Metoder för ökad upplösning av målobjekt i urban miljö

I denna rapport studeras möjligheten att öka upplösningen för ett urbant mål inom en radars blickfång med några olika metoder. En ökad upplösning skulle ge förbättrade avbildningar och möjlighet till noggrannare positionering. I den första metoden studeras möjligheten att utnyttja a priori-kunskap om en urban scen (geometri, material) för att uppnå förbättringen. Scenen som studerats i detta inledande arbete utgörs av en lång rak gata, eller korridor. En radar bestående av flera linjärt distribuerade antenner har simulerats i olika beräkningsscenarion. Simuleringarna, gjorda på X-band, visar att ökad upplösning kan fås om a priori-kunskap om scenen används för en noggrann skattning av vågutbredningen mellan sändare och mottagare. Denna används sedan för att generera en referenssignal som korreleras med en uppmätt eller beräknad retur från scenen. Resultaten är känsliga för avvikelser i skattningen. Vidare indikeras att ju noggrannare skattningen är desto högre upplösning kan uppnås. Ett scenario bestående av en modellerad människa placerad i en korridor har studerats. En något bättre upplösning av människan fås om flervägsutbredning beaktas. Stora skillnader i resultat beroende på polarisationsval har noterats. En andra intressant metod diskuteras för ökning av upplösningen i lågupplösta avståndsprofiler. Den aktuella metoden benämns i denna rapport "Cetin-metoden", efter den förste författaren i den presenterande artikeln. En inledande studie presenteras av en tredje metod för förbättrad målinmätning, nämligen MIMO-radar, som är en generalisering av multistatisk radar och fasstyrda radarsystem. Varje sändare sänder ut individuellt modulerade signaler, vilket gör att de t.ex. kan sändas samtidigt. Detta möjliggör adaptiva system där utsända signaler kan justeras för att ge maximal inmätningsprestanda på önskade objekt i scenen. En intressant egenskap hos MIMO-system, med tillräckligt separerade antenner, är att noggrannheten i inmätningen av ett objekts position begränsas enbart av signalens våglängd, istället för bandbredden som i monostatiska system. Vidare ökar antalet mål som kan inmätas drastiskt med antalet oberoende sändare som används. Upplösningen hos systemet kan också ökas linjärt med antalet sändare genom skapandet av virtuellt förstorade aperturer. En intressant metod som beaktats i samband med MIMO-radarstudien är Compressive Sensing, som är en teknik som fokuserar på att radikalt reducera den mängd data som insamlas av ett sensorsystem, utan att göra signifikant avkall på kvalitén i den rekonstruerade signalen eller bilden. Tekniken tar fasta på att en scen för det mesta är gles, d.v.s. den innehåller många delar där det saknas objekt och signalen därför bara innehåller mätbrus. Compressive Sensing kompletterar MIMO-radar på ett mycket attraktivt sätt, eftersom MIMO-radar är beroende av rådatakommunikation mellan sensornoder. Genom att då reducera data som behöver skickas utan signifikant förlust av information, kan MIMO-radarsystem byggas utan orimliga krav på kommunikationssystemen. Compressive Sensing kan dessutom ge förbättrad bildkvalité i scener med hög dynamik, på grund av reduktion av sidlobsmönster