Technische Samenvatting: Sparse Sensor Arrays voor Actieve Sensing

Probleemstelling

Actieve sensorsystemen, zoals radar, sonar en medische echografie, vertrouwen traditioneel op uniforme lineaire arrays (ULA's) om een hoge hoekresolutie te bereiken. Echter, ULA's vereisen een groot aantal fysieke sensoren om dicht bij elkaar gelegen doelwitten te kunnen onderscheiden, wat leidt tot verhoogde hardwarecomplexiteit, kosten en energieverbruik. Hoewel sparse sensor arrays een weg bieden naar hoge resolutie met minder fysieke elementen door gebruik te maken van virtuele array-concepten, richt het grootste deel van het bestaande onderzoek zich op passieve sensing (met behulp van de verschil-co-array).

In actieve sensing is de relevante virtuele structuur de som-co-array, gevormd door de paarwijze sommen van de posities van de zend (Tx) en ontvang (Rx) sensoren. Er bestaat een aanzienlijke kloof in de literatuur met betrekking tot het ontwerp van sparse arrays specifiek voor actieve sensing. De belangrijkste uitdagingen zijn:

1. Array Configuratie: Het bepalen van optimale sensorposities wanneer Tx- en Rx-arrays mogelijk beperkt zijn tot hetzelfde fysieke locatieschema (volledig overlappend), wat gebruikelijk is bij monostatische radar en medische echografie. Het vinden van de Minimum-Redundancy Array (MRA) voor deze configuraties is een combinatorisch optimalisatieprobleem dat computationeel onhandelbaar wordt voor een groot aantal sensoren.
2. Grating Lobes: Sparse arrays lijden aan ruimtelijke onderbemonstering, wat leidt tot grating lobes in het beampattern. In actieve sensing is het effectieve beampattern het product van de Tx- en Rx-beampatterns, maar het beperken van deze lobes terwijl een aaneengesloten virtuele apertuur behouden blijft, vereist zorgvuldig ontwerp.
3. Beamforming Synthese: Het synthetiseren van een gewenst gezamenlijk Tx-Rx beampattern op een sparse array vereist vaak meerdere transmissies (componentbeelden) als de array redundant is. Er is een behoefte aan begrip van de afweging tussen array-schaarsheid en het aantal componentbeelden dat nodig is om willekeurige virtuele array-wegingen te synthetiseren.

Methodologie

Het artikel stelt een algemeen kader vast voor actieve sparse array-ontwerpen en signaalverwerking, met de focus op eendimensionale, volledig digitale beamforming-architecturen.

1. Signaalmodellering

De auteurs definiëren een actief sensing signaalmodel waarbij een lineaire Tx-array $K$ verre veld-verstrooiers (scatterers) beschijnt, en een co-gelokaliseerde Rx-array de teruggestreepte signalen ontvangt.

• Virtuele Array (Som-co-array): De kern van het model is de som-co-array $D_\Sigma = D_t + D_r$, waarbij $D_t$ en $D_r$ de verzamelingen zijn van de Tx- en Rx-sensorposities. In tegenstelling tot de verschil-co-array in passieve sensing, ontstaat de som-co-array van nature uit de fasecoherentie van co-gelokaliseerde Tx/Rx-arrays zonder dat statistische aannames over de bron-signalen nodig zijn.
• Meetmodel: Het ontvangen signaalvector wordt gevectoriseerd en uitgedrukt met behulp van het Khatri-Rao product, wat de relatie legt tussen de fysieke metingen en de virtuele som-co-array manifold via een redundantiepatroonmatrix $\Upsilon$.

2. Ontwerp van Array Configuratie

Het artikel categoriseert actieve arrays op basis van de overlap tussen de Tx- en Rx-sensoren: volledig overlappend, gedeeltelijk overlappend en niet-overlappend.

