A Variational Message Passing Framework for Multi-Sensor Multi-Object Tracking using Raw Radar Signals

Título: Um Framework de Variational Message Passing (VMP) para Rastreamento de Múltiplos Objetos com Múltiplos Sensores usando Sinais de Radar Brutos

1. Problema e Contexto

O aumento da proliferação de Veículos Aéreos Não Tripulados (VANTs/drones) representa um desafio crítico para a vigilância do espaço aéreo. Os drones são tipicamente pequenos, possuem baixa seção de radar (RCS) e movem-se lentamente em ambientes com muito "clutter" (ruído de fundo).

• Limitações das Abordagens Atuais: Os métodos convencionais de "Detectar-Então-Rastrear" (DTT - Detect-Then-Track) dependem de medições pré-processadas (como detecções de CFAR). Em condições de baixa relação sinal-ruído (SNR) ou com objetos próximos, esses métodos tendem a descartar componentes de sinal informativos (baixa energia), levando a detecções perdidas e falhas no rastreamento.
• Desafio Específico: A necessidade de detectar, localizar e rastrear simultaneamente múltiplos objetos fracos e próximos, lidando com um número desconhecido e variável de alvos, sem depender de etapas intermediárias de detecção que podem introduzir erros.

2. Metodologia Proposta

Os autores propõem um método de Rastreamento Direto de Múltiplos Objetos (Direct-MOT) baseado em Variational Message Passing (VMP). A abordagem opera diretamente nos sinais brutos do radar, evitando a etapa de detecção prévia.

• Modelo de Sinal Superposto: Utiliza um modelo que captura as correlações nos dados brutos causados por objetos espacialmente próximos. Em vez de tratar cada objeto como independente em células de grade, o modelo considera a superposição física dos sinais recebidos por uma rede de radares MIMO (Multiple-Input Multiple-Output).
• Modelo Probabilístico Hierárquico Bernoulli-Gamma:
  • Existência: Modelada por variáveis binárias (Bernoulli) que indicam se um objeto potencial está presente.
  • Refletividade e Confiabilidade: Modelada por parâmetros de precisão distribuídos conforme uma distribuição Gamma. Isso permite que o algoritmo aprenda a confiabilidade de cada link radar-objeto e ajuste os pesos das medições de múltiplos sensores de forma adaptativa.
  • Parâmetros Nuisance: O método estima simultaneamente estados cinemáticos (posição, velocidade), existências, refletividades e parâmetros de ruído.
• Aproximação Mean-Field: Para tornar a inferência computacionalmente viável, o problema é resolvido usando uma aproximação mean-field. Isso deriva atualizações de mensagens recursivas que permitem a fusão coerente de dados de múltiplos radares dentro de um único modelo probabilístico unificado.
• Algoritmo: O algoritmo proposto (Algoritmo 1 e 2 no artigo) executa atualizações iterativas para estimar o número de objetos, seus estados e parâmetros de ruído, incluindo mecanismos para inicialização de novos alvos e poda de trilhas (tracks) que perdem probabilidade de existência.

3. Principais Contribuições

1. Método Direct-MOT Baseado em VMP: Introdução de um método que estima o número de objetos e seus estados individuais diretamente a partir do sinal de radar, realizando fusão de dados coerente entre múltiplos radares MIMO.
2. Modelo Hierárquico Bernoulli-Gamma: Incorporação de um modelo que captura simultaneamente a existência do objeto e a confiabilidade dos links individuais radar-objeto, permitindo um pesagem adaptativa das medições em cenários de fusão heterogênea.
3. Atualizações de Mensagens Eficientes: Derivação de atualizações de mensagens VMP que consideram as correlações dentro dos sinais de radar, mantendo a eficiência computacional através da aproximação mean-field.
4. Superioridade sobre Pipelines Convencionais: Demonstração de que o método supera abordagens DTT (baseadas em Aprendizado Bayesiano Esparso - SBL - seguido de Rastreamento por Propagação de Crenças - BP), especialmente em condições de baixo SNR e objetos próximos.

4. Resultados e Avaliação

Os autores realizaram simulações em cenários sintéticos desafiadores, comparando o VMP proposto com uma pipeline DTT (SBL + BP).

• Cenários Testados:
  1. Trilhas Cruzadas Aleatórias: Três objetos cruzando-se em baixa SNR (-18 dB).
  2. Trilhas Paralelas: Dois objetos muito próximos (separados por 1,5 m), testando a resolução abaixo do limite clássico do array.
  3. Transferência de Sensor (Handover): Um objeto sendo rastreado por diferentes pares de sensores ao longo do tempo.
• Métrica de Desempenho: Utilizou-se a métrica OSPA (Optimal Subpattern Assignment), que mede erros de cardinalidade (número de objetos) e erro quadrático médio de posição.
• Resultados Chave:
  • O método VMP apresentou erros OSPA significativamente menores que o SBL+BP, especialmente nos cenários de baixa SNR e objetos próximos.
  • O método DTT (SBL+BP) sofreu com erros de cardinalidade (perda de alvos) devido à dificuldade de separar sinais correlacionados na etapa de detecção inicial.
  • O VMP conseguiu compensar flutuações de amplitude e realizar "handover" suave entre sensores, mantendo o rastreamento contínuo.
  • Complexidade Computacional: Embora o VMP tenha uma complexidade cúbica em relação ao número estimado de objetos ($O(\hat{K}^3)$), o tempo de execução médio foi competitivo (1.29s vs 1.59s para o método comparado em testes de Monte Carlo), indicando viabilidade para implementações em tempo real.

5. Significado e Conclusão

Este trabalho avança o estado da arte no rastreamento de objetos fracos e densos ao eliminar a dependência de etapas de detecção intermediárias que perdem informação. Ao realizar inferência diretamente no nível do sinal e utilizar fusão de dados coerente de múltiplos sensores MIMO, o framework proposto oferece robustez superior em ambientes complexos e com ruído. A abordagem VMP permite preservar componentes de sinal fracos que seriam descartados por métodos convencionais, tornando-se uma solução promissora para a vigilância de espaço aéreo contra drones e para aplicações de radar em geral onde a detecção de alvos de baixa RCS é crítica.