技术摘要：面向韧性分布式雷达感知的不确定性感知融合

问题陈述

分布式雷达感知对于移动机器人和车辆系统（特别是自动驾驶、无人机群和多机器人系统）的安全与韧性运行至关重要。虽然智能体通常配备有本地传感器（如 FMCW 雷达、摄像头、激光雷达），但由于遮挡、传感器限制或故障，仅靠本地测量往往不足以应对，会导致目标状态估计的不确定性过高。

为了解决这一问题，智能体可以将本地测量结果与周围静态雷达的数据进行融合。然而，这种协作方法面临着由于带宽受限导致的显著约束。传输共享测量数据会引入两个相互竞争的退化机制：

1. 量化失真（Quantization Distortion）： 为了适应带宽限制而对数据进行压缩，会增加有效噪声底平。
2. 延迟/信息老化（Latency/Information Aging）： 为了节省带宽而增加更新间隔，会导致接收到的信息发生老化，从而导致传输状态与当前目标状态之间出现不匹配。

本文解决的核心问题是：缺乏一个统一的框架来量化在有限通信资源下，单个雷达如何对降低不确定性做出贡献，特别是分析更新率与量化保真度之间的权衡。

方法论

作者提出了一个基于克拉美-罗下界（CRLB）的统一框架，用于分析融合的目标状态估计。该方法论通过以下步骤进行：

1. 本地信号建模：

   • 系统对一个移动智能体（$k=0$）和 $K$ 个观测单个点目标的静态雷达系统进行建模。
   • 本地雷达信号被建模为频率调制连续波（FMCW）回波，表示为一个包含快时间、空间和慢时间维度的数据立方体 $Y_0$。
   • 测量模型被向量化为 $y_0 = \mu_0(\omega_0) + r_0$，其中 $\omega_0$ 代表本地目标参数（距离、角度、径向速度），$r_0$ 是加性复高斯噪声。
   • 推导了本地参数的费舍尔信息矩阵（FIM），表明在白噪声假设下，距离、角度和速度的估计是近似解耦的。

2. 全局融合模型：

   • 建立了一个通用的全局坐标系，其中目标状态 $\Omega$ 包括全局位置（$x, y$）和速度（$v_x, v_y$）。
   • 本地参数 $\omega_k$ 通过非线性变换函数 $g_k(\Omega)$ 与全局状态相关联。
   • 通过使用所有智能体局部 FIM 的雅可比矩阵（$J_k = \partial \omega_k / \partial \Omega$）进行求和，构建全局 FIM。

3. 纳入通信约束：

   • 量化： 利用针对高斯源的率失真理论，作者推导出失真噪声协方差（$\sigma^2_{D,k}$）作为分配比特数（$B_k$）的函数。该失真被添加到传感器噪声中，实际上增加了 FIM 计算中的噪声底平。
   • 延迟： 使用线性状态转移模型（$\Omega_{t+\tau} = F_\tau \Omega_t + w_\tau$）来模拟更新周期 $\tau$ 期间的信息老化。当前状态的 FIM 通过将延迟测量 FIM 沿状态转移矩阵进行传播并加上过程噪声来进行更新。

4. 统一 CRLB 表达式：

   • 最终的全局参数向量 CRLB 被推导为本地智能体信息与分布式雷达信息（经失真和延迟调整后）之和的逆。
   • 开发了一个简化的标量表达式，以明确展示权衡关系：$CRLB(\tau) \approx (\bar{I}_0 + (\text{Distortion}(\tau) + \text{Aging}(\tau))^{-1})^{-1}$。

核心贡献

本文提出了三个主要贡献：

1. 基于 CRLB 的框架： 一个综合性的数学框架，用于融合目标状态估计，该框架明确捕捉了由量化失真和由于延迟引起的信息老化所产生的影响。
2. 权衡分析： 通过解析推导，揭示了受信道容量支配的更新率与量化保真度之间的基本权衡。分析表明，较小的更新周期受量化失真噪声主导，而较大的更新周期则受延迟引起的不确定性主导。
3. 数值评估： 通过仿真结果验证了理论框架，展示了协作融合的益处，并证明了系统对量化速率和延迟的敏感性。

仿真结果

作者使用一个移动智能体经过目标并由两个静态雷达支持的场景来评估推导出的 CRLB。

• 韧性（Resilience）： 当智能体移出视野（此时本地 CRLB 变得趋于无穷大）时，引入静态雷达可以维持可靠的后备性能。
• 量化影响： 减少分配给量化的比特数会增加 CRLB。然而，随着本地测量相对于共享数据变得更加丰富，增加比特数带来的性能增益呈现出收益递减的趋势。
• 延迟影响： 增加更新周期 $\tau$ 会降低性能。性能下降最初呈三次幂关系（由于位置估计中的过程噪声传播），然后趋于一个由智能体本地测量能力定义的上限。
• 最优权衡： 失真与老化的综合效应导致 CRLB 随更新周期呈现非单调变化。存在一个最优更新周期，可以平衡因激进量化引入的噪声与因数据陈旧引入的不确定性，从而使总不确定性最小化。

意义与主张

本文声称提供了一个在资源受限环境下设计协作融合策略所必需的统一框架。通过量化单个静态雷达的具体贡献以及通信约束的代价，该框架能够实现：

• 系统参数优化： 它强调，为了实现最大程度的不确定性降低，必须仔细选择系统参数（例如：传感器选择、量化水平、更新率）。
• 控制基础： 作者指出，该框架可以作为联合感知-控制问题的确定性量化组件。未来的工作旨在利用这一点进行在线传感器选择和资源分配策略，从而可能连接到双重控制问题，即输入既能调节系统，又能探测其状态。

作者对研究范围保持谦逊，指出目前的分析假设为单个点目标且不存在杂波，并且在完整表达式下寻找一般情况的最优解需要进一步的研究。