カーネル密度推定と圧縮センシングに基づく超分解能速度・距離推定法
従来ドップラ解析の限界
パルスドップラレーダでドップラ速度を推定することで，距離分解能の改 善や人体の識別等が期待できます．一般的なドップラ速度推定法としてFourier 変換 に基づく手法が挙げられるが，同手法で高いドップラ速度分解能を達成するために は高い中心周波数と長い観測時間が必要である．しかしながら，誘電体への透過性 が必要な壁透過UWBレーダでは中心周波数が低く設定する必要があります． また，超分解能距離推定法を適用する場合は、 出力応答がほぼインパルスになるため，搬送波周波数が失われ， 上記の位相回転量を計測するフーリエ変換等の処理は適用できない。 更に，上記のインパルス的な応答やＵＷＢ信号は比帯域幅が非常に広い， 反射パルスが同一レンジゲートに存在する時間(有効観測時間) が短くなる．そ のため，壁透過モデルにおいてFourier 変換に基づくドップラ速度推定で高い速度 分解能を保持することは困難となります。
カーネル密度推定に基づく超分解能ドップラ解析法
上記の問題点に対して，当研究室ではカーネル密度推定に基づく全く新しいドップラ解析法を提案しましあた． 本手法は観測される到来距離の時間方向における傾きを計算し，それらの分布をガウスカーネルで統計的な分布として推定することで， 各距離・時間におけるドップラ速度を高精度に推定することができます． 図１は，歩行人体を想定したシミュレーションによる性能評価を示しています． 従来のフーリエ変換法では，速度分解能が不十分であるために本来の速度情報を抽出できません。 これに対して，圧縮センシングフィルタとカーネル密度推定法を併用すると， 人体の各部位の速度を，各時刻で求めることができます． この手法は，原理的にコヒーレント処理を用いていないので，極めて短い時間分解能で高いドップラ速度分解能を実現することができます． さらに，本手法とRPM法と統合させることにより，図２に示すようにドップラ速度を画像上方に紐づけることができるため、 より高次な画像解析及び識別を実現させることができます． 現在は，これらの手法を実環境，実人体で評価し，実用化に向けて研究を進めています．
[1]Takeru Ando and Shouhei Kidera, "k- and Doppler Velocity Decomposition Based Range Points Migration for Three-dimensional Localization with Millimeter Wave Radar",
IEEE Sensors Journal, (in press) 2022.
[2]Takumi Hayashi, Takeru Ando, and Shouhei Kidera "Accurate Doppler Velocity Estimation by Iterative WKD Algorithm for Pulse-Doppler Radar", , IEICE Trans. Commun., (in press), 2022.
[3]Takeru Ando and Shouhei Kidera, "Accurate Micro-Doppler Analysis by Doppler and k-space Decomposition for Millimeter Wave Radar", IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022.
[4]Y. Akiyama, T. Omori, and S. Kidera, " k-Space Decomposition Based Three-dimensional Imaging with Range Points Migration for Millimeter Wave Radar", IEEE Trans. Geoscience & Remote Sensing,vol. 59, no. 8, pp. 6637-6650, Aug. 2021.
[5]M. Setsu, T. Hayashi, J. He, and S. Kidera, " Super-Resolution Doppler Velocity Estimation by Kernel-Based Range-τ Point Conversions for UWB Short-Range Radars ", IEEE Trans. Geoscience & Remote Sensing, Vol. 59, 2020.
パルスドップラレーダでドップラ速度を推定することで，距離分解能の改 善や人体の識別等が期待できます．一般的なドップラ速度推定法としてFourier 変換 に基づく手法が挙げられるが，同手法で高いドップラ速度分解能を達成するために は高い中心周波数と長い観測時間が必要である．しかしながら，誘電体への透過性 が必要な壁透過UWBレーダでは中心周波数が低く設定する必要があります． また，超分解能距離推定法を適用する場合は、 出力応答がほぼインパルスになるため，搬送波周波数が失われ， 上記の位相回転量を計測するフーリエ変換等の処理は適用できない。 更に，上記のインパルス的な応答やＵＷＢ信号は比帯域幅が非常に広い， 反射パルスが同一レンジゲートに存在する時間(有効観測時間) が短くなる．そ のため，壁透過モデルにおいてFourier 変換に基づくドップラ速度推定で高い速度 分解能を保持することは困難となります。
カーネル密度推定に基づく超分解能ドップラ解析法
上記の問題点に対して，当研究室ではカーネル密度推定に基づく全く新しいドップラ解析法を提案しましあた． 本手法は観測される到来距離の時間方向における傾きを計算し，それらの分布をガウスカーネルで統計的な分布として推定することで， 各距離・時間におけるドップラ速度を高精度に推定することができます． 図１は，歩行人体を想定したシミュレーションによる性能評価を示しています． 従来のフーリエ変換法では，速度分解能が不十分であるために本来の速度情報を抽出できません。 これに対して，圧縮センシングフィルタとカーネル密度推定法を併用すると， 人体の各部位の速度を，各時刻で求めることができます． この手法は，原理的にコヒーレント処理を用いていないので，極めて短い時間分解能で高いドップラ速度分解能を実現することができます． さらに，本手法とRPM法と統合させることにより，図２に示すようにドップラ速度を画像上方に紐づけることができるため、 より高次な画像解析及び識別を実現させることができます． 現在は，これらの手法を実環境，実人体で評価し，実用化に向けて研究を進めています．
図１：人体マイクロドップラ解析例（左：観測モデル，中央：従来法，左：提案法）
図２：観測モデル（左），RPM法とドップラー速度を統合した画像化例
