对抗式雷达推理：从逆跟踪到认知雷达的逆强化学习
信号处理
2020-02-26 v1
摘要
认知感知是指一种可重构传感器，它通过使用随机控制动态调整其感知机制以优化感知资源。例如，认知雷达是复杂的动力系统；它们利用随机控制感知环境，从中学习目标与背景的相关信息，然后调整雷达传感器以满足其任务需求。过去二十年见证了认知/自适应雷达研究的蓬勃发展。本文讨论并解决了下一个合乎逻辑的步骤，即逆认知感知。通过实时观测传感器（例如雷达或一般的受控随机动力系统）的发射信号，我们如何检测该传感器是否为认知的（理性效用最大化者），又如何预测其未来动作？科学挑战包括将贝叶斯滤波、逆强化学习以及动力系统的随机优化扩展到数据驱动的对抗式环境。我们的方法超越了经典统计信号处理（感知与估计/检测理论），以解决如何从感知中推断策略这一更深层问题。所提出的生成模型、对抗式推理算法及相关的数学分析，将推动对认知雷达等复杂自适应传感器运作机理的理解。
引用
@article{arxiv.2002.10910,
title = {Adversarial Radar Inference. From Inverse Tracking to Inverse Reinforcement Learning of Cognitive Radar},
author = {Vikram Krishnamurthy},
journal= {arXiv preprint arXiv:2002.10910},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1905.07230, arXiv:1912.00331