UWB(Ultra Wideband) レーダKIRIMOTO LABORATORY The University of Electro-Communications Range...

KIRIMOTO LABORATORYThe University of Electro-Communications

Range Point Migration(RPM)法

研究背景UWB(Ultra Wideband) レーダ

高い距離分解能(数cm～数mm程度)を有する⇒室内センサ・非破壊計測に有望

・境界抽出に特化・距離点（素子と距離）分布から

目標散乱点分布へ写像→高速・高精度目標境界推定が可能

Synthetic Aperture Radar(SAR)→受信信号を位相補償し，積分処理

問題点：・精度・分解能が不十分・多大な計算時間が必要

従来技術（SAR）での推定像

提案技術（RPM）での推定像

S. Kidera et al., IEEE Trans. GRS, Apr., 2010. 1

KIRIMOTO LABORATORYThe University of Electro-Communications

目標領域外挿の必要性

複数楕円体目標に対するRPM推定像結果

2

4

6

8

10

z/λ

12

14

-2 0 2 4 6 8x/λ

-2 0 2 4 6 8

y/λ

TrueEstimated

-3 -1.5 0 1.5 3 4.5 6 7.5

x/λ

-3

-1.5

0

1.5

3

4.5

6

7.5

9

y/λ

TrueEstimated

z

目標形状・位置によっては，画像再現領域が不十分

問題点

2

従来RPM・・・単一偏波データのみ利用

KIRIMOTO LABORATORYThe University of Electro-Communications

目標領域外挿の必要性

複数楕円体目標に対するRPM推定像結果

2

4

6

8

10

z/λ

12

14

-2 0 2 4 6 8x/λ

-2 0 2 4 6 8

y/λ

TrueEstimated

-3 -1.5 0 1.5 3 4.5 6 7.5

x/λ

-3

-1.5

0

1.5

3

4.5

6

7.5

9

y/λ

TrueEstimated

z

目標形状・位置によっては，画像再現領域が不十分

問題点

2

従来RPM・・・単一偏波データのみ利用

多偏波データ解析により目標領域を拡大

KIRIMOTO LABORATORYThe University of Electro-Communications

研究目的

山口芳雄, レーダポーラリメトリの基礎と応用, 電子情報通信学会(2007).

多偏波合成開口レーダ(Polarimetric SAR)→ 赤：二回散乱が卓越

緑：体積散乱が卓越青：表面散乱が卓越

複数偏波を利用したセンシング

各偏波における散乱特性：散乱中心付近の目標形状に依存

偏波特性

散乱電力分解結果

3

KIRIMOTO LABORATORYThe University of Electro-Communications

研究目的

本研究の目的

多偏波合成開口レーダ(Polarimetric SAR)→ 赤：二回散乱が卓越

緑：体積散乱が卓越青：表面散乱が卓越

複数偏波を利用したセンシング

各偏波における散乱特性：散乱中心付近の目標形状に依存

偏波特性

散乱電力分解結果

楕円体に対する偏波散乱解析及び楕円体形状推定法

山口芳雄, レーダポーラリメトリの基礎と応用, 電子情報通信学会(2007). 3

KIRIMOTO LABORATORYThe University of Electro-Communications

システムモデル

•明瞭な境界面を持つ目標

•無指向性素子を仮定

•送信信号：モノサイクルパルス(中心波長 )

• 方向及び 方向の直線偏波を仮定

• 送受信で偏波を変え，全偏波組合せのデータを利用

4

-0.5

0

0.5

-0.5

0

0.50

0.5

1

1.5

Antenna

⁄ Target

0⁄

⁄

0

0

-2

2

-22

2

4

6

KIRIMOTO LABORATORYThe University of Electro-Communications

楕円体に対する偏波散乱解析

-0.5

0

0.5

-0.5

0

0.50

0.5

1

1.5

⁄

0⁄

⁄

0

0

-2

2

-22

2

4

6

0,0,0

楕円体の各軸半径( , , )及び軸回転角度( )を変更して

全偏波データ取得↓

有用な特徴量抽出① Stokesパラメータ② 時系列データ

↓学習マシンによる識別

： 軸方向半径 ： 軸方向半径： 軸方向半径 ： 軸回転角度

5

受信データ生成： FDTD法

KIRIMOTO LABORATORYThe University of Electro-Communications

0 0.5 1-0.1

-0.05

0

0.05

0.1

, , 解析

① Stokesパラメータによる偏波散乱解析

偏光状態を数値で表現する成分Stokesパラメータ

楕円偏波を表すパラメータ

2Re ∗

2Im ∗

1cos 2 cos 2sin 2 cos 2

sin 2

, ： , 成分の振幅

, , ：軸, 軸, 軸半径

： 0.5： 1 ： 1.5 ： 2 ： 2.5 ： 3 ( 0.5 ， 0.5 )： 1 ： 1.5 ： 2 ： 2.5 ： 3 ( 0.5 ， 0.5 )

