射频层析成像实现机器人环境探索的压缩传感关键技术研究

This project mainly concerns the key issues on compressed sensing in environment information acquisition with mobile radio tomographic imaging, which facilitates a new sensing paradigm for exploring occluded areas. In particular, the statistical sparse learning approach for compressed radio tomographic imaging will be studied, to develop a CS paradigm with projection and reconstruction in a simultaneous fashion. The closed-feedback paradigm for implementing the adaptive CS will be explored to eliminate the redundant radio links, in which the information optimal design scheme will be developed for deploying the required radio links. The multi-task joint sparse learning technique for the radio tomographic imaging will be established to address the coordination of the temporal-spatial correlated imaging tasks for eliminating the redundant radio links. The feasibility and efficiency of the robot environment exploration are the most key issues in this project, which can be fully addressed via bridging the gap between the existing CS paradigm and the way of deploying the radio links with mobile robots. Thus both the statistical sparse learning method and the information optimal design in a closed-feedback loop for compressed radio tomographic imaging are the main contributions of this project. While the output of the project will be a novel yet practical solution for filling the coverage blind spot of arising from robot environment exploration in a uniform sampling fashion, it will also substantially contribute to the widespread development of the compress radio tomographic imaging techniques. The studies will have definitively theoretical and practical significances in various applications involving search and rescue missions，harzard environment surveying and monitoring, public security and intelligent surveillance so on.

研究射频层析成像实现机器人获取环境信息的压缩传感关键技术，探究机器人对封闭或遮挡未知环境探索的新模式。特别地，研究压缩射频层析成像的统计稀疏学习方法，建立投影测量和影像重构同步的压缩传感计算机制；探究限制无效和冗余射频链路产生的适应压缩传感闭环反馈实现流程，形成射频链路部署闭环反馈信息优化设计策略；探索射频层析成像多任务联合压缩传感的实现技术，形成时空相关射频层析成像过程限制冗余射频链路部署的协作优化机制。射频层析成像实现机器人环境探索的可行性和探索效率，是本项目的核心问题，解决问题的关键在于建立与机器人自主实现架构匹配的压缩传感计算机制和实现流程，也是项目研究内容和方法创新的重要标志。 此方面的研究，既是填补环境探索覆盖盲区的迫切需要，也是压缩射频层析成像技术进一步发展的必然要求，具有十分重要的学术意义，在灾害搜救、危险环境勘测、公共安全和智能监控等领域有广泛的应用前景。

项目围绕机器人遮挡环境探索的需求，以压缩射频层析成像作为感知手段，从模型理论和实现方法两个层面探索机器人自主移动实现射频层析成像所需的压缩传感计算机制和实现流程，形成与自主移动实现架构匹配的阴影衰落影像重构实现策略。. 项目互信息最大化作为射频链路部署策略设计的准则，即以增强阴影衰落影像的确定性信息和弱化多径效应的不确定信息作为优化设计射频链路部署策略的依据。具体而言，将阴影衰落影像与接受信号强度测量向量的互信息量作为链路部署策略的优化指标。从压缩传感的角度，由此形成的信息最大化设计任务本质上就是实现压缩投影矩阵的配置，使得压缩投影测量过程与稀疏信号重构任务目标相适应，从而限制无效和冗余的测量过程，不仅能保证射频层析成像是可实现的，还能保障机器人环境感知过程是高效的。为了与机器人自主移动的实现架构相匹配，我们在闭环反馈的设计流程下，结合稀疏贝叶斯增量学习方法，将链路部署策略优化设计的信息最大化问题转化为信息增益最大化问题，建立适应选择部署链路的准则。实验研究表明，通过链路优化部署的适应压缩传感，在限制冗余和无效测量方面，较随机部署策略有显著的优势。需要指出的是，互信息最大化形成射频链路部署策略设计准则，不仅用于适应压缩传感的优化设计，也能用于多任务联合压缩传感的协作机制设计。. 针对环境探索过程涉及的多个时空相关射频层析成像任务，有效发挥多任务联合实现在限制冗余和无效的测量过程的作用，是建立时空联合压缩传感实现方法的动机。为此，将多重投影向量模型与稀疏统计学习结合，将时空相关联合的射频层析成像任务转化为结构化块稀疏信号的重构问题，即多重测量向量联合重构块稀疏结构信号的学习问题。对此，我们研究了稀疏贝叶斯学习实现的多重测量向量联合重构块稀疏结构信号的学习方法。在此基础上，将适应压缩传感的链路部署优化设计策略，拓展至多任务协作机制的优化设计。