An improved autofocus algorithm with bayesian tracking of residual motion for automotive MIMO SAR imaging

This master's thesis finds its relevance within an important and topical paradigm shift: the advent of fully autonomous driving. Such envisioned world calls for technologies enabling a precise and sound perception of the environment. Synthetic Aperture Radar (SAR) is one of the main protagonist of the next generation vehicle due to its capability of providing accurate and reliable imaging of the urban environment based, at the same time, on low cost hardware suitable for automotive mass market. Though, precise knowledge of the vehicle’s trajectory, in the order of system wavelength, is needed for correct SAR focusing. To avoid SAR image quality degradation related to velocity estimation errors but still relying on inexpensive automotive-legacy navigation systems, a refinement of navigation-based trajectory with radar data is a cheap and efficient solution for residual motion estimation and compensation. This is done via autofocus algorithms and it is vital for a successful imaging. However, a gap in the state of the art is pointed out. Current autofocus relies on an instant residual motion estimation not exploiting the knowledge of the vehicle’s dynamic. Information related to the time evolution and vehicle’s inertia are not considered. Therefore, this master's thesis aims at investigating the impact of the injection of this a-priori knowledge towards the computation of the residual motion estimates with the goal of achieving an improved, accurate and physically consistent focusing of successive SAR images. Based on this motivation, two main methods were analysed: a model of the residual velocities as an autoregressive (AR) process and a Bayesian tracking via Kalman Filter (KF). Not only the theory is presented but also applied to real data acquired in an open road campaign in Milan. Experimental results confirm that the presence of a memory and the exploitation of a-priori knowledge of the vehicle's dynamic in the residual motion estimation are actually effective and enlightening to achieve better accuracy of residual velocity estimates and, consequently, an improved and steady SAR imaging. Then, degrees of freedom of the AR model and KF were studied. Different orders and excitation covariance matrix values, respectively, are leveraged and a trade-off between stabilizing impact on the time evolving SAR imaging and the responsiveness to variations of the tracked residual motion is witnessed. To compare quantitatively the outcomes of different approaches, a new metric is proposed: the variance of Hough lines angular coefficients. Comparison of the results shows that the proposed metric effectively captures the steadiness with which the vehicle senses the surrounding environment and, thus, it could constitute an interesting indicator adoptable in this field. Other aspects of the autofocus were then investigated. Firstly, a new statistic devoted to target detection is proposed: a normalized incoherent sum. The results claims comparable performance with already existing statistics. Secondly, an opportunity of performing SAR processing with no navigation data is presented. Outcomes show that the implementation is not yet mature to face complex scenario even though the study confirms the possibility of independence of Radar from navigation data, an intriguing opportunity that could lead to simplification, optimization or new scenarios in the technologies flourishing in the field of autonomous driving.

La presente tesi magistrale esprime la sua rilevanza nell'ambito di un importante ed attuale cambiamento di paradigma: l'avvento di veicoli completamente autonomi. La visione di tale realtà necessita di tecnologie in grado di abilitare una percezione dell'ambiente affidabile ed accurata. Il Radar ad Apertura Sintetica (SAR) costituisce uno dei principali protagonisti della prossima generazione di veicoli grazie alla sua capacità di fornire immagini dettagliate ed attendibili dello scenario urbano seppur sfruttando hardware a basso costo, ideale per un mercato automobilistico di massa. In tutto ciò, una conoscenza precisa della traiettoria del veicolo, nell'ordine della lunghezza d'onda del sistema, è richiesta per poter ottenere una focalizzazione delle immagini SAR corretta. Per evitare una degradazione, da imputare ad errori nella stima delle velocità, nella qualità di queste immagini pur continuando ad affidarsi a sistemi di navigazione nell'ambito dell'automotive economici, un raffinamento della traiettoria, ottenuta dai dati da navigazione, attraverso l'utilizzo di dati radar costituisce una soluzione efficiente e a basso costo per stimare il moto residuo e compensarlo. Questo è fatto grazie ad algoritmi detti di autofocus che risultano quindi vitali per una focalizzazione dell'immagini con successo. Nonostante ciò, una mancanza nello stato dell'arte può essere ancora evidenziata. Gli attuali algoritmi di autofocus si basano su una stima istantanea del moto residuo non sfruttando in alcuna maniera la conoscenza della dinamica del veicolo. L'informazione legata all'evoluzione temporale ed all'inerzia della macchina non sono tenute in conto. Perciò, questa tesi magistrale vuole indagare l'impatto dell'iniezione nel sistema di conoscenze a-priori dedicate al calcolo delle stime del moto residuo con l'obiettivo di ottenere un focusing di conseguenti immagini migliorato, accurato e fisicamente consistente. Seguendo queste motivazioni, principalmente due metodi sono stati analizzati: un modello delle velocità residue come processo autoregressivo (AR) e un tracciamento Bayesiano basato sull'implementazione di un filtro di Kalman (KF). La teoria non è solamente presentata ma anche applicata a dati reali acquisiti in una campagna di raccolta dati condotta nella città di Milano. I risultati sperimentali confermano che la presenza di una memoria e lo sfruttamento di una conoscenza a-priori della dinamica del veicolo per la stima del moto residuo sono effettivamente efficaci e illuminanti per ottenere una migliore accuratezza delle stime della velocità residua e, conseguentemente, immagini SAR migliori e stabili. Successivamente, i gradi di libertà presenti nel modello AR e nel KF sono stati studiati. Diversi ordini e valori della matrice di covarianza dell'eccitazione, rispettivamente, sono indagati ed un compromesso tra l'impatto stabilizzante sulle immagini SAR nell'evoluzione temporale e la reattività del sistema di fronte a variazioni del moto residuo tracciato è stato notato. In seguito, per poter comparare quantitativamente i risultati ottenuti dall'applicazione dei diversi approcci, una nuova metrica è proposta: la varianza dei coefficienti angolari delle linee date dalla trasformata di Hough. Il confronto dei vari esiti dimostra che la figura di merito introdotta cattura effettivamente la stabilità con cui il veicolo percepisce l'ambiente circostante e, perciò, può costituire un interessante indicatore adottabile in questo ambito. Altri aspetti dell'autofocus sono poi stati studiati. Per prima cosa, una nuova statistica dedicata all'identificazione di target è suggerita: una somma incoerente normalizzata. I risultati sanciscono prestazioni comparabili con quelle di statistiche già esistenti. In secondo luogo, l'opportunità di eseguire un processamento SAR senza dati di navigazione è presentato. Gli esiti mostrano che l'implementazione non è ancora matura per affrontare scenari di guida complessi anche se lo studio sembra confermare la possibilità di un'indipendenza del Radar dai dati da navigazione, un'intrigante aspettativa che potrebbe portare a semplificazione, ottimizzazione o nuovi scenari nelle tecnologie che stanno sbocciando nell'ambito dei veicoli a guida autonoma.