JDL-Datenfusionsmodell: Stufen 0–5 für Verteidigungssoftware-Teams erklärt

Wenn Verteidigungssoftware-Teams über Datenfusionsarchitektur sprechen, beziehen sie sich fast immer auf das JDL-Modell — ob sie den Namen verwenden oder nicht. Das JDL-Modell (Joint Directors of Laboratories), ursprünglich 1985 entwickelt und in den 1990er Jahren sowie erneut 2004 wesentlich überarbeitet, liefert die kanonische Zerlegung der Datenfusion in eine Hierarchie von Verarbeitungsstufen. Zu verstehen, was jede Stufe in Softwarebegriffen erfordert, ist für die Entwicklung von Fusionssystemen, die in der Praxis funktionieren, unerlässlich.

Dieser Artikel geht durch jede Stufe mit konkreten Implementierungsdetails — nicht nur die theoretischen Definitionen aus der Fachliteratur, sondern die spezifischen Softwarekomponenten, Algorithmen und Datenstrukturen, die jede Stufe in operativen Verteidigungssystemen der Bundeswehr und ihrer Partner implementieren.

Ursprung und Struktur des JDL-Modells

Das Datenfusions-Unterpanel der Joint Directors of Laboratories veröffentlichte das ursprüngliche Modell 1985 als Rahmen zum Denken über das Fusionsproblem in Verteidigungsaufklärungssystemen. Das Originalmodell definierte vier Stufen (0 bis 3). Die Revision von 2004 durch Blasch, Bosse und Lambert erweiterte es auf sechs Stufen (0 bis 5), fügte Stufe 0 (Sub-Objekt-Bewertung) und Stufe 5 (Benutzerverfeinerung) hinzu.

Stufe 0: Sub-Objekt-Datenbewertung

Stufe 0 befasst sich mit der Vorverarbeitung roher Sensordaten, bevor die objektbasierte Verarbeitung beginnt. Eingaben sind rohe physikalische Messungen — Radarechos, Akustikproben, Infrarot-Detektorarrays, digitalisierte RF-Spektren. Ausgaben sind strukturierte Beobachtungen, die Erkennungen beschreiben.

In Softwarebegriffen umfasst Stufe 0 Signalverarbeitungs- und Merkmalsextraktionsroutinen. Für Radar beinhaltet dies Impulskompression, Doppler-Verarbeitung, CFAR-Erkennungsschwellenwert und Extraktion von Erkennungsparametern. Ein kritischer Ausgang ist die Unsicherheitsquantifizierung — jede Erkennung muss ihre Messunsicherheit tragen.

Stufe 1: Objektverfeinerung

Stufe 1 ist die Spurenfusionsstufe — die mathematisch anspruchsvollste. Ihr Eingang ist der Erkennungsstrom aus Stufe 0. Ihr Ausgang ist ein Spurensatz: Zustandsschätzungen für physikalische Objekte mit Position, Geschwindigkeit, Kurs und Kovarianzmatrix.

Das Kernproblem von Stufe 1 hat zwei Komponenten: Datenassoziation und Zustandsschätzung. Standardalgorithmen für die Assoziation umfassen Nearest-Neighbor (NN), Joint Probabilistic Data Association (JPDA) und Multiple Hypothesis Tracking (MHT). Die Zustandsschätzung basiert auf dem Kalman-Filter und seinen nichtlinearen Erweiterungen (EKF, UKF).

Stufe 2: Situationsverfeinerung

Stufe 2 stellt einzelne Spuren in operationalen Kontext. Ihr Eingang ist das Spurenbild von Stufe 1. Ihr Ausgang ist ein Situationsbild: Spuren mit zugeordneten Identitäten, klassifizierten Absichten und verstandenen Beziehungen.

Stufe 2 umfasst Plattformidentifikation (Korrelation kinematischer Parameter mit einer Plattformparameterdatenbank), Beziehungsanalyse (Erkennung taktischer Beziehungen zwischen Spuren) und Pattern-of-Life-Analyse (Erkennung von Abweichungen vom Basisverhalten bekannter Einheiten).

Stufe 3: Bedrohungsverfeinerung

Stufe 3 projiziert die aktuelle Situation zeitlich vorwärts, um Bedrohungen zu bewerten. Ihr Eingang ist das Situationsbild von Stufe 2. Ihr Ausgang sind Bedrohungsbewertungen: Vorhersagen zukünftiger feindlicher Aktionen und ihrer potenziellen Auswirkungen auf eigene Operationen.

Stufen 4 und 5: Prozess- und Benutzerverfeinerung

Stufe 4 (Prozessverfeinerung) überwacht den Fusionsprozess selbst und passt die Erfassung an, um die Fusionsqualität zu verbessern. In Software ist dies als Sensorverwaltungsmodul implementiert. Stufe 5 (Benutzerverfeinerung) erkennt an, dass menschliche Analysten mit dem Fusionssystem interagieren und ihre Anfragen und Aufmerksamkeit die Fusionsqualität beeinflussen können.