60 0.5 1

0.75

0.76

0.77

0.78

0.79

0.8

0.81

KIRIMOTO LABORATORYThe University of Electro-Communications

0.45 0.5 0.55 0.60.7

0.72

0.74

0.76

0.78

0.45 0.5 0.55 0.60.02

0.04

0.06

0.08

0.1

0.12

, , 解析

① Stokesパラメータによる偏波散乱解析

偏光状態を数値で表現する成分Stokesパラメータ

楕円偏波を表すパラメータ

2Re ∗

2Im ∗

1cos 2 cos 2sin 2 cos 2

sin 2

, ： , 成分の振幅

, , ： 軸, 軸, 軸半径： 軸回転角度

3 , 0.5 , 1： 0° ： 10° ∶ 20° ∶ 30° ∶ 40°∶ 10°∶ 20°∶ 30° ∶ 40°

7

0° 10°

20°

30°

40°

10°

20°

30°

40°

40°

30°

20°

10°

40°

30°

20°

10° 0°

KIRIMOTO LABORATORYThe University of Electro-Communications

⁄4.8 5 5.2 5.4 5.6

-0.2

-0.1

0

0.1

0.2

0.3

,

② 時系列データによる偏波散乱解析

受信信号波形の時間的変化を解析

時系列データ

目標を楕円体と仮定

, ：送信 ，受信 方向直線偏波のWienerフィルタ出力

多偏波データと楕円体形状の関係性に着目

＜ , ・ , ： 楕円の軸半径に関連＞

1 ， 0.5： 0.5 ： 1： 1.5 ： 2： 2.5 ： 3

： 軸方向半径 ： 軸方向半径 ： 軸方向半径

8

1

0.51

1.522.53

KIRIMOTO LABORATORYThe University of Electro-Communications

5 5.5 6 6.5 7-0.02

-0.01

0

0.01

0.02

⁄

② 時系列データによる偏波散乱解析

目標を楕円体と仮定

, ：送信 ，受信 方向直線偏波のWienerフィルタ出力,

3 ， 2 ， 0.5：0° ：20° ：40°

多偏波データと楕円体形状の関係性に着目

＜ , ・ , ： 楕円の軸半径に関連＞

＜ , ： 楕円の回転角に関連＞

, , ： 軸, 軸, 軸方向半径 ： 軸回転角度

9

1

受信信号波形の時間的変化を解析

時系列データ

40°

0°

20°

KIRIMOTO LABORATORYThe University of Electro-Communications

5 5.5 6 6.5 7-0.02

-0.01

0

0.01

0.02

② 時系列データによる偏波散乱解析

目標を楕円体と仮定

, ：送信 ，受信 方向直線偏波のWienerフィルタ出力

多偏波データと楕円体形状の関係性に着目

＜ , ・ , ： 楕円の軸半径に関連＞

＜ , ： 楕円の回転角に関連＞

, , ： 軸, 軸, 軸方向半径 ： 軸回転角度

9

1

受信信号波形の時間的変化を解析

時系列データ

3 ， 2 ， 0.5：0° ：20° ：40°：- 20° ：- 40°

⁄

,

40°20°

0°−20°

−40°

KIRIMOTO LABORATORYThe University of Electro-Communications

5 5.5 6 6.5 7-0.02

-0.01

0

0.01

0.02

② 時系列データによる偏波散乱解析

目標を楕円体と仮定

, ：送信 ，受信 方向直線偏波のWienerフィルタ出力

多偏波データと楕円体形状の関係性に着目

＜ , ・ , ： 楕円の軸半径に関連＞

＜ , ： 楕円の回転角に関連＞

, , ： 軸, 軸, 軸方向半径 ： 軸回転角度

9

1

受信信号波形の時間的変化を解析

時系列データ

3 ， 2 ， 0.5：0° ：20° ：40°：- 20° ：- 40°

⁄

,

40°20°

0°−20°

−40°

偏波情報：目標の局所情報だけでなく，大局的な情報も含む

偏波情報を利用した楕円体形状推定法を提案

データベース生成・学習

KIRIMOTO LABORATORYThe University of Electro-Communications

特徴量導出

① Stokesパラメータ特徴量導出

① Stokesパラメータ

① Stokesパラメータの処理手順

10

ニューラルネットワーク学習ニューラルネットワーク学習

未学習データを入力し

楕円体目標形状を推定

未学習データを入力し

楕円体目標形状を推定

Wienerフィルタ適用Wienerフィルタ適用

多様な楕円目標に対して全偏波データ取得

′ , , , , :Wienerフィルタ通過後の

解析信号∙ ：到来時間から一定時間内 の時間平均∗：複素共役

2Re ∗

2Im ∗

1cos 2 cos 2sin 2 cos 2

sin 2

NN入力データ： , , の導出

∗ ′ , ′ ,∗,

∗,

∗ ′ , ′ ,∗,

