Graph-based Simultaneous Localization and Bias Tracking
针对多径干扰环境中的鲁棒定位与跟踪问题，提出基于因子图和粒子和积算法的序贯方法，联合估计移动智能体位置及时变多径分量，无需环境地图即可利用多径几何特征提升定位精度，性能优于现有算法且达P-CRLB，还能识别不可靠测量以减轻跟踪丢失。
2025-04-15 eess.SP
Radio-Based Passive Target Tracking by a Mobile Receiver with Unknown Transmitter Position
针对发射机位置未知的移动接收机场景，提出基于多径测量（到达角与相对距离）的被动目标跟踪算法，利用置信传播联合定位发射机与散射体，仿真验证其跟踪精度优于基准方法。
2024-11-07 eess.SP
Vehicular Positioning and Tracking in Multipath Non-Line-of-Sight Channels
我们考虑单小区多输入多输出系统中的下行链路传输，其中用户设备对应于沿着给定轨迹移动的车辆。该系统利用以多个非视距（NLoS）分量为特征的毫米波信道。如在若干相关著作中已经指出的，在这样的系统中，基于无线电接入网络（RAN）的定位可以有效地提高由全球导航卫星系统实现的定位精度。然而，基于RAN的定位精度高度依赖于信道估计的质量，特别是如果利用多径传播。认识到服务基站和车辆之间的通信信道以及车辆的地理位置可以有利地建模为相互关联的自回归过程，我们提出了一个两阶段的卡尔曼滤波器算法，采用两个交织的滤波器的信道跟踪，位置跟踪和突然的信道变化检测。第一卡尔曼滤波器跟踪与通信信道相关联的出发角和到达角，其用于进行粗略的位置估计。第二个卡尔曼滤波器利用车辆的运动学参数跟踪车辆的位置。仿真结果清楚地表明，使用所提出的方案，它利用了两个通信信道和地理位置的记忆属性相比，采用以前提出的单级或不正确组合的过滤器在NLoS环境中的优势。
2022-03-31 cs.IT eess.SP math.IT
Multi-object Tracking with an Adaptive Generalized Labeled Multi-Bernoulli Filter
多目标跟踪的挑战主要来自于跟踪过程中目标的基数和状态的随机变化。此外，关于对象出现的位置的信息、它们的检测概率以及传感器的假警报的统计显著地影响滤波器的跟踪精度。然而，这些信息通常被认为是已知的，并由用户提供。在本文中，我们提出了一种自适应广义标记多伯努利（GLMB）滤波器，该滤波器可以在无需先验知识的情况下跟踪多个对象。实验结果表明，该滤波器的性能与理想的GLMB滤波器提供的跟踪场景的正确信息。
2022-01-12 eess.SP
Measurement-Level Fusion for OTHR Network Using Message Passing
基于电离层统计模型的超视距雷达（OTHR）网络提供的多径测量数据对未知数量目标进行跟踪是一个复杂的问题，需要解决目标检测、目标跟踪、多径数据关联和电离层高度识别等4个子问题。联合解决方案是期望的，因为这四个子问题是高度相关的，但从棘手的推理问题的高维潜变量的痛苦。本文提出了一种结合置信传播（BP）和平均场（MF）近似的统一消息传递方法，用于简化复杂的推理。基于潜变量的联合概率分布函数（PDF）的因子分解对应的因子图以及将该因子分解分为BP区域和MF区域的选择，由于MF具有共轭指数模型的简单MP更新规则，因此可以用MF来近似包括目标运动状态、目标能见度状态和电离层高度在内的连续潜变量的后验PDF。对于包含一对一帧（硬）约束的离散多径数据关联，其概率密度函数用循环BP近似。最后，采用闭环方式迭代更新近似后验概率密度函数，有效地解决了目标检测、目标跟踪、多径数据关联和电离层高度识别之间的耦合问题。同时，由于直接对OTHR网络的原始多径测量进行处理，该方法具有测量级融合结构，有利于提高目标跟踪性能。它的性能表现在一个模拟的OTHR网络多目标跟踪方案。
2020-04-03 cs.SY eess.SP eess.SY
A Study of Dynamic Multipath Clusters at 60 GHz in a Large Indoor Environment
毫米波（mmWave）频率下的可用的基于几何的随机信道模型（GSCM）不一定保持模拟信道的空间一致性，这对于具有超密集用户的小小区是必不可少的。在本文中，我们的工作集群参数化的成本2100信道模型使用移动信道模拟在61 GHz的赫尔辛基机场。该论文考虑了一种经过优化以匹配测量的射线追踪器，以获得毫米波频率的双向通道。一个联合聚类跟踪框架被用来确定集群参数的COST 2100信道模型。KPowerMeans算法和卡尔曼滤波器分别用于识别聚类位置和预测跟踪聚类位置。结果证实，联合聚类和跟踪是一个合适的工具，集群识别和跟踪我们的光线跟踪结果。集群质心的运动，集群的寿命和每个快照的集群数量进行了研究，这组光线跟踪结果。仿真结果表明，多径分量（MPC）分组成簇毫米波频率。
