亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

隨著傳感器技術和由此產生的傳感器分辨率的不斷進步，傳統的基于點的目標跟蹤算法已顯得力不從心，尤其是在使用高分辨率傳感器的自動駕駛汽車、視覺跟蹤和監控等應用領域。這重新激發了人們對擴展目標（ET）跟蹤的興趣，其目的不僅在于跟蹤目標的中心點，還在于跟蹤目標隨時間變化的形狀和大小。

本論文探討了 ET 跟蹤應用領域中最具挑戰性的三個問題。研究的第一個難題是，在非高斯噪聲存在的情況下，需要對具有任意未知星凸形狀的 ET 目標進行精確的形狀和中心估計。提出的方法基于 Student's-t 過程回歸算法，該算法在遞歸框架中定義，適用于在線跟蹤問題。

第二個問題試圖通過定義一種新穎的隨機多面體形狀描述符來放松在估計過程中施加在 ET 目標形狀上的任何約束，包括星凸約束。此外，所提出的解決方案還引入了一種方法，以減輕在 ET 跟蹤應用中因自閉塞而造成的麻煩，因為忽視自閉塞可能會導致 ET 狀態估計出現災難性的偏差。

最后，研究了在雜波和遮擋情況下跟蹤多個 ET 目標的框架，并提出了解決方案。所提出的方法可以在現實場景中估計 ET 目標的中心和形狀，同時考慮到自閉和互閉的挑戰。所提出的方法為每個 ET 定義了一個隨時間變化的狀態檢測概率，即使在相互遮擋造成的不利條件下，也能延長軌跡。此外，建議的算法使用集合成員不確定性模型來約束被遮擋 ET 的關聯和目標形狀不確定性，從而獲得更準確的 ET 目標狀態和形狀估計。

所提方法的性能在自閉和互閉的真實模擬場景中進行了量化，其結果與現有的最先進的 ET 跟蹤應用方法進行了比較。

圖 1.1： 點目標和擴展目標的并排比較。(a): 點目標的單一測量源和生成的測量結果。(b): 多個散射點和 ET 生成的測量結果。

過去幾十年來，在安全、監視、情報收集和偵察等許多領域，對目標跟蹤（OT）應用的需求一直在增加。最近，對無人駕駛車輛新定義的要求提高了人們對 OT 的興趣。機器學習、數據分析和深度學習的進步為識別和跟蹤感興趣的目標提供了便利；然而，持續跟蹤目前是許多研究項目感興趣的問題。本文提出了一個系統，實現了一種持續跟蹤目標并根據其先前路徑預測其軌跡的方法，即使目標在一段時間內部分或完全被隱藏。該系統分為兩個階段：第一階段利用單個固定攝像機系統，第二階段由多個固定攝像機組成的網狀系統。第一階段系統由六個主要子系統組成：圖像處理、檢測算法、圖像減法器、圖像跟蹤、跟蹤預測器和反饋分析器。系統的第二階段增加了兩個主要子系統： 協調管理器和相機控制器管理器。這些系統結合在一起，可以在目標隱藏的情況下實現合理的物體連續性。

本文介紹了 FARN 的功能原理，FARN 是一種新型無人飛行器（UAV）飛行控制器，專為需要高精度和高可靠性導航的任務場景而設計。通過將低成本慣性傳感器和超寬帶（UWB）無線電測距與全球導航衛星系統（GNSS）的原始和載波相位觀測相結合，可達到所需的精度。飛行控制器是根據兩個研究項目的任務要求在本工作范圍內開發的，并在實際條件下成功應用。

FARN 包括一個全球導航衛星系統羅盤，即使在基于磁羅盤的傳統航向估計不可靠的環境中，也能進行精確的航向估計。全球導航衛星系統羅盤將兩個全球導航衛星系統接收器的原始觀測數據與 FARN 的實時姿態確定功能相結合。因此，盡管地球磁場的水平分量很弱，但在 ROBEX 項目中，特別是在北極環境中部署無人駕駛飛行器是可能的。

