Deep-Unrolling Approaches for Radar Signal Processing

For many years, deep learning has enabled significant performance gains across a wide range of applications, including fields that are not typically accustomed to this type of method. Despite these successes, deep learning-based methods still suffer from drawbacks in the applicative fields of RADAR signal processing. First, these methods require a certain amount of annotated data to operate properly, especially when dealing with data that has high variability and a lot of noise (or equivalently, low SNR as in RADAR). The other concern is that deep learning approaches are black boxes, making it very difficult to explain the results. On the other hand, traditional approaches do not require annotated data and are typically explainable from a mathematical or statistical perspective. They are often expressed as solutions of an optimization problem arising from a data model. Rather than being learned from the data, the modeling is handcrafted here, which makes these techniques prone to performance loss when a model mismatch occurs. Additionally, some optimization algorithms can take a considerable amount of time to converge and require the tuning of several parameters.

An approach that combines the best of both worlds is deep unrolling (Gregor and LeCun, 2010, Solomon et al., 2020, Monga et al., 2021, Cai et al., 2021, Zhang and Ghanem, 2018, Brehier et al., 2024 ) (also referred to as unfolding). This technique aims at constructing a neural network architecture in which each layer mimics an iteration of a model-based optimization algorithm. Training this network offers several benefits, notably accelerated convergence (achieving the same solution with a finite number of iterations/layers) and improved robustness to model mismatches. Last but not least, these architectures offer some explainability of the overall algorithm.

Objectives

The objective of this thesis is therefore to develop original deep-unfolding algorithms for the field of RADAR. More specifically, we propose to focus on two established problems: beamforming for large transmitter networks and range-Doppler detection. In the first problem (beamforming), the model-based approaches rely on compressive sensing methods (Gurbuz et al., 2008 ). It will therefore be interesting to apply unrolling algorithms to these approaches to reduce computational load (Gregor and LeCun, 2010 ). Additionally, we will extend this work to incorporate uncertainties in the data model. This will enable us to adaptively correct uncertainties in the antenna, such as calibration issues, interference, and missing data. In this context, the annotated data can be generated using simulated data. We will also examine the theoretical properties of these algorithms, particularly their convergence properties. For the second problem (detection), we will focus on range-Doppler data that is heavily cluttered. Classically, detectors are built by inverting an estimated sample covariance matrix. Unrolling the covariance matrix estimation algorithms will then consist of rethinking a way to adaptively learn a whitening operator. Here, too, the simulated data will be used for training.

Vous êtes issu d'une grande école d'ingénieur ou titulaire d'un Master 2 avec un excellent dossier. Vous devrez faire état de bonnes connaissances en traitement du signal, avoir des connaissances en optimisation. Des connaissances en radar seraient un plus.

Sur le site du DEMR à Palaiseau, vous serez accueilli dans l'unité de recherche MATS : Méthodes Avancées en Traitement du Signal.

L e département Electromagnétisme et radar, DEMR, s’appuie sur 8 unités de recherches et une équipe d’experts (chargés de mission, chefs de projets). Il rassemble différents métiers allant de la physique à l’étude et réalisation de systèmes et concentre un large ensemble de compétences dans le domaine de l’électromagnétisme et ses applications : le radar, au sol ou embarqué, ses traitements, la guerre électronique, la furtivité, les antennes et les capteurs, la compatibilité électromagnétique, la propagation et les télécommunications, la modélisation et la simulation électromagnétiques.

L'ONERA (Office national d'études et de recherches aérospatiales) a pour mission :

• De développer et d'orienter les recherches dans le domaine aérospatial
• De concevoir, de réaliser, de mettre en œuvre les moyens nécessaires à l'exécution de ces recherches
• D'assurer, en liaison avec les services ou organismes chargés de la recherche scientifique et technique, la diffusion sur le plan national et international des résultats de ces recherches, d'en favoriser la valorisation par l'industrie aérospatiale et de faciliter éventuellement leur application en dehors du domaine aérospatial.

A ces divers titres, il est notamment chargé :

• D'effectuer lui-même ou de faire effectuer, à son initiative ou à la demande, toutes études et recherches intéressant l'industrie aérospatiale
• De réaliser des moyens d'essais et de calcul au profit de la recherche et de l'industrie aérospatiale et de les mettre en œuvre
• D'assurer la liaison avec les organismes français, étrangers et internationaux dont l'activité peut contribuer à l'avancement de la recherche aérospatiale
• D'assurer la diffusion et la valorisation des résultats obtenus, en particulier par publications, brevets, licences d'exploitation
• De promouvoir le lancement ou le développement d'initiatives utiles à la recherche ou à l'industrie aérospatiale
• D'assister, en tant qu'expert et à la demande, les organismes et services officiels
• D'apporter son concours, dans son domaine de compétence, à la politique de formation à la recherche et par la recherche.