2018-09-02 cs.IT eess.SP math.IT
Efficient Implementation of Multi-sensor Adaptive Birth Samplers for Labeled Random Finite Set Tracking
本文针对标记随机有限集多传感器自适应出生过程提出五项效率增强措施，在保持跟踪性能的同时显著降低计算复杂度。
2025-06-20 eess.SP
An Efficient Labeled/Unlabeled Random Finite Set Algorithm for Multiobject Tracking
我们提出了一种有效的随机有限集（RFS）为基础的多目标跟踪算法，其中对象的状态是由一个标记的多伯努利（LMB）RFS和泊松RFS的组合建模。该算法的计算要求较低的泊松部分用于跟踪不太可能存在的潜在对象。只有当表征对象存在的可扩展性的量高于阈值时，才创建新的标记的伯努利分量，并且通过算法的更准确但计算要求更高的LMB部分来跟踪对象。相反，如果相应的存在概率低于另一个阈值，则标记的伯努利分量被转移回泊松RFS。与现有的基于多Bernoulli和Poisson RFS的混合算法相反，该方法有利于跟踪连续性并实现复杂度降低功能。仿真结果表明，一个大的复杂度降低相对于其他基于RFS的算法具有可比的性能。
2022-04-19 eess.SP
A Hybrid Labeled Multi-Bernoulli Filter With Amplitude For Tracking Fluctuating Targets
为了提高跟踪性能，许多跟踪算法都加入了目标回波幅度信息。采用幅度特征的局限性之一是目标的信噪比（SNR），即，通常假定振幅似然的参数是已知的和恒定的。在实际应用中，目标信噪比总是未知的，并且依赖于方位角，因此它会波动。本文提出了一种混合标记多贝努利（LMB）滤波器，它将信号幅度引入LMB滤波器，用于跟踪未知和波动信噪比的目标。目标信噪比的波动由自回归伽马过程建模，并考虑了Swerling 1和3目标的幅度似然。在Rao-Blackwell分解下，提出了一种基于Laplace变换和Markov Chain Monte Carlo方法的近似Gamma估计器来估计目标信噪比，并在目标信噪比的条件下，采用高斯混合滤波器来估计运动状态。通过一个包含三个交叉目标的跟踪场景分析了该混合滤波器的性能。仿真结果验证了所提出的SNR估计器的有效性，并量化了将幅度信息用于多目标跟踪的好处。
2022-09-19 eess.SP
Tracking Cells and their Lineages via Labeled Random Finite Sets
在活细胞实验中确定细胞及其谱系或祖先的轨迹是理解细胞如何行为和分裂的基础。本文提出了一种新的在线算法，用于联合跟踪和解决一个未知的和随时间变化的细胞数量从延时视频数据的谱系。我们的方法涉及建模的细胞系作为一个标记的随机有限集的标签代表细胞的身份和血统。一个产卵模型的开发，以考虑到细胞谱系和细胞分裂前外观的变化。然后，我们推导出分析过滤器来传播包含当前细胞系综（包括其谱系）信息的多对象分布。我们还开发了由此产生的多对象过滤器的数值实现。使用模拟，合成细胞迁移视频和实时延时序列的实验，展示了解决方案的能力。
2021-10-27 eess.SP
Multi-target Joint Detection, Tracking and Classification Based on Generalized Bayesian Risk using Radar and ESM sensors
提出了一种基于标记随机有限集和广义贝叶斯风险的雷达和ESM传感器多目标联合检测、跟踪和分类方法。定义了一种新的贝叶斯风险，用于标记随机有限集变量，涉及多目标基数估计（检测），状态估计（跟踪）和分类的成本。然后利用检测、跟踪和分类的相互依赖性，使贝叶斯风险最小。此外，条件标记的多伯努利滤波器被开发来计算的估计和成本的不同假设和决策的目标类使用属性和动态测量。此外，性能进行了分析。数值仿真结果验证了该方法的有效性和优越性。
2018-07-06 eess.SP
Autoregressive Attention Neural Networks for Non-Line-of-Sight User Tracking with Dynamic Metasurface Antennas
National and Kapodistrian University of Athens（雅典国立卡波季斯特里安大学）；North Carolina State University（北卡罗来纳州立大学）