此外，FARN 還能對多個無人飛行器進行厘米級精確的實時相對定位。這不僅能實現蜂群內的精確飛行操縱，還能執行合作任務，其中多個無人機具有共同目標或物理耦合。與 MIDRAS 項目一起開發的無人機防御系統基于兩架合作無人機，它們以協調的方式行動，并攜帶一個共同懸掛的網，以捕獲半空中具有潛在危險的無人機。

本論文涉及無人機開發的理論和實踐方面，重點是信號處理、制導與控制、電氣工程、機器人學、計算機科學和嵌入式系統編程等領域。此外，本論文還旨在為無人飛行器領域的進一步研究提供簡明的參考資料。

該作品對所使用的無人機平臺、推進系統、電子設計和所使用的傳感器進行了描述和建模。在建立了姿態表示的數學約定之后，概述了飛行控制器的實際核心，即嵌入式自我運動估計和原理控制結構。隨后，基于基本的全球導航衛星系統導航算法，得出了先進的基于載波相位的方法及其與自我運動估計框架的耦合。此外，還介紹了系統的各種實施細節和優化步驟。該系統已在兩個項目中成功部署和測試。在對所開發的系統進行嚴格檢查和評估后，概述了現有的局限性和可能的改進。

圖：FARN 系統結構。可選傳感器和任務用虛線表示。

目標跟蹤是計算機視覺和自主系統的核心要素。因此，單個和多個目標跟蹤已被廣泛研究，特別是針對全運動視頻序列。從移動的機載平臺上獲取廣域運動圖像（WAMI）是最近的一項傳感器創新，它具有一系列國防和民用應用，提供了其他傳感器系統無法比擬的高密度空間和時間覆蓋的獨特組合。機載 WAMI 對目標跟蹤提出了一系列挑戰，包括大數據量、多相機陣列、圖像穩定、低分辨率目標、目標外觀變化和高背景雜波，尤其是在城市環境中。時間變化的低幀率大圖像給可靠的長期多目標跟蹤帶來了一系列困難。本論文的重點是特征概率跟蹤（LOFT）試驗臺系統，它是一種基于外觀（單實例）的目標跟蹤器，專為 WAMI 設計，采用先跟蹤后檢測的模式。在檢測前使用動態跟蹤的動機是為了在計算成本最低的環境中處理大規模數據。在城市場景中，由于存在許多相似的目標、雜波、高層建筑，因此在大畫面上到處搜索一個目標是不現實的，而且還會帶來計算成本大幅增加的額外負擔。LOFT 利用濾波和動態技術將搜索區域限制在大畫面中一個更現實的區域內，并利用多種特征來識別感興趣的目標，從而繞過了這一難題。感興趣的目標預計會以邊界框的形式輸入到算法中。這項工作的主要目標是提出一種符合 LOFT 先跟蹤后檢測模式的外觀更新建模策略，并展示整個系統與其他最先進的跟蹤算法相比的準確性，以及在使用和不使用該策略的情況下的準確性。在設計使用 Radon 變換的各種信息線索的更新策略時，我們考慮到了某些性能參數，例如計算成本的最小增加以及整個系統精確率和召回率的顯著提高。這一點已通過使用文獻中的標準評估技術來證明。作者認為，LOFT WAMI 追蹤器的擴展包括一個更詳細的外觀模型，其更新策略非常適合于持續目標追蹤，這一點非常新穎。在這項工作的幫助下，LOFT 的核心部分已作為多個政府研發項目的一部分進行了評估，其中包括美國空軍研究實驗室的 "指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）企業到邊緣（CETE）"、美國陸軍研究實驗室的 "高級視頻活動分析（AVAA）"以及一個用于邊緣處理的云上細粒度分布式計算架構。為跟蹤標準視頻中的目標開發了簡化版 LOFT，并參加了與主要計算機視覺會議同時舉行的視覺目標跟蹤（VOT）挑戰賽。在城市場景的航拍 WAMI 中，包含擬議外觀適應模塊的 LOFT 能產生明顯更好的跟蹤效果。

