Point Spread Function Optimization for Communication-assisted UAV-borne MIMO TomoSAR

Technische Samenvatting: Optimalisatie van de Point Spread Function voor door UAV's gedragen MIMO TomoSAR met communicatieondersteuning

Probleemstelling
Dit artikel adresseert de uitdaging om de Point Spread Function (PSF) te optimaliseren voor Synthetic Aperture Radar (SAR) tomografiesystemen die door Unmanned Aerial Vehicles (UAV's) worden gedragen en gebruikmaken van Multiple-Input Multiple-Output (MIMO). Het doel is het genereren van hoogwaardige driedimensionale (3D) beelden van een scène door de verticale verdeling van scatterers te reconstrueren. Een kritieke prestatie-indicator in TomoSAR is de PSF, en specifiek de niveaus van de zijlobben. Hoge zijlobben kunnen zwakkere scatterers maskeren, spookdoelen creëren en de interpreteerbaarheid van beelden verslechteren, met name in complexe omgevingen zoals stedelijke gebieden.

Hoewel PSF-optimalisatie goed gevestigd is voor op Fourier gebaseerde tomografie onder aannames van ver-veld en uniforme platformafstanden, blijft de toepassing op UAV-systemen met willekeurige formaties grotendeels onontgonnen. Bovendien staan deze systemen voor een dubbele beperking: de UAV-zwerm moet een formatie handhaven die de zijlobben van de PSF minimaliseert (waarnemingsbeperking), terwijl tegelijkertijd de verzamelde radargegevens in real-time naar een grondstation (GS) worden overgedragen via een Frequency Division Multiple Access (FDMA)-link (communicatiebeperking). Het artikel formuleert een gezamenlijk optimalisatieprobleem om het Peak Sidelobe Level (PSL) van de PSF te minimaliseren door zowel de UAV-formatie als de toewijzing van communicatievermogen te optimaliseren, onderworpen aan kwaliteitsbeperkingen (QoS) voor waarneming en communicatie.

Methodologie
De auteurs formuleren het probleem als een niet-convexe, min-max optimalisatietak (Probleem P). Het doel is het minimaliseren van het PSL, gedefinieerd over een symmetrisch interval $I = [-h_{max}, h_{max}]$ langs de normale as, terwijl tien beperkingen worden nageleefd. Deze beperkingen omvatten:

• Waarneming: Het waarborgen van een vervormingsvrije doelreconstructie, het beperken van tomografische en schuine-afstandsresoluties, het handhaven van grenzen voor vluchthoogte en kijkhoek, het waarborgen van een minimale onderlinge afstand tussen UAV's, het garanderen van een minimale radarstroombreedte, en het voldoen aan minimale Signal-to-Noise Ratio (SNR)-drempels.
• Communicatie: Het beperken van het maximale zendvermogen, het waarborgen van minimale datasnelheden voor real-time overdracht, en het begrenzen van het totale energieverbruik per UAV.

Het probleem wordt geïdentificeerd als moeilijk op te lossen vanwege de complexe structuur van de PSF-expressie, de niet-convexiteit van verschillende beperkingen, en het ontbreken van gesloten-vorm expressies voor PSF-nulpunten (wat traditionele op gradiënt gebaseerde methoden onuitvoerbaar maakt).

Om dit aan te pakken, stellen de auteurs een gewijzigd Particle Swarm Optimization (PSO)-algoritme voor. Een belangrijke innovatie in hun aanpak is de reductie van de probleemdimensie. Zij stellen vast dat voor een gegeven UAV-formatie het PSL onafhankelijk is van de toewijzing van communicatievermogen. Bijgevolg kan het deelsubprobleem voor vermogentoewijzing analytisch worden opgelost door zendvermogens in te stellen op hun minimaal vereiste niveaus om aan de communicatiebeperkingen te voldoen. Dit stelt het PSO-algoritme in staat om uitsluitend te zoeken in de ruimte van de UAV-formatie (reductie van de dimensionaliteit van $I(K+2)$ naar $2I$), terwijl de vermogentoewijzing afzonderlijk wordt bepaald.