本文提出一种两阶段机器学习方法，利用基于注意力机制的神经网络和可学习自回归模型，结合动态超表面天线接收架构，在非视距多径环境中实现高精度用户跟踪并减少导频开销。
2023-10-30 cs.LG eess.SP
Outlier-Resistant Fusion for Multi-static Positioning using 5G NR Signals
RWTH Aachen University（亚琛工业大学）；Indian Institute of Technology Jodhpur（焦浦印度理工学院）
本文提出一种鲁棒算法，通过角度到达和Cauchy损失函数抑制多径环境中的异常值，提升扩展目标定位精度，优于LS和IRLS等传统方法。
2026-03-20 eess.SP
Multi-site Radar Systems for High-Precision Indoor Positioning and Tracking
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Peng Cheng Laboratory（鹏城实验室）
本文提出一种利用多站点单输入单输出雷达系统的高精度室内定位与跟踪方法，通过融合多雷达径向速度测量，改进目标位置估计，提升精度并降低硬件复杂度。
2026-04-17 eess.SP
A Merge/Split Algorithm for Multitarget Tracking Using Generalized Labeled Multi-Bernoulli Filters
被称为增量广义标记多伯努利（dGLMB）滤波器的标记随机有限集滤波器的类别将滤波密度表示为加权假设的集合，其中每个假设由标记轨迹的集合组成，所述标记轨迹又是轨迹标记和轨迹运动密度的对。在用一批测量更新时，每个假设产生许多子假设，因此对于任何实际应用都必须执行截断。有限的计算预算可能导致退化，从而丢失磁道。为了减轻，我们通过使用一种新的合并/分裂算法，采用了一个因子过滤密度。合并早已建立在文献中，我们的分裂算法是通过一个高效和有效的边缘化方案，通过索引的运动密度的测量ID（在移动窗口），已在其更新。这使我们能够确定何时独立性可以被认为近似地保持给定的公差，以便自适应地选择跟踪的“分辨率”，从单个因子（dGLMB）到所有单例因子（标记多伯努利，LMB），以及介于两者之间的任何地方。
2021-08-08 eess.IV eess.SP
Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
针对 RIS 辅助多频段 ISAC 中 CSI 多模态、异步流量及标注稀疏问题，提出基于 transformer 与对抗学习的跨域 X2Track 框架，实现分米级跟踪并仅需 5% 标注数据。
2024-05-10 cs.AI eess.SP
Masked Latent Prediction of CSI for Indoor Localization in Integrated Sensing and Communication Systems
Nokia Bell Labs（诺基亚贝尔实验室）；Politecnico di Milano（米兰理工大学）
提出基于JEPA的自监督CSI定位框架，通过掩码潜在预测预训练编码器，在DICHASUS-005x数据集上以50%掩码率将定位误差从0.90米降至0.42米，实现标签高效且低开销的室内定位。
2026-09-09 eess.SP
Interaction-Aware Labeled Multi-Bernoulli Filter
RMIT University（皇家墨尔本理工大学）
实时跟踪多个目标是智能交通系统的重要组成部分。基于随机有限集（RFS）的滤波器是用于跟踪多个对象的新兴技术之一。在多目标跟踪（MOT）中，一个常见的假设是每个目标都独立于其周围环境而运动。但在许多现实世界的应用中，目标对象相互之间以及与环境相互作用。当考虑用于跟踪时，这样的交互通常由应用特定的交互式运动模型来建模。在本文中，我们提出了一种新的方法，将目标相互作用的预测步骤的基于RFS的多目标过滤器，即标记的多伯努利（LMB）过滤器。该方法已开发用于跟踪协调群体和车辆的两个实际应用。该方法已被测试为一个复杂的车辆跟踪数据集，并通过OSPA和OSPA $^{(2)}$指标与LMB滤波器进行了比较。结果表明，所提出的交互感知方法描绘了相当大的性能增强LMB滤波器在选定的指标。
2022-04-19 cs.CV eess.SP
Position Tracking using Likelihood Modeling of Channel Features with Gaussian Processes