提綱

在這篇論文中，試圖通過提出一種跟蹤管道來應對其中的大部分挑戰，這種管道是為處理特定困難而量身定制的，例如通過使用拉東變換的新用法來處理方向變化問題，通過使用多尺度特征來處理低像素級分辨率問題，通過在外觀信息不可靠時切換到預測來處理遮擋問題，以及設計一個足夠靈活的平臺，以便我們為研究人員提供一種更加標準化的方法來利用和研究單個模塊對不同類型數據集的整體跟蹤質量的影響。論文的其余部分安排如下。

第 2 章簡要介紹了跟蹤方面的文獻。WAMI 追蹤文獻與標準圖像追蹤有很大不同。從這一文獻調查中可以清楚地看出，各種技術都偏向于某一方。

第 3 章提出了我們新穎的跟蹤管道。LOFT 作為一個特征融合和外觀建模系統，具有高度模塊化的特點。第一步，目標和搜索區域需要用一個強大的特征集來描述。隨后是匹配步驟，在我們的案例中，匹配步驟包括多個一對一的特征匹配，然后是融合過程，將匹配信息匯總，生成一個單一的概率圖。此外，還介紹了有助于自動終止和智能處理特殊情況（如數據缺失或損壞）的其他模塊。

第 4 章介紹了拉東變換以及特殊情況下的方程。這一章介紹了在方位估算中使用該技術的原因和動機。

第 5 章介紹了我們提出的 LOFT 管道，其中增加了由方向估計得出的外觀建模。該章詳細回顧了拉東變換的技術和用法，隨后介紹了如何將這些信息轉換為有助于外觀建模的描述符的算法。

第 6 章介紹了我們的算法工程實現及其模塊。此外，還詳細介紹了與不同程序下其他系統的集成工作。模塊架構與交互圖一起展示。本章還介紹了一種用于插入額外 3D 信息的新方法，該方法有可能在航空圖像中實現更好的跟蹤效果。

第 7 章展示了我們的實驗方法，并介紹了數據和最終結果。我們詳細解釋了性能數據，并展示了 LOFT 如何優于文獻中的各種跟蹤器，同時還提供了一份詳細的性能表，說明添加外觀建模技術后的改進量。

第8章展示了我們在云計算架構上運行LOFT的合作成果。該章主要關注在流式圖像管道中以網絡模式運行災難場景時對 LOFT 的評估。利用云計算環境進行資源分配，并運行像 LOFT 這樣數據輸入量大的算法，將是使追蹤更加普及的一個步驟。本章重點介紹了此類系統的工程設計方面，并通過實驗展示了可擴展追蹤的可行性。最后一章總結了所提出的工作，并討論了未來的發展方向。

圖 3.1： 特征概率跟蹤（LOFT）處理管道顯示的主要組件包括特征提取、結合模板進行特征似然圖估算、使用支持向量機（SVM）分類進行車輛檢測、融合模塊（也包含基于運動預測和基于運動背景減法的融合模塊），以產生用于目標定位的融合似然圖。軌跡管理包括終止模塊、多重假設跟蹤（MHT）或不多重假設跟蹤（MHT）預測以及用于自適應目標建模的目標外觀更新。

