נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
מעקב-לפני-גילוי משולב למידה עמוקה
Learn to track-before-detect
תקציר בעיברית
מערכות מכ"מ נדרשות לזהות מטרות ולעקוב אחר תנועתן באמצעות החזרי גלים אלקטרומגנטיים. אופן גילוי המטרות הסטנדרטי עובד בשני שלבים: ראשית מתבצע גילוי מקדים של מטרות על סמך מדידות המתבצעות בפרקי זמן קצרים, לאחריו גילויים שנאספו לאורך פרקי זמן שונים נחקרים במשותף לזיהוי מסלול התנועה של המטרות וביצוע מעקב. אופן פעולה זה הינה פשוט יחסית למימוש, אך תלות המעקב בזיהוי המקדים מוביל לקושי בגילוי מטרות בעלות חתימה נמוכה, או לחלופין, בהסתברות גבוהה לגילוי שווא. גישה חלופית, שתעמוד במוקד המחקר המוצע, הינה מעקב-לפני-גילוי (Track-before-detect). באופן פעולה זה, פעולת הגילוי מסתמכת על מדידות לאורך פרק זמן בהן המטרה יכולה לנוע, דבר המאפשר לנצל מודלים הסתברותיים לתנועת מטרות. מימוש נכון של מעקב-לפני-גילוי מוביל ליכולת גילוי משופרת בהשוואה לגילוי על סמך מדידות רגעיות. חרף יכולת הגילוי המשופרות של גישת המעקב-לפני-גילוי, ישנם אתגרים משמעותיים במימוש מערכות אלו, בעיקר עקב התלות במודל סטטיסטי אמין לתנועת המטרה. הפרוייקט המוצע יעסוק בפיתוח אלגוריתמי מעקב-לפני-גילוי. על מנת להתמודד עם התלות בתיאור מודל סטטיסטי אמין לתנועת המטרה, בכוונתנו לשלב בפיתוח כלי בינה מלאכותית מבוססי למידה עמוקה, המאפשרים ללמוד מודלים מורכבים מנתונים
תקציר באנגלית
Radar systems are required to detect targets and track their trajectory. The conventional approach to target identification is comprised of two stages: first the presence of targets is detected, and then the detected targets are tracked to obtain their trajectory. This separated operation is simple, but the fact that tracking is based on detection limits the performance. An alternative approach is track-before-detect, which tracks the trajectories during detection by incorporating movement models. While this approach enables improved performance, it also brings forth implementation challenges, and is sensitive to the imposing of an inaccurate motion model. In this project we will study the augmentation of track-before-detect algorithms with deep learning for the task of leveraging data to improve and robustify existing methods.