Fraunhofer IIS（弗劳恩霍夫集成电路研究所）；Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）；Technical University of Ilmenau（伊尔梅瑙工业大学）
最近的定位框架利用复杂的信道测量（CM）的空间信息来估计准确的位置，即使在多径传播的情况下。现有技术的基于CM指纹（FP）的方法采用卷积神经网络（CNN）来提取空间信息。然而，它们需要空间密集的数据集（与高采集和维护工作相关）才能正常工作-这在实际应用中很少出现。如果这些数据不可用（或其质量低），我们无法补偿基于CNN的FP的性能下降，因为它们不提供统计位置估计，这阻止了与观测水平上的其他信息源的融合。我们提出了一种新的本地化框架，很好地适应稀疏数据集，只包含CM的特定区域内的环境具有强大的多径传播。我们的框架压缩CM到信息功能解开空间信息。然后，它回归高斯过程（GP）的每一个，这意味着统计观测模型的基础上的距离相关的协方差内核。我们的框架将训练的GPS与视线范围和粒子滤波器中的动态模型相结合。我们的测量结果表明，我们的方法优于最先进的CNN指纹识别（0.52米与1.3米MAE）在一个现实的工业室内环境中收集的空间稀疏数据。
2022-03-24 cs.LG eess.SP
Channel Knowledge Map-assisted Dual-domain Tracking and Predictive Beamforming for High-Mobility Wireless Networks
Xi’an Jiaotong University（西安交通大学）；Peng Cheng Laboratory（鹏城实验室）；Pazhou Laboratory (Huangpu)（琶洲实验室（黄埔））；Technology and Engineering Center for Space Utilization, Chinese Academy of Science（中国科学院空间应用工程与技术中心）；National Mobile Communications Research Laboratory, Southeast University（东南大学移动通信国家重点实验室）
本文提出基于通道知识图的双域跟踪与预测波束成形方法，通过整合坐标域和波束域实现高机动无线网络中的高效目标和波束跟踪。
2026-01-10 cs.IT eess.SP math.IT
Multi-Target Tracking with Dependent Likelihood Structures in Labeled Random Finite Set Filters
在多目标跟踪中，数据关联假设将测量分配给航迹，并且（联合目标测量关联的）假设似然用于在有限计算预算下在所有假设之间进行比较以进行截断。然而，通常假设个体目标-测量关联可能性独立于其他，即，无论它属于哪种假设，它都是一样的。在面向轨道的多假设跟踪（TO-MHT）的情况下，这导致假设空间的简约表示，其中通过求解线性规划问题获得极大似然解。在标签随机有限集（标签RFS）过滤器，这导致了一种有效的方式来获得排名靠前的假设，通过解决排名分配问题，使用Murty的算法。在本文中，我们提出了一个建议和验证的方法，某些依赖的似然结构，这样的真实假设的可能性进行评估，共同为组成的轨道测量协会，以说明它们之间的依赖性，但在同一时间，排名仍然是有效地获得。这是通过在独立性假设下提出候选排名，然后逐个评估真实似然来实现的，对于某些依赖似然结构，保证不从其候选值增加，直到获得期望数量的排名靠前的假设。这种依赖似然结构的例子包括碰撞似然结构和遮挡似然结构，这两种结构在应用中经常遇到。
2021-08-08 eess.SP stat.ME
Multi-sensor Joint Adaptive Birth Sampler for Labeled Random Finite Set Tracking
本文提出了一种可扩展的，多传感器测量自适应航迹起始技术标记随机有限集滤波器。多传感器测量自适应出生集分布的朴素构造导致传感器数量中的新生组件的指数数量。建立了标记多重Bernoulli随机有限集出生密度的截断准则。所提出的截断准则被证明在广义标记多伯努利后验密度中具有有界L1误差。这个标准是用来构建一个吉布斯采样器，产生一个截断的测量生成的标记的多伯努利出生分布与二次复杂的传感器的数量。假设线性高斯似然的条件采样分布的封闭形式的解决方案，旁边的近似解决方案，使用蒙特卡洛重要性抽样。多个仿真结果验证了截断准则的有效性，以及复杂度的降低。
2022-04-29 cs.SY eess.SP eess.SY
A Track-Before-Detect Approach to Multi-Target Tracking on Automotive Radar Sensor Data