Het voorgestelde algoritme maakt gebruik van een reflecterende-wandmechanisme om grensbeperkingen te hanteren en gebruikt een niet-geparametriseerde fitnessfunctie die beperkingsovertredingen bestraft. De fitnessfunctie evalueert het PSL voor haalbare oplossingen en voegt straftermen toe voor onhaalbare oplossingen op basis van de mate van beperkingsovertreding.

Belangrijkste Bijdragen

1. Gezamenlijk Optimalisatiekader: Het artikel presenteert een nieuw kader voor de gezamenlijke optimalisatie van UAV-formatie en toewijzing van communicatievermogen om de niveaus van PSF-zijlobben te minimaliseren, waarbij expliciet rekening wordt gehouden met de koppeling tussen waarnemingsprestaties en vereisten voor communicatie-overdracht.
2. Strategie voor Dimensiereductie: Er wordt een specifieke wijziging voorgesteld voor het PSO-algoritme, die de vermogentoewijzing ontkoppelt van de formatiezorg. Dit reduceert aanzienlijk de complexiteit van de zoekruimte en verbetert de convergentie-efficiëntie.
3. Beperkingbeheer: De oplossing integreert een uitgebreide set praktische waarnemings- en communicatiebeperkingen, waaronder resolutielimieten, energiebudgetten en vereisten voor real-time datasnelheden, binnen een stochastisch optimalisatiekader.

Simulatie-resultaten
De voorgestelde oplossing werd geëvalueerd tegenover verschillende benchmark-schema's: een Conventioneel Genetisch Algoritme (CGA), Genocop II (een op beperkingen gebaseerd GA voor optimalisatie), en een standaard PSO-algoritme dat geen gebruik maakte van de dimensiereductie.

• Prestatiewinst: Het voorgestelde schema bereikte een PSL tussen -17 dB en -33 dB, wat een aanzienlijke prestatieverbetering opleverde ten opzichte van de benchmark-schema's. Specifiek toonde het een 11 dB verbetering in PSL-onderdrukking aan in vergelijking met de conventionele PSO-benchmark.
• Vergelijking met ULA: Hoewel een Uniform Linear Array (ULA) een PSL bereikte dat vergelijkbaar was met het voorgestelde schema, resulteerde de ULA in een aanzienlijk bredere hoofdlob, wat leidde tot een verminderde hoogte-resolutie. Het voorgestelde schema behield een hoge resolutie terwijl het zijlobben onderdrukte.
• Trade-offs: Simulaties toonden aan dat het verhogen van de maximale hoogte ($h_{max}$) of de minimaal vereiste datasnelheid ($R_{min}$) leidt tot hogere PSL's, wat fundamentele trade-offs aangeeft tussen dekking, communicatievereisten en beeldkwaliteit. Opmerkelijk is dat voor $R_{min} > 6.18$ Mb/s alle benchmark-schema's faalden om haalbare oplossingen te vinden, terwijl de voorgestelde aanpak effectief bleef.

Betekenis
Het artikel beweert dat de voorgestelde oplossing de onderdrukking van zijlobben aanzienlijk verbetert in vergelijking met bestaande benchmark-schema's, waardoor de kwaliteit van gereconstrueerde 3D TomoSAR-beelden wordt verhoogd. Door met succes communicatiebeperkingen te integreren in de formatie-optimalisatie, demonstreert het werk de haalbaarheid van real-time, door communicatie ondersteunde UAV-gedragen MIMO TomoSAR-systemen. De resultaten suggereren dat de voorgestelde gezamenlijke optimalisatie-aanpak essentieel is voor het bereiken van hoogwaardige beeldvorming in scenario's waarbij UAV's gelijktijdig waarneming en data-overdracht moeten uitvoeren onder strikte resource-beperkingen.