過去幾十年來，在安全、監視、情報收集和偵察等許多領域，對目標跟蹤（OT）應用的需求一直在增加。最近，對無人系統新定義的要求提高了人們對 OT 的興趣。機器學習、數據分析和深度學習的進步為識別和跟蹤感興趣的目標提供了便利；然而，持續跟蹤目前是許多研究項目感興趣的問題。本論文提出了一個系統，實現了一種持續跟蹤目標并根據其先前路徑預測其軌跡的方法，即使該目標在一段時間內被部分或完全隱藏。該系統分為兩個階段： 第一階段利用單個固定攝像機系統，第二階段由多個固定攝像機組成的網狀系統。第一階段系統由六個主要子系統組成：圖像處理、檢測算法、圖像減法器、圖像跟蹤、跟蹤預測器和反饋分析器。系統的第二階段增加了兩個主要子系統：協調管理器和相機控制器管理器。這些系統結合在一起，可以在目標隱藏的情況下實現合理的目標跟蹤連續性。

在許多淺水和沿海水域應用中，視覺制導水下機器人與人類潛水員一起執行合作勘探、檢查和監測任務。這類陪伴機器人最基本的能力是在水下任務的各個階段以視覺解讀周圍環境并協助潛水員。盡管近年來技術不斷進步，但現有的實時視覺感知系統和解決方案在很大程度上受到能見度低、光照變化和突出特征稀少等海洋因素的影響。而水下光傳播的脆弱性（如與波長相關的衰減、吸收和散射）所導致的一系列非線性圖像失真又加劇了這些困難。在本論文中，我們提出了一套新穎的改進型視覺感知解決方案，以應對這些挑戰，從而實現有效的水下人機合作。研究成果包括底層視覺和基于學習的算法的新穎設計和高效實施，以及廣泛的現場實驗驗證和單板部署的實時可行性分析。

論文分為三個部分。第一部分側重于為自動潛航器（AUV）開發實用的解決方案，以便在執行水下任務期間陪伴人類潛水員。其中包括基于視覺的強大模塊，使自動潛航器能夠理解人類的游泳動作、手勢和身體姿勢，以便在保持平穩的時空協調的同時跟隨人類并與之互動。一系列封閉水域和開放水域現場實驗證明了我們提出的感知算法在水下人機合作中的實用性和有效性。我們還確定并量化了這些算法在不利視覺條件下不同操作約束條件下的性能變化。論文的第二部分致力于設計高效的技術，通過恢復水下圖像的感知和統計質量來克服能見度低和光學失真的影響。我們進一步證明了這些技術作為視覺導航自動潛航器自主流水線預處理器的實際可行性。最后，本論文的第三部分開發了高層次決策方法，如為快速視覺搜索建立空間注意力模型，學習識別何時需要圖像增強和超分辨率模塊來實現詳細感知等。我們證明，這些方法可將機載視覺感知模塊的處理速度提高 45%，使自動潛航器能夠做出智能導航和操作決策，尤其是在自主探索任務中。

總之，本論文描述了我們為解決水下人機合作實時機器視覺所面臨的環境和操作挑戰而進行的嘗試。針對各種重要應用，我們開發了穩健、高效的模塊，讓自動潛航器在僅依靠嘈雜的視覺傳感的情況下，通過準確感知周圍環境來跟隨同伴潛水員并與之互動。此外，我們提出的感知解決方案能讓視覺引導機器人在嘈雜條件下看得更清楚，并在有限的計算資源和實時限制條件下做得更好。除了推動最先進技術的發展之外，我們提出的方法和系統還讓我們朝著縮小理論與實踐之間的差距、改善野外人機合作的方向邁進了一步。

無人機（UAVs）在軍事和民用領域發揮著至關重要的作用。本論文的研究有助于智能控制系統（ICS）領域，特別是實現旋轉翼無人飛行器（RUAV）可靠、便捷的自主控制。特別是，本論文解決了如何適應未建模動態和干擾（如在空中改變有效載荷）的難題。