近年来，贝叶斯滤波方法在标记随机有限集公式在多目标跟踪领域变得越来越强大。广义标记多伯努利（GLMB）滤波器是最新的研究成果之一，它可以在统一的框架内实现稳定的基数、目标状态估计和目标识别。与GLMB滤波器的初始上下文相比，本文将其用于检测前跟踪（TBD）方案中，从而避免了由于阈值处理和其他数据预处理步骤而导致的信息丢失。本文提供了一个TBD GLMB滤波器设计下的可分离的似然假设，可应用于现实世界的场景和数据中的汽车雷达背景。它的适用性，以真实的传感器数据证明在一个示例性的情况下。据作者所知，GLMB滤波器应用于实际雷达数据中的TBD框架的第一次。
2020-07-09 eess.SP
Robust Multi-Sensor Multi-Target Tracking Using Possibility Labeled Multi-Bernoulli Filter
针对多传感器多目标跟踪中信息不完整导致的认知不确定性，本文基于带标签UFS理论提出可能性LMB滤波器及其融合方案，以较低复杂度实现鲁棒跟踪并优于典型概率方法。
2024-01-04 cs.IT eess.SP math.IT
Neuro-Wideband WiFi Sensing via Self-Conditioned CSI Extrapolation
The University of Hong Kong（香港大学）
本文提出Neuro-Wideband（NWB）通过自条件学习实现宽带WiFi感知，无需专用硬件，利用深度学习框架提升多径分辨能力，实验证明其在定位和呼吸监测中的有效性。
2026-01-10 eess.SP
On Gibbs Sampling Architecture for Labeled Random Finite Sets Multi-Object Tracking
本文针对标记随机有限集多目标跟踪，提出了一种支持并行处理的短链多仿真样本生成技术和两种启发式早期终止准则，以更少的马尔可夫链观测实现相似采样性能。
2023-06-27 cs.SY eess.SP eess.SY
Deterministic Multi-sensor Measurement-adaptive Birth using Labeled Random Finite Sets
针对带标签随机有限集多目标滤波中的多传感器测量自适应航迹起始，本文提出确定性 herded Gibbs 采样截断方法，在保持平均跟踪性能的同时提升鲁棒性与安全性。
2023-07-12 cs.SY eess.SP eess.SY
Pairwise Node Localization From Differences in Their UWB Channels to Observer Nodes
我们认为在多径传播环境中的一对无线节点之间的定位和距离估计的问题，但不是通常的方式处理它们之间的信道测量。我们提出了一种新的范例，比较两个节点的超宽带（UWB）信道的其他节点，称为观察员。主要思想是信道脉冲响应（CIR）之间的相异性随着$d$而增加，并且允许估计$\hat{d}$。我们的方法依赖于提取共同的多径组件（MPC）的CIR。这在室内或城市场景中是现实的，并且如果$d$比观察者距离小得多。我们提出的距离估计，利用MPC延迟差异中包含的丰富的位置信息。同样，我们提出了估计的相对位置向量处理MPC延迟和MPC方向。我们这样做的各种重要的情况下：有和没有时间同步，延迟测量误差，和知识的MPC之间的CIR关联。该估计器具有很大的技术优势：它们不需要视线条件，观察者的位置知识，或环境知识。我们研究的估计精度与随机抽样的基础上的数值评估，此外，在室内环境中的测量的基础上进行实验评估。该建议显示了在理论和实践中具有很大准确性的潜力。我们描述了如何将新的测量范式纳入合作定位框架的时空跟踪。这可以在动态多路径设置中实现可负担得起的无线网络定位。
2022-04-27 eess.SP
RadarEye: Robust Liquid Level Tracking Using mmWave Radar in Robotic Pouring
Department of Information Engineering, The Chinese University of Hong Kong, Hong Kong SAR, China（信息工程系，香港中文大学，香港特别行政区，中国）
RadarEye通过毫米波雷达实现机器人倒液过程中液体水平的鲁棒跟踪，采用高分辨率波束成形和物理感知跟踪器，实现亚毫秒级延迟和优于视觉和超声波的精度。
2026-02-11 cs.RO eess.SP
Multi-Sensor Fusion for Extended Object Tracking Exploiting Active and Passive Radio Signals
