Se ha publicado un artículo de investigación sobre localización de blancos mediante técnicas de muestreo compresivo en un entorno de radar de apertura sintética (SAR). El trabajo presenta un algoritmo novedoso que combina muestreo compresivo con técnicas de estimación de dirección de llegada (DOA) para localizar múltiples blancos en escenarios con clutter denso, utilizando un número significativamente reducido de mediciones de radar.
El algoritmo propuesto emplea una formulación de optimización basada en la minimización de la norma mixta L1/L2, que explota simultáneamente la dispersión espacial de los blancos y la estructura de grupo de las respuestas de radar en múltiples frecuencias. Los resultados de simulación muestran que el método propuesto puede localizar hasta 10 blancos con un error de posición inferior a 0.5 metros utilizando solo el 20{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290} de las muestras de fase completas.
Esta investigación tiene aplicaciones directas en sistemas de vigilancia, monitoreo ambiental y defensa, donde la reducción del tiempo de adquisición de datos de radar es crítica.
Los sistemas de radar modernos generan enormes volúmenes de datos que requieren transmisión y procesamiento en tiempo real. En aplicaciones como el radar SAR aerotransportado, el ancho de banda de comunicación entre la plataforma aérea y la estación base terrestre limita la cantidad de datos que pueden ser transmitidos. La teoría de sensado compresivo ofrece un marco teórico para reducir la tasa de muestreo del radar sin perder información esencial sobre la localización y características de los blancos.
Se diseñó un esquema de muestreo aleatorio en el dominio espacio-frecuencia, donde se selecciona aleatoriamente un subconjunto de elementos de antena y frecuencias de operación para cada pulso de radar. La reconstrucción de la escena se formula como un problema inverso mal condicionado que se resuelve mediante el algoritmo ISTA (Iterative Shrinkage-Thresholding Algorithm) con aceleración FISTA. Se realizaron simulaciones Monte Carlo con 1000 realizaciones para evaluar el rendimiento estadístico del método bajo diferentes niveles de relación señal a ruido (SNR) y densidades de blancos.
Los resultados demuestran que el algoritmo propuesto supera en un 15{48ccec454e2169d77940fc89c04cb0050685c5391f1d3051987519bd70dcb290} la precisión de localización de los métodos convencionales basados en beamforming adaptativo (MVDR/Capon) cuando se utiliza el mismo número reducido de muestras. El artículo fue publicado en la revista IEEE Geoscience and Remote Sensing Letters y ha recibido 28 citaciones. El método ha sido posteriormente extendido para aplicaciones de radar MIMO en un proyecto financiado por SENACYT.
- Baraniuk, R., & Steeghs, P. (2007). «Compressive radar imaging.» IEEE Radar Conference, 128-133.
- Herman, M. A., & Strohmer, T. (2009). «High-resolution radar via compressed sensing.» IEEE Transactions on Signal Processing, 57(6), 2275-2284.
- Ender, J. H. (2010). «On compressive sensing applied to radar.» Signal Processing, 90(5), 1402-1414.