In the recent years, numerous Machine Learning investigations have been centered around the topic of point-target positioning and tracking, which rises the interest for algorithms such as k-NN to be implemented for said purposes using measurements from a radar network. In this Thesis, the k-NN algorithm has been introduced in a joint range-Doppler data association algorithm to provide a novel grid-based solution to distinguish between targets in multi-target scenarios using a network of fully-multistatic OFDM radar. A data fusion algorithm has also been developed to present positioning estimates using k-NN and velocity estimates with a closed-form expression. The results show good associating and fusion error, depending on the grid resolution defined and on the k parameter used. Moreover, the k-NN's great adaptability to all different target hypothesis makes the use of extended and complex prunning unnecessary in data association. Future work in this project would include taking a step towards dynamic data fusion with target-tracking algorithms, combined with the existing data association using k-NN, thus aiming to provide highly-reliable results in the real-life tracking of point-targets such as drones.
Durante los últimos años, numerosas investigaciones de Machine Learning se han centrado alrededor del posicionamiento y el seguimiento de blancos, lo que aumenta el interés por algoritmos como el k-NN que pueden ser aplicados para estos propósitos mediante medidas extraídas de una red radar. En esta tesis, se ha introducido el k-NN en un algoritmo de asociación conjunto de rangos y Doppler para proporcionar una nueva solución para distinguir los blancos en escenarios multi-objetivo utilizando una red de radar OFDM completamente multiestática . También se ha desarrollado un algoritmo de fusión de datos para presentar estimaciones de posicionamiento con k-NN y estimaciones de velocidad con una expresión matemática de lazo cerrado. Los resultados muestran un error de asociación y fusión comprensibles, dependiendo de la resolución de la cuadricula definida y del parámetro k utilizado. Además, la gran adaptabilidad del k-NN a todas las diferentes hipótesis a considerar en la asociación de datos hace que la técnica no necesite filtrar datos utilizando algoritmos costosos en tiempo y en complejidad computacional. En el futuro, este trabajo avanzaría hacia la fusión de datos dinámica, utilizando algoritmos de seguimiento de blancos combinados con la asociación desarrollada con k-NN, con el objetivo de ofrecer resultados altamente fiables en el seguimiento de blancos como drones.
En els darrers anys, nombroses investigacions de Machine Learning s'han centrat al voltant del posicionament i el seguiment de blancs, fet que augmenta l'interès en algoritmes com el k-NN que poden ser aplicats per aquests propòsits mitjançant mesures extretes d'una xarxa radar. En aquesta tesi, s'ha introduït el k-NN en un algoritme d'associació conjunt de rangs i Doppler per proporcionar una nova solució basada en quadrícules per distingir els blancs en escenaris multi-target (blancs) utilitzant una xarxa de radar OFDM completament multiestàtica. També s'ha desenvolupat un algoritme de fusió de dades per presentar estimacions de posicionament amb k-NN i estimacions de velocitat amb una expressió matemàtica de llaç tancat. Els resultats mostren un error comprensible d'associació i fusió, depenent de la resolució de la graella definida i del paràmetre k utilitzat. A més a més, la gran adaptabilitat del k-NN a totes les diferents hipòtesis a considerar en l'associació de dades fa que la tècnica no necessiti filtrar dades utilitzant algoritmes costosos en temps i en complexitat computacional. En el futur, aquest treball avançaria cap a la fusió de dades dinàmica, utilitzant algoritmes de seguiment d'objectes combinats amb l'associació de dades desenvolupada amb k-NN, amb l'objectiu d'oferir resultats altament fiables en el seguiment de blancs com ara drons.
