DopplerGLRTNet for Radar Off-Grid Detection

1. Problema: O Desafio "Off-Grid" na Detecção de Radar

O problema central abordado é a degradação severa do desempenho de detectores de radar clássicos (como o Filtro Combinado Normalizado - NMF) quando alvos têm parâmetros (especificamente a frequência Doppler) que não se alinham perfeitamente com a grade discreta de processamento (ex: bins de FFT).

• Mecanismo de Falha: Mesmo em altas Relações Sinal-Ruído (SNR), se o Doppler real do alvo estiver entre os bins da grade ("off-grid"), ocorre um desajuste (mismatch) entre o vetor de direção real e o modelo testado.
• Consequência Crítica: Isso leva a uma saturação da probabilidade de detecção ($P_d$). Em taxas de falsas alarmes operacionais muito baixas (ex: $P_{fa} \leq 10^{-6}$), o aumento do SNR não melhora a detecção, pois o alvo "vaza" energia para outros bins, reduzindo a correlação no bin testado.
• Solução Tradicional Limitada: O teste de razão de verossimilhança generalizada (GLRT) contínuo, que maximiza a correlação sobre todo o domínio do parâmetro, é a solução teórica ideal. No entanto, sua implementação prática exige uma varredura densa (muitas hipóteses por alvo), o que aumenta drasticamente o custo computacional e a latência, além de manter a sensibilidade a erros na estimação da covariância (branca).

2. Metodologia: DopplerGLRTNet

Os autores propõem o DopplerGLRTNet, um detector de radar baseado em aprendizado de máquina que implementa um GLRT amortizado. A ideia é substituir a varredura densa por uma rede neural leve que aprende a prever o Doppler contínuo dentro de uma célula de resolução.

Arquitetura e Fluxo:

1. Pré-processamento: Os dados de entrada (vetor complexo de tempo lento) são branqueados e normalizados energeticamente usando uma estimativa de covariância (ex: SCM - Covariância de Amostra).
2. Regressor Neural de Doppler:
   • Uma rede neural leve (composta por camadas convolucionais 1D e camadas totalmente conectadas) recebe os dados normalizados.
   • A rede prevê um deslocamento Doppler contínuo ($\hat{\delta}$) dentro de uma célula de resolução específica.
   • A saída é mapeada para um Doppler contínuo $\hat{\theta}$ dentro da célula $D$.
   • O treinamento utiliza uma função de perda híbrida:
     • Cross-Entropy Logística: Para a tarefa de detecção binária (alvo presente/ausente).
     • Perda Huber: Para a regressão do parâmetro Doppler (apenas em amostras com alvo), garantindo robustez a outliers.
3. Estatística de Detecção (Amortizada):
   • Em vez de testar $K$ Dopplers, o sistema usa o Doppler previsto $\hat{\theta}$ para gerar um único vetor de direção.
   • Calcula-se uma única estatística de Filtro Combinado Normalizado (NMF) baseada nesse Doppler previsto: $T = |v^H(\hat{\theta}) u|^2$.
   • O limiar de decisão é calibrado empiricamente para manter uma taxa de falsas alarmes ($P_{fa}$) fixa.

3. Principais Contribuições

• GLRT Amortizado: Formalização de um detector que aprende a maximização contínua do parâmetro uma vez (durante o treinamento) e a reutiliza na inferência, eliminando a necessidade de varredura densa em tempo real.
• Arquitetura Híbrida: Combina a interpretabilidade e estrutura física do GLRT/NMF (usando correlações complexas no final) com a capacidade de aprendizado de um regressor neural para a estimativa de parâmetros.
• Eficiência Computacional: Reduz a complexidade de teste de $O(K)$ correlações (varredura densa) para $O(1)$ correlação + custo de inferência da rede (que é desprezível para vetores curtos, ex: $m=16$).
• Robustez: Demonstração de que a abordagem mantém a robustez necessária em cenários de ruído complexo e não-Gaussiano.

4. Resultados Experimentais

Os autores avaliaram o método através de simulações de Monte Carlo sob duas condições de ruído: Gaussiano Complexo e Clutter Compound-Gaussiano (modelo SIRV, que modela caudas pesadas).

• Desempenho de Detecção ($P_d$ vs. SNR):
  • O NMF "On-Grid" (bin único) sofreu saturação severa em baixas $P_{fa}$, falhando em detectar alvos off-grid mesmo com alto SNR.
  • O DopplerGLRTNet mitigou completamente essa saturação, seguindo de perto o desempenho da varredura local densa (que é a aproximação numérica do GLRT contínuo ideal).
  • O desempenho do DopplerGLRTNet foi comparável ao "Oráculo" (que conhece o Doppler real e a covariância real) em muitos cenários, superando significativamente o NMF on-grid.
• Custo Computacional: O método alcança o desempenho da varredura densa com uma fração do custo de tempo de teste (uma única correlação por vetor de teste).
• Robustez a Clutter: O método manteve sua eficácia tanto em ruído Gaussiano quanto em clutter Compound-Gaussiano, demonstrando que a seleção amortizada de parâmetros contínuos é eficaz mesmo em ambientes com caudas pesadas e erros de estimação de covariância.

5. Significado e Impacto

O trabalho representa um avanço significativo na interseção entre processamento de sinais de radar clássico e aprendizado de máquina profundo:

• Solução Prática para um Problema Teórico: Oferece uma implementação viável e eficiente do GLRT contínuo, que anteriormente era computacionalmente proibitivo para sistemas de radar em tempo real.
• Eficiência Operacional: Permite a detecção de alvos fracos e off-grid sem o custo proibitivo de processamento de varreduras densas, crucial para radares modernos com alta taxa de atualização.
• Generalização: A abordagem sugere que a "amortização" de maximizações complexas via redes neurais pode ser aplicada a outros problemas de estimação de parâmetros em detecção, como ângulo de chegada ou estimativa conjunta de parâmetros de nuisance.

Em resumo, o DopplerGLRTNet resolve o problema de saturação de detecção off-grid através de uma rede neural leve que aprende a prever o Doppler exato, permitindo que o detector opere com a precisão de uma varredura contínua, mas com a velocidade de um filtro combinado único.