Graz University of Technology（格拉茨工业大学）；Christian Doppler Laboratory for Location-aware Electronic Systems（位置感知电子系统克里斯蒂安·多普勒实验室）
本文提出一种基于贝叶斯方法的多传感器融合算法，用于在部分遮挡线状视图的情况下实现精确定位，通过融合主动和被动雷达型测量来提高鲁棒性。
2026-04-07 eess.SP
OTHR multitarget tracking with a GMRF model of ionospheric parameters
电离层是由超视距雷达（OTHR）发射的无线电波的传播介质。电离层参数，通常，虚拟电离层高度（VIH），需要进行坐标配准OTHR多目标跟踪和定位。电离层参数的不准确性对超视距雷达的目标定位有很大的不利影响。因此，研究精确的电离层参数模型和估计方法以及相应的目标跟踪算法，对提高超视距雷达的定位精度具有重要意义。本文在OTHR目标跟踪中考虑了电离层随位置的变化以及电离层的空间相关性。我们使用高斯马尔可夫随机场（GMRF）模型的VIH，提供了一个更准确的表示的VIH OTHR目标跟踪。基于期望条件最大化和GMRF模型的VIH，我们提出了一种新的联合优化解决方案，称为ECM-GMRF，同时进行目标状态估计，多径数据关联和VIH估计。在ECM-GMRF中，利用电离层探测器和OTHR的测量值来估计VIH，从而更好地估计VIH，从而提高数据关联和目标状态估计的精度，反之亦然。仿真结果表明了该算法的有效性。
2020-05-05 cs.SY eess.SP eess.SY
An Approach for GCI Fusion With Labeled Multitarget Densities
研究了标号随机有限集的广义协方差交（GCI）融合方法。我们提出了一个联合标签空间的融合标记的随机有限集的支持来表示不同的代理之间的标签关联，避免标签的GCI融合算法的标签一致性条件。具体来说，我们设计的联合标签空间的直接产品的所有标签空间为每个代理。然后应用GCI融合方法得到联合标记的多目标密度。联合标记的RFS然后被边缘化成一般标记的RFS，只要每个目标由具有唯一标签的单个伯努利分量表示。证明了用于融合来自不同药剂的LMB RFS的联合标记GCI（JL-GCI）。考虑到场景中目标分离良好的假设，我们还提出了简化的JL-GCI方法。仿真结果表明，标签不一致性的有效性和良好的性能，在具有挑战性的跟踪场景。
2020-10-28 cs.LG eess.SP
ORACLE: Occlusion-Resilient and Self-Calibrating mmWave Radar Network for People Tracking
提出ORACLE多毫米波雷达自校准与跟踪融合系统，利用人员轨迹估计雷达相对位姿并融合多雷达数据，在遮挡和多目标场景下显著提升定位跟踪精度且支持低带宽轻量部署。
2023-04-27 cs.SY eess.SP eess.SY
Robust Statistical Beamforming with Multi-Cluster Tracking for Time-Varying Massive MIMO (Extended Version)
提出了一种大规模多输入多输出（MIMO）系统中瞬时信道估计、波束跟踪和自适应波束形成器的联合设计方法。这种设计的重点是效率方面的性能和计算复杂性的不利影响下的时间变化和移动性的来源，多用户和多径组件的存在下，或简单的多集群，和远近效应。该设计也适用于混合波束形成和频率选择性信道。在所提出的系统中，信道参数估计在时域双工（TDD）上行链路模式使用每簇的方法，而不是一个联合的方法，这显着降低了复杂度。由于所提出的干扰感知统计波束形成方法，即降维广义特征波束形成器（RD-GEB），每簇估计是可能的，它承担了干扰减轻的计算负载，并使剩余阶段的设计更简单。此外，整体设计基于将信道参数分离为快时间和慢时间，仅留下瞬时信道估计和信道匹配滤波作为快时间操作，其在集群特定的降维子空间内处理。波束跟踪和波束形成很少在慢时间内进行，降低了时均复杂度。此外，通过利用一批瞬时信道估计来执行波束跟踪，这消除了对额外训练过程的需要。所提出的低复杂度设计优于传统的方法。
2023-03-01 cs.IT eess.SP math.IT
Controlled Tracking in Urban Terrain: Closing the Loop
Rockwell Collins（罗克韦尔柯林斯）；Colorado State University（科罗拉多州立大学）；Hillcrest Labs（山景实验室）；University of Melbourne（墨尔本大学）
本文研究了在城市地形中整合检测、信号处理、目标跟踪和前瞻性波形调度的挑战，提出了一种闭环主动传感系统，通过空间、波形和运动模型多样性来解决该问题。
2018-05-01 cs.SY eess.SP eess.SY
