IEEE Transactions on Robotics

AiDT: Toward Radar-Based Joint Anti-Interference Detection and Tracking for Weak Extended Targets Under Zero-Trust Autonomous Perception Tasks

作者：Zhenyuan Zhang, Yu Zhang, Darong Huang, Xin Fang, Mu Zhou, Ying Zhang · 机构：School of Traffic and Transportation, Chongqing Jiaotong University, Chongqing, China; School of Information Science and Engineering, Chongqing Jiaotong University, Chongqing, China; School of Artificial Intelligence, Anhui University, Hefei, China; School of Mechanical and Electrical Engineering, Southwest Petroleum University, Chengdu, China; School of Communications and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing, China; School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA, USA

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：3368-3384

状态估计

精读笔记

Problem Setting

AiDT 处理的是零信任自动感知中雷达互扰下的弱扩展目标检测与跟踪。这里的“弱”很关键：目标不是完全不可见，而是在单帧阈值检测意义上不可稳定分离；如果仍把检测作为 tracking 前置条件，系统会在输入层面丢失可恢复信息。

真正困难点有三个叠加：第一，FMCW 互扰不是 i.i.d. clutter，而是由 chirp slope 差异决定的 ghost 或扩散噪声；第二，扩展目标的反射点数量和空间分布随姿态、遮挡、运动模式变化；第三，雷达点云稀疏，无法像 lidar 那样用几何点云直接恢复轮廓。关键矛盾是：越需要 extent 信息来提高检测鲁棒性，越难在低 SIR 下从单帧点云中可靠获得 extent。

Motivation

已有路线不够的根源不是滤波器形式落后，而是信息流设计错了。RMM、SOEKF、RFS-EOT、DBSCAN+tracking 等方法大多假设已经有可用 detections 或 clusters，然后解决状态更新和关联；但在互扰场景下，detector 的 hard threshold 会把弱目标能量当噪声丢掉。

作者的核心观察是：目标在单帧上弱，但在连续帧上有运动一致性；单个散射点不可靠，但扩展目标作为整体有空间功率分布。于是缺口变成：如何让历史轨迹先验、存在概率和空间 extent 模型共同参与“检测”，而不是把 detection/tracking 拆成两个不可逆阶段。

Core Idea

论文真正改变的是观测建模方式：从“先检测点，再对点云/cluster 做扩展目标跟踪”变成“直接对未阈值 range-Doppler-azimuth 功率体做目标存在性和状态的联合后验估计”。这相当于把 detector 变成 Bayesian filter 的 likelihood computation，而不是一个独立模块。

新的 inductive bias 是：弱扩展目标不是若干孤立 detections，而是一个由质心、速度、长短轴和朝向决定的 latent spatial power generator。所有 backscattered points 被作为一个整体实体贡献 likelihood。这样做的好处是两方面：一是跨帧 motion prior 可以积累低 SIR 证据；二是 extent model 把稀疏反射点绑定到同一个目标假设下，减少显式 measurement association 的依赖。

Method

1. 互扰分析：论文先把 RF interference 分成 coherent 和 incoherent 两类。coherent interference 更像 ghost target；incoherent interference 抬升噪声底并扩散到谱域。这个分析的作用是说明为什么单帧 threshold detector 会系统性失败，而不是提出新的 interference cancellation。

2. 未阈值功率 likelihood：每个 range-Doppler-azimuth cell 的功率直接进入观测模型。目标存在时，cell power 由目标响应加噪声能量决定；目标不存在时只有噪声。核心变化是避免 CFAR/cluster 这类 hard decision，使低于检测阈值但与轨迹一致的能量仍能贡献后验。

3. 自适应空间分布：目标 extent 用椭圆状态表示，并在椭圆内部生成 scattering sources。它解决的是反射点数量未知、空间分布时变的问题。严格说这不是精确物理 scattering model，而是一个可计算的形状先验，用来把分散能量聚合成目标级 likelihood。

4. 带存在变量的 SMC：粒子同时携带状态和存在指示，birth/death 通过 Markov transition 建模，权重由存在 likelihood ratio 更新。检测不再是前端输出，而是粒子集中存在概率超过阈值后的后验判决。这里最重要的不是粒子滤波本身，而是用 test-time sampling 维护多种可能轨迹并逐帧累积证据。

Key Insight / Why It Works

这篇最有效的部分大概率不是椭圆模型本身，而是“未阈值全谱 + 跨帧 evidence accumulation”。传统两步式方法失败，是因为 detector 在每帧做不可逆压缩；AiDT 则把检测推迟到后验层面，使弱信号只要在时间上与运动模型一致，就能被连续累积。这本质上是 memory reuse 和 test-time compute 换鲁棒性。

自适应空间分布的贡献在于提供了 better inductive bias：它要求目标证据在空间上呈现一个与 extent 状态一致的扩展模式，而不是单点峰值。这会自然压低随机 outlier 和局部干扰，因为它们难以同时匹配运动连续性和空间形态。但这个 bias 的上限也明显：如果真实目标形状不规则、遮挡严重、或干扰也具有稳定空间结构，椭圆先验可能会把错误模式解释成目标。

