面向ISAC系统的深度学习扩展目标跟踪
信号处理
2025-04-02 v1
摘要
本文探讨了使用通信信号在集成探测与通信( ISAC) 系统中进行扩展目标( ET)跟踪的可行性。 ET 由其中心距离、方位角、方向和轮廓形状特征描述，由于ISAC 中散射器分辨率有限，传统的散射器基跟踪算法几乎不可行。为此，我们提出ISACTrackNet，一种基于深度学习的跟踪模型，直接从噪声接收回波中估计 ET 的运动学和轮廓参数。该模型包含三个模块：用于杂波和自干扰抑制的降噪模块、用于瞬时状态估计的编码器模块，以及用于在恒定速度状态空间模型中进行预测细化的KalmanNet模块。仿真结果表明，ISACTrackNet 在位置和角度估计方面达到了接近雷达基跟踪方法的近最优精度，即使在测量分辨率有限和部分遮挡的情况下，方向和轮廓形状估计也略逊一筹。这些结果清晰地表明了仅使用通信信号即可实现可靠的 ET跟踪。
引用
@article{arxiv.2504.00576,
title = {Deep Learning-Based Extended Target Tracking in ISAC Systems},
author = {Yiqiu Wang and Meixia Tao and Shu Sun},
journal= {arXiv preprint arXiv:2504.00576},
year = {2025}
}
备注
Accepted by 2025 IEEE International Conference on Communications Workshops (ICC Wkshps). 6 pages, 4 figures