無人機可以攜帶額外的重量，如傳感器、貨物，甚至被稱為有效載荷的懸掛物。已經開發了許多策略來穩定不斷變化的有效載荷，但這些策略都假定有效載荷是剛性的，重心（CoG）是靜態和已知的。有效載荷質量及其類型在飛行過程中的變化會極大地影響無人機的動態性能，這就要求控制器進行調整，以保持令人滿意的閉環性能。此外，還沒有探索過在半空中從一架較大的飛機（如氣象氣球）上發射一組具有隨機姿態的送貨無人機的情況。最后，未建模的動力學和陣風等不確定因素給飛行操作帶來了挑戰，因此綜合控制系統對于處理這些不確定因素至關重要，但對非基于模型的綜合控制系統的設計和開發關注不夠。

受這些研究空白的啟發，本論文探討了如何處理有效載荷在空中的 CoG 變化和姿態獨立發射的控制問題。為解決這些問題并實現理想的軌跡跟蹤控制，本文提出了一種新型非基于模型的綜合控制系統，稱為雙向模糊腦情感學習（BFBEL）控制系統。所提出的控制系統融合了模糊推理、神經網絡和基于強化學習的新型雙向腦情感學習（BBEL）算法。所提出的 BFBEL 控制器能夠從零開始快速適應，可用于控制 RUAV 的所有六自由度 (6DOF)。為擴大擬議控制器的適用性，開發了單輸入-單輸出（SISO）和多輸入-多輸出（MIMO）架構。本研究考慮的兩種無人駕駛飛行器模型是四旋翼無人駕駛飛行器（QUAV）和直升機無人駕駛飛行器（HUAV）。SISO 版本的 BFBEL 控制系統被應用于 QUAV，以解決處理 CoG 和重量不同的外部有效載荷的問題。BFBEL 控制系統的 MIMO 版本應用于 HUAV，以解決在空中獨立發射姿勢的問題。對這兩種系統都進行了模擬評估，并通過實驗驗證了如何處理 CoG 不確定的外部有效載荷問題。最后，在相同的控制情況下，將飛行能力和控制性能與傳統的比例積分微分（PID）控制器方案進行了比較。

空中平臺的使用，如無人駕駛飛行器（UAVs），配備了攝像傳感器，對民用安全和安保領域的廣泛應用至關重要。其中，突出的應用包括監視和偵察、交通監測、搜索和救援、救災和環境監測。然而，由于大量的視覺數據和由此產生的認知過載，僅由人類操作員分析航空圖像數據往往是不可行的。在實踐中，基于適當的計算機視覺算法的自動處理鏈被用來協助人類操作員評估航空圖像數據。這種處理鏈的關鍵部分是在分析和解釋場景之前，準確檢測相機視野內的所有相關物體。由于相機和地面之間的距離較大，空間分辨率較低，這使得航空圖像中的物體檢測成為一項具有挑戰性的任務，而運動模糊、遮擋或陰影又進一步阻礙了這項工作。盡管在文獻中存在許多用于航空圖像中物體檢測的傳統方法，但由于物體的尺度、方向、顏色和形狀的高差異性，所使用的手工制作的特征的有限表示能力常常抑制了可靠的檢測精度。

在本文的范圍內，開發了一種新的基于深度學習的檢測方法，其重點是在俯視記錄的航空圖像中檢測車輛。為此，選擇了Faster R-CNN作為基礎檢測框架，因為與其他基于深度學習的檢測器相比，它的檢測精度更高。針對航空圖像的具體特點，特別是小物體的尺寸，系統地研究了相關的適應性，并確定了現實世界應用方面的問題，即由類似車輛的結構引起的大量錯誤檢測和推理時間差。我們提出了兩個新的組成部分，通過提高所采用的特征表示的上下文內容來提高檢測精度。第一個組件旨在通過結合淺層和深層的特征來增加空間背景信息，以說明精細和粗略的結構，而后一個組件利用語義標簽--圖像的像素級分類--來引入更多的語義背景信息。實現了將語義標簽整合到檢測框架中的兩種不同的變體：利用語義標簽的結果來過濾掉不可能的預測，以及通過共享特征表示將語義標簽網絡明確地并入檢測框架來誘導場景知識。這兩個部分都明顯減少了錯誤檢測的數量，從而大大地提高了檢測精度。為了減少計算量，從而減少推理時間，在本論文的背景下開發了兩種替代策略。第一個策略是將用于特征提取的默認CNN結構替換為針對航空圖像中的車輛檢測而優化的輕量級CNN結構，而后一個策略包括一個新的模塊，將搜索區域限制在感興趣的區域。所提出的策略使檢測框架的每個組成部分的推理時間明顯減少。與作為基線的標準Faster R-CNN檢測器相比，結合所提出的方法明顯提高了檢測性能。此外，在不同的航空圖像數據集上，現有的航空圖像中的車輛檢測方法在數量和質量上都優于其他方法。在從具有不同屬性的新的航空圖像數據集上收集的大量以前未見過的數據上，進一步證明了其泛化能力。