论文声称“绕开 association”需要谨慎理解。它确实绕开了点级 measurement-to-object association，因为不再对 thresholded points 做分配；但多目标情况下仍存在轨迹级 hypothesis association，只是被粒子历史和存在概率隐式处理了。这个问题在稀疏双目标交叉中看起来可行，不代表 crowded scenes 中已经解决。

哪些可能只是 engineering / scaling：SMC 粒子数、全 3D cell likelihood、多个 scattering sources 都增加了 test-time compute 和信息使用量。相对 RMM-EKF/SOEKF 的提升，不完全来自新的 extent 理论，也来自没有丢弃低能量观测以及更重的后验搜索。文中没有充分做消融来分离这些增益来源。

Relation To Prior Work

最接近的谱系是 TBD/track-before-detect、Bayesian joint detection and tracking、extended object tracking 的结合。AiDT 可以看作把 TBD 思想扩展到雷达 EODT，并在观测模型中加入一个简单的 adaptive extent generator。

和 RMM-EOT 的本质差异：RMM 通常在检测点/cluster 上估计椭圆 extent，并常把 kinematic state 与 extent state 做相对解耦的递推更新；AiDT 则直接在功率谱上联合更新存在性、运动和 extent。它新增的信息不是新的椭圆参数化，而是把未阈值观测和时间后验耦合进检测过程。

和 DBSCAN/CFAR+EKF 的差异更直接：后者依赖前端在单帧中先把目标从 clutter 中分出来；AiDT 允许单帧不可分，依赖连续帧可分。

和传统 interference suppression 的差异：论文没有主要做 waveform-level mitigation 或 time-frequency interference localization，而是绕过“先干扰抑制再检测”的路线，利用跟踪先验提升感知层鲁棒性。这是实质创新点，但也意味着它不能恢复被干扰彻底覆盖的信息，只能在仍有可积累弱证据时工作。

Dataset / Evaluation

评估包含仿真和真机，优点是确实有真实互扰硬件闭环，而不是纯 synthetic clutter。真实实验覆盖 walking/riding、遮挡、partial occlusion、运动模式切换、多目标交叉、不同干扰角度和多干扰源，场景设计基本对准论文 claim。

但 evaluation 仍偏 controlled：目标类型少，环境结构简单，人数少，干扰设备和 waveform 参数受控。它验证了“在作者设定的低 SIR 互扰场景中，joint detection-tracking 比两步式方法稳”，但还不能证明在开放道路、复杂多径、密集交通、多类目标和自适应攻击者下泛化。

baseline 选择合理但不完全公平：两步式方法天然被 threshold detection 限制，而 AiDT 直接吃未阈值全谱并使用更重的 SMC。若要严谨归因，需要加入同样使用 raw spectrum 的 TBD point/extent baselines、不同粒子预算消融、去掉 adaptive extent 的版本、以及 oracle detection / oracle association 上限对比。文中这部分说明不够充分。

Limitation

1. 形状先验上限明显。当前方法建立在规则形状假设上，椭圆对 pedestrian/bike 在某些视角下可用，但对车辆侧面、多部件行人、非刚体动作、遮挡切片和复杂 3D extent 只是粗近似。extent 精度可能部分来自先验平滑，而不一定来自真实观测。

2. 计算扩展性存疑。完整 likelihood 需要遍历 3D spectrum、粒子和 scattering sources；论文给出的复杂度已经显示实际代价很高。真实车载系统中，多目标、多雷达、高帧率下是否可实时，文中未充分说明。

3. 干扰模型不是最强 adversary。实验中的 aggressor 主要造成噪声底或局部 ghost；如果攻击者知道 tracker 并生成运动一致的 phantom 或空间扩展模式，AiDT 的历史一致性反而可能帮助锁定假目标。

4. 多目标 association 没有真正闭环解决。论文展示 cross-over，但规模很小。所谓无需 association 更准确地说是无需点级 association；目标级身份保持仍依赖隐式历史先验，在长时间遮挡、目标相似、交叉频繁时可能退化。

5. 增益归因不清。方法同时改变了观测输入、滤波框架、extent model 和计算预算。当前结果无法清楚说明性能提升主要来自 joint Bayesian formulation，还是来自 raw power spectrum、粒子搜索、时间平滑，或 baseline 的前端检测失败。

Takeaway

  • 1. 在低 SIR 雷达感知里，最值得迁移的思想是：不要过早 threshold。
  • 只要后端有可用的运动/形状先验，弱证据应在后验层面被累积，而不是在 detector 前端被丢弃。
  • 2. EODT 的 extent model 不只是为了输出 shape，也可以作为 detection prior：空间一致的扩展能量模式本身就是抗 outlier/抗干扰的判别信号。
  • 3. 对互扰鲁棒性的下一步不应只做 signal-level suppression 或 tracking-level smoothing，而应把 time-frequency-spatial interference features 与 joint posterior estimation 结合；单靠 tracker 无法处理完全结构化的 adversarial ghost。

一句话总结

AiDT 是一篇把 track-before-detect 思想引入抗互扰雷达扩展目标跟踪的工作，真正贡献在于用未阈值功率谱和跨帧贝叶斯证据积累替代脆弱的单帧检测前端，而不是提出一个全新的 extent 表示理论。