∗,

KIRIMOTO LABORATORYThe University of Electro-Communications

② 時系列データの処理手順

4.5 5 5.5 6-0.2

00.2

4.5 5 5.5 6-0.2

00.2

,

,

,

⁄

, , , , , ,∆

NN入力データ：時系列データ , の導出

, , , :Wienerフィルタ出力 , :素子位置

：目標までの到来距離 ∆ ：サンプル幅

∆

∆

∆⁄

⁄ 11

特徴量導出

② 時系列データ特徴量導出

② 時系列データ

ニューラルネットワーク学習ニューラルネットワーク学習

未学習データを入力し

楕円体目標形状を推定

未学習データを入力し

楕円体目標形状を推定

Wienerフィルタ適用Wienerフィルタ適用

多様な楕円目標に対して全偏波データ取得

KIRIMOTO LABORATORYThe University of Electro-Communications

数値計算モデル

12

受信信号：FDTD法で生成

素子位置：, , 0,0,0

0.5 , 1 , 1.5 , 2 , 2.5 , 30.5 , 1 , 1.5 , 2 , 2.5 , 30.5 , 1 , 1.5 , 2 , 2.5 , 30°, 10°, 20°, 30°, 40°

教師データ 1944 個

楕円目標：

1最近接距離5 で固定

KIRIMOTO LABORATORYThe University of Electro-Communications

Stokesパラメータによる楕円体形状推定結果

中間層数：3層 各ニューロン数：30,20,10個 学習・識別：誤差逆伝搬法

未学習データに対する推定結果

13

真値 ⁄ , ⁄ , ⁄ , ° 推定値 ⁄ , ⁄ , ⁄ , °1.70, 1.00 , 2.50 ,30.0 2.15 , 0.92, 2.17, 48.8

1.50, 2.20 , 3.00 ,20.0 1.72, 2.14, 1.75,−54.3

1.00, 2.00 , 2.70 ,40.0 0.63 , 1.28, 2.24,−88.8

2.00, 1.50 , 1.00 ,−35.0 2.19, 1.36, 1.86, 6.4

1.40, 2.80 , 2.00 ,10.0 1.35, 2.07, 2.33,−13.0

2.30, 1.50 , 1.10 ,20.0 2.24, 1.02, 1.88,−3.4

2.80, 2.50 , 0.50 ,25.0 2.13, 2.31, 1.26, 81.13.00, 1.70 , 0.90 ,30.0 2.11, 2, 0.95,−14.22.50, 1.30 , 2.00 ,13.0 2.73, 0.53, 1.75, 9.3

1.00, 2.00 , 2.40 ,−15.0 0.93, 2.17, 1.76,−4.92.80, 1.70 , 1.10 ,35.0 2.27, 2.08, 0.93,−9.2

RMS誤差

X軸半径 0.43Y軸半径 0.45Z軸半径 0.63回転角度 54.3°

KIRIMOTO LABORATORYThe University of Electro-Communications

時系列データによる楕円体形状推定結果

14

中間層数：3層 各ニューロン数：30,20,10個 学習・識別：誤差逆伝搬法

真値 ⁄ , ⁄ , ⁄ , ° 推定値 ⁄ , ⁄ , ⁄ , °1.70, 1.00 , 2.50 ,30.0 1.72, 0.97, 2.51, 28.01.50, 2.20 , 3.00 ,20.0 1.51, 2.18, 3, 21.7

1.00, 2.00 , 2.70 ,40.0 1.01, 2.01, 2.69, 43.22.00, 1.50 , 1.00 ,−35.0 2.02, 1.48, 0.97,−36.91.40, 2.80 , 2.00 ,10.0 1.4, 2.82, 2.01, 9.6

2.30, 1.50 , 1.10 ,20.0 2.38, 1.47, 1.09, 19.1

2.80, 2.50 , 0.50 ,25.0 2.64, 2.67, 0.53, 20.73.00, 1.70 , 0.90 ,30.0 3.22, 1.78, 0.85, 28.22.50, 1.30 , 2.00 ,13.0 2.53, 1.32, 2.04, 14.0

1.00, 2.00 , 2.40 ,−15.0 1.02, 2.01, 2.39,−14.9

2.80, 1.70 , 1.10 ,35.0 2.81, 1.74, 1.16, 36.6

未学習データに対する推定結果

RMS誤差

X軸半径 0.09Y軸半径 0.06Z軸半径 0.03回転角度 2.1°

KIRIMOTO LABORATORYThe University of Electro-Communications

結論

特徴・各偏波のStokesパラメータ及び時系列データを解析

数値計算による特性評価・FDTD法による偏波散乱データ生成と特徴量の解析・時系列データにより高精度な楕円体形状推定が可能

今後の課題・本手法とRPM法の融合による画像領域拡大手法を検討

偏波情報解析に基づく楕円体形状推定法を提案

15