DopplerGLRTNet for Radar Off-Grid Detection

1. Il Problema: Il Fenomeno "Off-Grid" nei Radar

Il problema centrale affrontato è la degradazione delle prestazioni dei rilevatori radar classici quando un bersaglio si trova "fuori griglia" (off-grid).

• Contesto: Nei sistemi radar convenzionali, la ricerca del bersaglio avviene su una griglia discreta di frequenze Doppler (tipicamente tramite FFT).
• Il Mismatch: Se la frequenza Doppler reale del bersaglio ($\theta_0$) non coincide esattamente con uno dei punti della griglia, si verifica un mismatch tra il vettore di guida reale e quello di test.
• Conseguenze: Anche ad alti rapporti segnale-rumore (SNR), la probabilità di rilevamento ($P_d$) dei rilevatori standard (come il Filtro Adattato Normalizzato o NMF) tende a saturare a valori bassi, specialmente a tassi di falsa allarme operativi molto rigidi (es. $P_{fa} \le 10^{-6}$).
• Soluzione Teorica vs. Pratica: La soluzione teorica corretta è il Generalized Likelihood Ratio Test (GLRT) continuo, che massimizza la correlazione normalizzata su tutto il dominio continuo del parametro Doppler. Tuttavia, implementare questo GLRT richiede una scansione densa (molti punti di test), il che comporta un costo computazionale elevato e rimane sensibile agli errori di stima della covarianza (whitening).

2. Metodologia: DopplerGLRTNet

Gli autori propongono DopplerGLRTNet, un rilevatore neurale che implementa un concetto di "GLRT ammortizzato" (amortized GLRT). L'idea è sostituire la costosa scansione densa con un regressore neurale che impara a prevedere la posizione continua del bersaglio.

Architettura e Funzionamento

Il sistema opera in due fasi principali (Training e Inference):

1. Pre-elaborazione:

   • I dati radar (vettore complesso $z$) vengono sottoposti a whitening (basato su una stima della covarianza $\hat{\Sigma}$) e normalizzazione energetica per ottenere il vettore $u$.
   • L'obiettivo è lavorare nel dominio normalizzato dove la statistica del rumore è più gestibile.

2. Regressore Doppler Neurale:

   • Invece di testare $K$ ipotesi diverse, una rete neurale leggera ($g_\phi$) prende in input il vettore normalizzato $u$ e predice una frequenza Doppler continua $\hat{\theta}(u)$ all'interno di una specifica cella di risoluzione.
   • L'architettura utilizza strati convolutivi 1D e funzioni di attivazione SiLU.
   • L'output è vincolato a una cella specifica tramite una funzione $\tanh$, mappando l'offset normalizzato $\delta \in [-1, 1]$ alla frequenza reale.

3. Calcolo della Statistica di Rilevamento:

   • Una volta ottenuta la previsione $\hat{\theta}$, il sistema calcola un singolo valore di energia di correlazione normalizzata (simile a un NMF) utilizzando il vettore di guida corrispondente alla frequenza predetta:
     $$T(u; \phi) = |v^H(\hat{\theta}(u)) u|^2$$
   • Questo sostituisce il massimo su una griglia densa con un singolo calcolo basato sulla previsione appresa.

Funzione di Perdita (Loss Function)

Durante l'addestramento, il modello ottimizza una funzione di perdita composta:

• Cross-Entropy Logistica ($L_{CE}$): Per il compito di rilevamento binario ($H_0$ vs $H_1$).
• Perdita di Regressione Huber ($L_\delta$): Applicata solo ai campioni con bersaglio ($H_1$) per insegnare alla rete a predire l'offset Doppler corretto $\delta$. La perdita di Huber è robusta agli errori grandi.
• La perdita totale è: $L(\phi) = L_{CE}(\phi) + \lambda L_\delta(\phi)$.

3. Contributi Chiave

1. Formalizzazione del GLRT Ammortizzato: Introduzione di un approccio che apprende la massimizzazione continua dei parametri una sola volta durante l'addestramento, per poi riutilizzarla a tempo di inferenza senza scansione.
2. Riduzione della Complessità: Il metodo richiede una sola correlazione per vettore di test, contro le $K$ correlazioni (es. 64) richieste dalla scansione densa locale, riducendo drasticamente il costo computazionale.
3. Robustezza: Il metodo dimostra di essere efficace sia in clutter Gaussiano che in clutter Compound-Gaussian (modelli SIRV con code pesanti), mantenendo la robustezza rispetto alla stima della covarianza.
4. Calibrazione Empirica: Tutti i rilevatori (classici e neurali) sono calibrati empiricamente per garantire lo stesso tasso di falsa allarme ($P_{fa}$), permettendo un confronto equo.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti tramite simulazioni Monte Carlo in scenari con:

• Clutter Gaussiano complesso.
• Clutter Compound-Gaussian (con modulazione di texture).
• Rumore termico additivo.

Prestazioni Chiave:

• Superamento della Saturazione: DopplerGLRTNet risolve il problema della saturazione della $P_d$ tipico dei rilevatori NMF "on-grid" quando il bersaglio è fuori griglia.
• Parità con la Scansione Densa: La curva $P_d$ vs SNR di DopplerGLRTNet segue quasi perfettamente quella della "scansione locale densa" (il benchmark computazionalmente costoso), avvicinandosi anche al limite superiore fornito dall'Oracolo (che conosce la vera covarianza e la vera frequenza).
• Efficienza: Raggiunge prestazioni quasi ottimali con un costo computazionale trascurabile rispetto alla scansione densa.
• Robustezza: Le prestazioni rimangono elevate anche in presenza di clutter Compound-Gaussian, confermando che l'approccio appreso non è limitato al solo rumore Gaussiano.

5. Significato e Implicazioni

Il lavoro di Rouzoumka et al. rappresenta un passo significativo verso l'integrazione di tecniche di apprendimento automatico nei flussi di elaborazione radar tradizionali, mantenendo l'interpretabilità fisica.

• Efficienza Operativa: Permette di implementare rilevatori ad alta precisione su hardware con risorse limitate, eliminando la necessità di scansioni Doppler pesanti.
• Generalizzazione: L'approccio "model-driven" (che incorpora la struttura del GLRT nella rete) offre una via di mezzo tra i rilevatori puramente statistici e le reti neurali "black-box", garantendo che la statistica finale rimanga una correlazione normalizzata standard.
• Futuro: Il metodo apre la strada all'estensione a più celle Doppler, patch range-Doppler e alla stima congiunta di parametri di disturbo, promettendo di migliorare la rilevabilità di bersagli deboli in ambienti complessi.

In sintesi, DopplerGLRTNet trasforma un problema di ottimizzazione continua costoso in un problema di regressione appresa, offrendo una soluzione pratica, veloce e robusta per la rilevazione radar di bersagli fuori griglia.