• Minimum-Redundancy Arrays (MRA): De auteurs definiëren de actieve MRA als de configuratie die de omvang van de aaneengesloten som-co-array maximaliseert voor een gegeven aantal fysieke sensoren.
  • Voor niet-overlappende arrays bestaat er een gesloten vorm oplossing (de geneste geometrie), die niet-redundant is.
  • Voor volledig overlappende arrays (waar $D_t = D_r = D$) is het vinden van de MRA een moeilijk combinatorisch probleem. Het artikel merkt op dat oplossingen alleen bekend zijn tot $N=48$ sensoren.
• Symmetrische Sparse Arrays: Om de computationele onhandelbaarheid van MRA's voor grote $N$ aan te pakken, stellen de auteurs een klasse van symmetrische sparse arrays voor.
  • Zij introduceren een generator-gebaseerd kader waarbij een symmetrische array $S$ wordt geconstrueerd uit een generator $G$ en een offset $\ell$.
  • Stelling 9.1 biedt een voldoende voorwaarde: als de generator $G$ een aaneengesloten verschil-co-array heeft en de offset $\ell$ aan specifieke beperkingen voldoet, bezit de resulterende symmetrische array $S$ een aaneengesloten som-co-array.
  • Als een specifiek voorbeeld leiden zij de Symmetric Nested Array (SNA) en de Concatenated Nested Array (CNA) af. Deze configuraties zijn schaalbaar, symmetrisch en bereiken een aaneengesloten som-co-array met lage redundantie.
  • De auteurs bewijzen dat de asymptotische redundantie van deze symmetrische configuraties begrensd is door 2, wat een nauwe bovengrens biedt voor de asymptotische redundantie van de volledig overlappende MRA.

3. Beamforming Synthese en Beeldtoevoeging

Het artikel behandelt hoe gewenste beampatterns op sparse arrays kunnen worden gesynthetiseerd.

• Gezamenlijke Tx-Rx Beamforming: Het effectieve beampattern is het product van de Tx- en Rx-beampatterns. De auteurs interpreteren de gezamenlijke beamforming-gewichten in de context van de som-co-array.
• Beeldtoevoeging (Image Addition): Om een gewenst virtueel beampattern (of som-co-array weging) te synthetiseren dat niet bereikt kan worden met één enkele Tx-Rx gewichtspaar, maken de auteurs gebruik van beeldtoevoeging. Deze techniek combineert lineair meerdere "componentbeelden" (elk overeenkomend met een afzonderlijk Tx-Rx beamforming-gewichtspaar).
• Optimalisatie: Het probleem wordt geformuleerd als het vinden van een laag-rang gewichtsmatrix $W$ zodanig dat $\Upsilon \text{vec}(W) = w_\Sigma$, waarbij $w_\Sigma$ de gewenste som-co-array weging is.
• Afweging: Het artikel benadrukt een fundamentele spatio-temporele afweging: sparser arrays vereisen een groter aantal componentbeelden ($Q$) om willekeurige co-array wegingen te synthetiseren. Specifiek, terwijl een ULA mogelijk $Q \le 2$ vereist, kunnen sparse arrays met $N$ sensoren en $N^2$ virtuele sensoren een $Q \propto N$ vereisen.