研究目標

諸如困難目標、嵌入復雜雜波和相互競爭的背景目標設置以及日益嚴重的有意和無意 RF 干擾等幾個因素，繼續增加現代高性能雷達的復雜性和挑戰。認知型全自適應雷達（CoFAR）的推出是為了應對日益復雜的工作環境的挑戰。CoFAR的特點是通過感知-學習-適應（SLA）方法學習和理解完整的多維雷達信道（目標、雜波、干擾等），實現完全自適應發射、接收和控制器/調度器功能。該系統能夠通過估計由雜波和其他干擾信號組成的雷達信道，共同優化自適應發射和接收功能。

隨后的脈沖或相干脈沖間隔（CPI）的雷達波形和CoFAR的接收濾波器基本上是利用對雷達信道的了解來計算的，其中包括雜波和其他干擾信號。在實踐中，信道信息是未知的，應該從探測信號中估計。因此，這些CoFAR系統的有效性高度依賴于雷達信道的靜止性以及信道估計算法的準確性。我們開發了新的信道估計算法，利用了相鄰脈沖的信道脈沖響應之間的關系。所提出的算法優于傳統的無約束的最小二乘法解決方案。

我們還解決了下一步的問題，該框架涉及一個由 "我們 "和 "對手 "組成的對抗性信號處理問題。"我們 "指的是一種資產，如無人機/UAV或探測 "對手 "認知雷達的電磁信號。認知型傳感器將我們在噪聲中的運動狀態作為觀察對象。然后，它使用貝葉斯跟蹤器來更新我們狀態的后驗分布，并根據這個后驗選擇一個行動。我們在噪聲中觀察傳感器的行動。鑒于對 "我們的 "狀態序列和對手的傳感器所采取的觀察到的行動的了解，我們將重點放在以下相互關聯的方面。我們認為敵方雷達通過實施維納濾波器來選擇其發射波形以跟蹤目標，從而使其信號-雜波-噪聲比（SCNR）最大化。通過觀察雷達選擇的最佳波形，我們將制定一個智能策略來估計對手的認知雷達信道，然后通過信號相關的干擾產生機制來迷惑對手的雷達。

研究總結

2020財年的研究報告分為兩大重點：

1 約束信道估計算法

我們的主要目的是開發一種新的信道估計算法，以改善無約束的最小二乘法解決方案，特別是在低信噪比的情況下，因為沒有任何約束的最小二乘法解決方案受到低信噪比值的影響。我們提出了在余弦相似性約束和前一個脈沖的信道脈沖響應與當前脈沖之間的內積約束下的約束最小二乘法問題，該信道脈沖響應正在被估計。

我們首先研究了RFView數據集中相鄰脈沖的信道脈沖響應之間的余弦相似度測量和內積值，觀察到較近的脈沖之間的信道脈沖響應顯示出較高的余弦相似度和內積值。我們還觀察到，無約束的最小二乘法解決方案顯示出更低的余弦相似度值，尤其是在低信噪比環境下。

