet for Radar Off-Grid Detection

Resumen Técnico: DopplerGLRTNet para la Detección de Objetivos Fuera de Rejilla en Radar

1. El Problema: Saturación por Desajuste "Fuera de Rejilla" (Off-Grid)

En el procesamiento de señales de radar, la detección de objetivos débiles en entornos de ruido y clutter (clutter) fuerte es un desafío central. Los detectores clásicos, como el Filtro Adaptado Normalizado (NMF), asumen que los parámetros del objetivo (como la frecuencia Doppler o el ángulo) se alinean perfectamente con una rejilla discreta de procesamiento (por ejemplo, las celdas de una FFT).

Sin embargo, en la realidad, los objetivos rara vez están perfectamente "sobre la rejilla". Cuando un objetivo tiene una frecuencia Doppler que cae entre dos bins de la FFT (un objetivo off-grid), se produce un desajuste entre el vector de guiado real y el vector de prueba.

• Consecuencia crítica: Incluso con una alta relación señal-ruido (SNR), la probabilidad de detección ($P_d$) de los detectores NMF convencionales satura (deja de mejorar) a tasas de falsas alarmas operativamente relevantes (bajas, ej. $P_{fa} \le 10^{-6}$).
• Solución teórica vs. práctica: La solución principista es el Test de Razón de Verosimilitud Generalizada (GLRT) de parámetros continuos, que maximiza la correlación normalizada sobre todo el dominio continuo del parámetro. No obstante, implementar esto requiere un escaneo denso (evaluar miles de hipótesis por vector), lo que incrementa drásticamente el costo computacional en tiempo de prueba y sigue siendo sensible a errores en la estimación de la covarianza.

2. Metodología: DopplerGLRTNet (GLRT Amortizado)

Los autores proponen DopplerGLRTNet, un detector neuronal que implementa un concepto de "GLRT amortizado". En lugar de realizar un escaneo denso en tiempo real, el método aprende a predecir la posición continua del objetivo y evalúa una sola hipótesis.

Arquitectura y Funcionamiento:

1. Preprocesamiento: Los datos de entrada (muestras lentas en el tiempo) se blanquean y normalizan energéticamente utilizando una estimación de la matriz de covarianza (SCM) obtenida de datos de entrenamiento bajo la hipótesis nula ($H_0$).
2. Regresor Neuronal de Doppler:
   • Una red neuronal ligera (construida con capas convolucionales 1D y funciones de activación SiLU) toma el vector de observación blanqueado.
   • La red predice un desplazamiento Doppler continuo dentro de una celda de resolución específica.
   • La salida se restringe al intervalo de la celda mediante una función tangente hiperbólica ($\tanh$) para asegurar que la predicción sea física y esté acotada.
3. Evaluación del Detector:
   • Una vez que la red predice la frecuencia Doppler continua $\hat{\theta}$, se genera un único vector de guiado correspondiente.
   • Se calcula una única estadística de correlación normalizada (similar al NMF) entre el dato observado y este vector predicho.
   • El umbral de decisión se calibra empíricamente para mantener una tasa de falsas alarmas ($P_{fa}$) constante.

Objetivo de Entrenamiento:
La red se entrena con una función de pérdida compuesta:

• Pérdida de Clasificación (Cross-Entropy): Para distinguir entre presencia ($H_1$) y ausencia ($H_0$) del objetivo.
• Pérdida de Regresión (Huber): Para minimizar el error entre la frecuencia Doppler real y la predicha, solo en los casos de presencia de objetivo ($H_1$).

3. Contribuciones Clave

1. Formalización de Baselines: Se establecen líneas base rigurosas para la comparación: NMF de un solo bin (rejilla), escaneo local denso (aproximación numérica del GLRT continuo) y un "oráculo" (conocimiento perfecto de la covarianza y el Doppler).
2. Propuesta de DopplerGLRTNet: Un detector amortizado que reemplaza el escaneo denso costoso por una predicción neuronal rápida, manteniendo la estructura del GLRT/NMF.
3. Validación en Escenarios Complejos: Demostración mediante simulaciones de Monte Carlo en entornos de clutter Gaussiano y Compound-Gaussian (modelos SIRV con colas pesadas), validando la robustez del método.

4. Resultados Experimentales

Las simulaciones compararon DopplerGLRTNet contra el NMF en rejilla, el escaneo denso y el oráculo, bajo diferentes condiciones de ruido y clutter:

• Mitigación de la Saturación: El NMF en rejilla muestra claramente la saturación de $P_d$ a medida que aumenta la SNR debido al desajuste off-grid. DopplerGLRTNet elimina esta saturación.
• Rendimiento vs. Costo:
  • DopplerGLRTNet logra un rendimiento de detección ($P_d$) casi idéntico al del escaneo local denso (que evalúa 64 puntos por celda).
  • Sin embargo, DopplerGLRTNet solo realiza una sola correlación por vector de prueba, reduciendo drásticamente el costo computacional en tiempo de ejecución.
• Robustez: El método mantiene su superioridad tanto en clutter Gaussiano como en clutter Compound-Gaussian (con modulación de textura), demostrando que la selección amortizada de parámetros continuos es efectiva incluso en entornos con colas pesadas y estimaciones de covarianza imperfectas.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre la teoría óptima (GLRT continuo) y la viabilidad computacional en sistemas de radar reales:

• Eficiencia: Permite realizar detección de alta precisión sin el sobrecosto computacional del escaneo denso, lo cual es crucial para radares modernos que deben procesar grandes volúmenes de datos en tiempo real.
• Generalización: Al aprender la relación entre la observación y el parámetro Doppler continuo, el detector se vuelve más robusto a los errores de modelado que afectan a los métodos tradicionales basados en rejilla.
• Futuro: El enfoque de "amortización" (aprender la maximización una vez y reutilizarla) abre la puerta a extender esta técnica a la detección en múltiples celdas, parches rango-Doppler y la estimación conjunta de parámetros de molestia, ofreciendo una nueva vía para integrar el aprendizaje profundo en cadenas de procesamiento de radar interpretables y basadas en modelos físicos.