Belangrijkste Bijdragen

1. Definitie en Analyse van Actieve MRA: Het artikel breidt het concept van Minimum-Redundancy Arrays formeel uit naar actieve sensing, waarbij onderscheid wordt gemaakt tussen overlappende en niet-overlappende sensorconfiguraties. Het benadrukt de computationele moeilijkheid van het vinden van volledig overlappende MRA's.
2. Schaalbaar Kader voor Symmetrische Arrays: De auteurs stellen een algemene methode voor om symmetrische sparse arrays met aaneengesloten som-co-arrays te genereren met behulp van een generator en een offset. Dit kader maakt de constructie van arrays met honderden of duizenden sensoren mogelijk, waarmee de combinatorische limieten van traditionele MRA-zoekopdrachten worden overwonnen.
3. Symmetric Nested Array (SNA) en CNA: Het artikel leidt gesloten parameters af voor een specifieke symmetrische geneste configuratie (CNA) die de redundantie minimaliseert. Het demonstreert dat deze configuratie een aaneengesloten som-co-array bereikt en een asymptotische redundantiebovengrens van 2 biedt voor volledig overlappende actieve arrays.
4. Beeldtoevoeging voor Sparse Arrays: Het artikel verheldert de rol van beeldtoevoeging in actieve sensing, waarbij het wordt geframed als een methode om willekeurige som-co-array wegingen te synthetiseren. Het kwantificeert expliciet de afweging tussen array-schaarsheid en het aantal transmissies (componentbeelden) dat nodig is voor beamforming-synthese.
5. Verenigd Zicht op Actieve en Passieve Sensing: Door de focus op symmetrische arrays, toont het artikel aan dat goed ontworpen configuraties zowel aaneengesloten som- als verschil-co-arrays opleveren, waardoor ze geschikt zijn voor zowel actieve als passieve sensing toepassingen.

Resultaten

• Array Prestaties: De voorgestelde symmetrische geneste arrays bereiken een aaneengesloten som-co-array omvang van ongeveer $N^2/4$ voor $N$ fysieke sensoren, wat vergelijkbaar is met de prestaties van niet-overlappende MRA's, maar met het praktische voordeel van gedeelde sensorlocaties.
• Redundantie Grenzen: De asymptotische redundantie van de voorgestelde symmetrische klasse is aangetoond gelijk te zijn aan 2. Dit dient als een bewezen bovengrens voor de asymptotische redundantie van de optimale volledig overlappende MRA (die momenteel onbekend is voor $N \ge 49$).
• Beamforming Synthese: De analyse bevestigt dat hoewel sparse arrays een hoge resolutie bieden, zij meerdere componentbeelden noodzakelijk maken om de virtuele array vrijheidsgraden volledig te benutten. Het artikel biedt de wiskundige formulering voor het minimaliseren van de rang van de synthesematrix om het aantal vereiste transmissies te verminderen.

Betekenis en Claims

Het artikel positioneert zichzelf als een pragmatische gids voor beoefenaars en onderzoekers in actieve sensing. De primaire betekenis ligt in het overbruggen van de kloof tussen de theoretische optimaliteit van MRA's en de praktische behoefte aan schaalbare, symmetrische array-ontwerpen.

• Pragmatisch Kader: De auteurs beweren een "algemeen en pragmatisch kader" te bieden voor het genereren van symmetrische arrays die geschikt zijn voor zowel actieve als passieve sensing, waarbij de vraag wordt beantwoord of bekende passieve configuraties (zoals de Nested array) kunnen worden aangepast voor actief gebruik.
• Schaalbaarheid: In tegen tegenoverlijk de MRA, die computationeel duur is om te vinden voor grote $N$, kunnen de voorgestelde symmetrische configuraties worden gegenereerd voor elk aantal sensoren, wat ze levensvatbaar maakt voor grootschalige systemen.
• Dubbel Nut: Het artikel benadrukt dat symmetrische arrays uniek zijn in hun vermogen om zowel aaneengesloten som- als verschil-co-arrays te bieden, waardoor de ontwerpprincipes voor actieve en passieve sensing worden verenigd.
• Bewustzijn van Afwegingen: De auteurs beweren bescheiden dat zij de fundamentele afweging tussen array-schaarsheid en de temporele kosten (aantal transmissies) van beamforming-synthese verhelderen, waarbij zij suggereren dat toekomstig werk zich moet richten op het identificeren van beampatterns die met een constant aantal componentbeelden ($Q=O(1)$) kunnen worden gesynthetiseerd.

De auteurs concluderen dat hoewel sparse arrays kostenefficiëntie en verbeterde prestaties bieden, hun inzet een zorgvuldige overweging vereist van de specifieke sensing-modaliteit (actief versus passief) en de daarmee gepaard gaande beperkingen op sensorplaatsing en golfvormontwerp.