然后，我們提出了一個新的帶有余弦相似性約束的約束最小平方問題，以改善最小平方解。由于最小二乘法的解決方案不符合余弦相似性約束的理想值，我們強制要求估計的信道脈沖響應有一個理想的余弦相似性測量。由此產生的優化問題是一個非凸問題，然而，我們將其轉換為一個非凸的二次約束二次程序，對其而言，強對偶性是成立的。此外，我們觀察到，無論信噪比水平如何，相鄰信道脈沖響應之間的內積值都不會變化。我們將內積約束添加到帶有余弦相似性約束的非凸式QCQP中，然后得出一個凸式優化問題。

我們使用RFView的真實數據集，提供了所提方法與傳統的無約束租賃平方解決方案的數值結果。我們表明，所提出的兩種方法都優于最小二乘法的解決方案。這也表明，具有余弦相似性約束和內積約束的凸問題顯示出最好的性能，盡管計算復雜度比具有余弦相似性約束的非凸QCQP低得多。我們還提供了使用RFView挑戰數據集的仿真結果，帶有內積約束的凸問題在挑戰數據集中表現良好。

2 通過逆濾波進行信道/參數估計和智能干擾設計

我們考慮了涉及認知雷達的相互關聯的對抗性推理問題，并解決了如何在物理層層面設計干擾來迷惑雷達，從而迫使它改變發射波形。對手雷達通過實施維納濾波器來選擇目標跟蹤的發射波形，以使其信號-雜波-噪聲比（SCNR）最大化。通過觀察雷達選擇的最佳波形，我們開發了一種智能策略來估計對手的認知雷達信道，然后通過信號相關的干擾生成機制來迷惑對手的雷達。

我們的目標是使我們產生的干擾的信號功率最小化，同時確保對手雷達的SCNR不超過預先定義的閾值。其設置示意圖見圖1。

圖1. 涉及對抗性認知雷達和我們的發射信道、雜波信道和干擾信道的示意圖。我們在噪聲中觀察雷達的波形W。我們的目的是設計干擾信道P來迷惑認知雷達。

我們首先描述了認知型雷達如何根據其感知的干擾來優化選擇其波形的特點。該雷達的目標是選擇使其SCNR最大化的最佳波形。然后，我們設計最佳干擾信號，通過解決一個概率約束的優化問題來迷惑對手的認知雷達。最佳干擾信號使其功率最小，從而使雷達的SCNR以規定的概率低于閾值。為了解決由此產生的非凸優化問題，我們首先從觀測中估計發射和雜波信道脈沖響應，并使用信道脈沖響應的估計值來產生干擾信號。

認知型雷達在其目標脈沖響應和傳遞函數的方向上使其能量最大化。只要我們從脈沖中準確估計出目標信道的傳遞函數，我們就可以立即產生與信號相關的干擾，使目標回波無效。即使在我們自適應地進行估計后，雜波信道脈沖響應發生變化，因為目標信道在較長時間內是靜止的。因此，在我們結束估計后，信號依賴干擾將在幾個脈沖中成功工作。這種方法的主要收獲是，我們正在利用認知雷達通過優化與環境有關的波形來提供其信道信息的事實。

認知型雷達，根據IEEE標準雷達定義686[1]，是 "在某種意義上顯示智能的雷達系統，根據不斷變化的環境和目標場景調整其操作和處理"。特別是，嵌入認知型雷達的主動和被動傳感器使其能夠感知/學習動態變化的環境，如目標、雜波、射頻干擾和地形圖。為了達到探測、跟蹤和分類等任務的優化性能，認知雷達中的控制器實時適應雷達結構并調整資源分配策略[2, 3, 4]。對于廣泛的應用，已經提出了不同的適應技術和方法，例如，自適應重訪時間調度、波形選擇、天線波束模式和頻譜共享，以推進認知雷達背景下的數學基礎、評估和評價[5, 6, 7, 8, 9, 10]。

