Joint Clutter and Target Tracking for Multi-Radar Systems: A Novel Distributed Bayesian Algorithm
Authors
Jensen, Marie Saugstrup ; Brøndt, Mikkel Sebastian Lundsgaard ; Kitchen, Astrid Holm Filtenborg
Term
4. semester
Education
Publication year
2025
Abstract
This thesis tackles the challenge of detecting and tracking small, agile drones in cluttered, low-SINR environments using multiple cooperating MIMO FMCW radars. We develop a comprehensive signal model for 2×4 monostatic MIMO radars that explicitly represents target, clutter, and noise, modeling clutter as a random field via orthonormal expansions. Building on this model, we propose a distributed Bayesian localization and tracking algorithm in Cartesian coordinates that jointly tracks target and clutter. Inference is performed with variational message passing under a mean-field approximation to approximate an otherwise intractable posterior; Bayesian networks are used to visualize dependencies and the system setup. A prototype implementation is evaluated on consumer-grade hardware using MATLAB-simulated data. The results show that the method can recover target trajectories for a small RCS target in clutter at low SINR, and simulations over different tracks indicate promising performance under these conditions. As the evaluation relies on simulations, the work serves as a proof of concept and a basis for future validation on real data and broader performance assessment.
Dette speciale adresserer den stigende udfordring med at detektere og spore små, manøvredygtige droner i støj- og kluttertunge omgivelser ved hjælp af flere samarbejdende MIMO FMCW-radarer. Vi formulerer en samlet signalmodel for 2×4 monostatiske MIMO-radarer, der eksplicit beskriver mål-, klutter- og støjbidrag, hvor klutteren modelleres som et stokastisk felt via ortonormale ekspansioner. På dette grundlag udvikles en distribueret Bayesiansk lokaliserings- og sporingsalgoritme, der i kartesiske koordinater kombinerer mål- og kluttersporing. Inferenz udføres med variational message passing under en mean-field-approksimation for at nærme sig en ellers intraktabel posterior; Bayesianske netværk anvendes til at visualisere afhængigheder og systemopsætning. Algoritmen er prototypet og afprøvet på forbrugerhardware ved brug af MATLAB-simulerede data. Resultaterne viser, at metoden kan rekonstruere målbaner for et lille mål i et kluttermiljø ved lav SINR, og simuleringer af forskellige spor tyder på, at algoritmen er lovende under disse forhold. Da evalueringen er baseret på simulationer, vurderes den primært som et bevis på koncept og muliggør videre arbejde mod realdata og udvidet performancevurdering.
[This apstract has been generated with the help of AI directly from the project full text]