SBL-Based Multichannel Radar Forward-Looking Superresolution Imaging Considering Grid Mismatch论文阅读

1. 研究目标与实际意义

1.1 研究目标

论文旨在解决多通道雷达前视超分辨率成像中因网格失配（Grid Mismatch）导致的成像性能下降问题。传统超分辨率方法（如压缩感知、IAA等）假设目标严格位于预设成像网格上，而实际场景中目标位置可能偏离网格，导致离网格误差（Off-Grid Error），进而引发虚假旁瓣和分辨率损失。论文提出了一种结合局部网格细化（Local Grid Refinement）、总最小二乘法（Total Least Squares, TLS）和稀疏贝叶斯学习（Sparse Bayesian Learning, SBL）的综合方案，通过动态调整网格并估计误差矩阵，显著提升成像精度。

1.2 实际问题与意义

• 实际问题：前视雷达在自动驾驶、无人机导航等场景中需高分辨率成像，但受平台尺寸限制，多通道雷达的方位分辨率不足。传统方法因网格失配无法有效处理偏离网格的目标。
• 产业意义：提升分辨率可增强复杂地形（如城市、山区）中的目标识别能力，推动自动驾驶、无人机导航等领域的可靠性和实时性。

---

2. 创新方法与模型

2.1 核心思路与流程

论文提出了一种三阶段迭代方案：

1. 局部网格细化：基于初步SBL估计结果，动态插入新网格点以逼近目标真实位置。
2. 网格失配误差估计：使用总最小二乘法（TLS）估计误差矩阵，修正导向矩阵。
3. 稀疏贝叶斯学习（SBL）迭代：结合修正后的导向矩阵，迭代优化散射系数与噪声参数。

2.2 关键公式与模型

2.2.1 信号模型与网格失配误差

原始信号模型（公式4）：
$$S{r}_m=\sum _{k=1}^N\left(e^{-j2\pi f_0{\tau }_{mk}}{\beta }_k\right)+n_m(1\le m\le M)$$
矩阵形式为：
$$S{r}_{M\times 1}=S_{M\times N}\cdot {\beta }_{N\times 1}+N_{M\times 1}(6)$$
当存在网格失配时，实际时延为：
$${\hat{\tau }}_{mk}={\tau }_{mk}+\frac{\Delta d}{c}(25)$$
误差矩阵