雖然認知方法和技術在提高雷達性能方面取得了很大進展，但認知雷達設計和實施的一個關鍵挑戰是它與最終用戶的互動，即如何將人納入決策和控制的圈子。在國家安全和自然災害預報等關鍵情況下，為了提高決策質量和增強態勢感知（SA），將人類的認知優勢和專業知識納入其中是必不可少的。例如，在電子戰（EW）系統中，在設計適當的反措施之前，需要探測到對手的雷達。在這種情況下，戰役的進程和成功取決于對一個小細節的觀察或遺漏，僅靠傳感器的自動決策可能是不夠的，有必要將人納入決策、指揮和控制的循環中。

在許多應用中，人類也充當了傳感器的角色，例如，偵察員監測一個感興趣的現象（PoI）以收集情報。在下一代認知雷達系統中，最好能建立一個框架來捕捉基于人類的信息來源所建議的屬性，這樣，來自物理傳感器和人類的信息都可以被用于推理。然而，與傳統的物理傳感器/機器4的客觀測量不同，人類在表達他們的意見或決定時是主觀的。人類決策的建模和分析需要考慮幾個因素，包括人類的認知偏差、處理不確定性和噪音的機制以及人類的不可預測性，這與僅由機器代理組成的決策過程不同。

已經有研究工作利用信號處理和信息融合的理論來分析和納入決策中的人類特定因素。在[11]中，作者采用了先驗概率的量化來模擬人類在貝葉斯框架下進行分類感知而不是連續觀察的事實，以進行協作決策。在[12，13]中，作者研究了當人類代理人被假定使用隨機閾值進行基于閾值的二元決策時的群體決策性能。考慮到人類受到起點信念的影響，[14]中研究了數據的選擇、排序和呈現對人類決策性能的影響。在人類協作決策范式中，已經開發了不同的方案和融合規則來改善人類人群工作者的不可靠和不確定性[15, 16]。此外，在[17，18]中，作者將前景理論（PT）用于描述人類的認知偏見，如風險規避，并研究了現實環境中的人類決策行為。在[19, 20]中也探討了基于人類和機器的信息源在不同場景下的信息融合。在[19]中，作者表明，人類的認知力量可以利用多媒體數據來更好地解釋數據。一個用戶細化階段與聯合實驗室主任（JDL）融合模型一起被利用，以在決策中納入人類的行為因素和判斷[20]。

未來的戰場將需要人類和機器專業知識的無縫整合，他們同時在同一個環境模型中工作，以理解和解決問題。根據[21]，人類在隨機應變和使用靈活程序、行使判斷和歸納推理的能力方面超過了機器。另一方面，機器在快速反應、存儲大量信息、執行常規任務和演繹推理（包括計算能力）方面勝過人類。未來雷達系統中的高級認知尋求建立一種增強的人機共生關系，并將人類的優點與機器的優點融合在一起[22]。在本章中，我們概述了這些挑戰，并重點討論了三個具體問題：i）人類決策與來自物理傳感器的決策的整合，ii）使用行為經濟學概念PT來模擬人類在二元決策中的認知偏差，以及iii）在相關觀測下半自主的二元決策的人機協作。

本章的其余部分組織如下。在第11.1節中，我們介紹了一項工作，說明如何將人類傳感器的存在納入統計信號處理框架中。我們還推導出當人類擁有機器無法獲得的輔助/側面信息時，這種人機一體化系統的漸進性能。我們采用行為經濟學的概念前景理論來模擬人類的認知偏差，并在第11.2節中研究人類在二元假設檢驗框架下的決策行為。第11.3節討論了一種新的人機協作范式來解決二元假設檢驗問題，其中人的知識和機器的觀察的依賴性是用Copula理論來描述的。最后，我們在第11.4節中總結了與這個問題領域相關的當前挑戰和一些研究方向，然后在第11.5節中總結。