Militärische Datenfusion ist der Rechenprozess der Kombination von Nachrichtendaten aus mehreren, heterogenen Quellen zu einer kohärenten, konsistenten und genauen Darstellung des operativen Umfelds. Wenn es funktioniert, sieht ein Kommandeur eine einzelne Spur mit der Bezeichnung „T-80-Panzer, Konfidenz 87 %, zuletzt aktualisiert vor 14 Sekunden." Wenn es nicht funktioniert, sieht er drei widersprüchliche Spuren, jede von einem anderen Sensor, jede mit einer anderen Position — und keine Möglichkeit zu wissen, welche korrekt ist.

Datenfusion richtig hinzubekommen ist eines der technisch anspruchsvollsten Probleme in der Verteidigungssoftware. Die Eingaben sind verrauscht, verzögert und oft widersprüchlich. Die Ausgabe muss zuverlässig genug sein, um darauf zu handeln.

Das JDL-Modell: Ein Rahmen für Fusionsebenen

Das DFIG-Modell (Data Fusion Information Group) — allgemein als JDL-Modell nach seinen Ursprüngen bei den Joint Directors of Laboratories bezeichnet — definiert Datenfusion als eine Reihe von Verarbeitungsebenen, die jeweils auf der vorherigen aufbauen.

Ebene 0 — Sub-Objekt-Datenzuordnung und -schätzung. Rohe Sensorsignale werden verarbeitet und bereinigt. Bilder auf Pixelebene werden vorverarbeitet; Akustikdaten werden digitalisiert; RF-Signale werden demoduliert. Die Ausgabe ist ein Strom von Beobachtungen, noch nicht mit einem Objekt korreliert.

Ebene 1 — Objektverfeinerung. Einzelne Beobachtungen werden kombiniert, um Spuren zu erzeugen. Mehrere Radarechos vom selben physischen Objekt werden zugeordnet und zu einer einzelnen kinematischen Spur fusioniert. Diese Ebene behandelt das Kernproblem der Lagespurfusion: Gegeben fünf Radartreffer über 30 Sekunden, schätze Position, Geschwindigkeit und Kurs des Objekts mit einer zugehörigen Unsicherheitsellipse. Algorithmen hier umfassen Kalman-Filterung, Multiple Hypothesis Tracking (MHT) und Joint Probabilistic Data Association (JPDA).

Ebene 2 — Lagebildverfeinerung. Einzelne Spuren werden in einen Kontext gestellt. Diese Ebene beantwortet: „Was bedeutet diese Formation?" — Sie erkennt, dass die drei Panzer in Keilformation mit Artillerie dahinter einen Durchbruchsversuch darstellen, keine Patrouille. Lagebildverfeinerung auf Ebene 2 erfordert die Korrelation von Spuren mit Doktrin, Kräfteordnungsdatenbanken und historischen Mustern.

Ebene 3 — Bedrohungsverfeinerung. Die aktuelle Lage wird in die Zukunft projiziert: Wenn diese Formation auf ihrem aktuellen Kurs und mit ihrer aktuellen Geschwindigkeit weitermacht, was wird sie in 20 Minuten bedrohen? Diese Ebene produziert Bedrohungsbewertungen, nicht nur Spurdaten.

Datenquellen und ihre Softwareherausforderungen

SIGINT-Feeds kommen als strukturierte Abfänge oder rohe RF-Erfassungen an. Sie tragen Zeitungenauigkeit (Abfangzeit vs. Übertragungszeit können sich unterscheiden) und Positionsunschärfe, wenn keine Geolokalisierungsdaten vorhanden sind. SIGINT-Eingaben benötigen oft Formatnormalisierung von proprietären Kollektionssystem-Ausgaben, bevor sie in die Fusionspipeline eintreten können.

IMINT-Produkte sind die Ausgabe der Bildauswertung — entweder automatisiert (Computer-Vision-Detektionen aus UAV-Feeds) oder manuell (Bildanalyst-Annotationen). Die Herausforderung ist die Zeitstempelgenauigkeit: Ein um 09:47 Uhr erfasstes Bild, das ein Fahrzeug an Koordinaten X zeigt, ist nur dann nützlich, wenn die Fusionsmaschine weiß, dass es um 09:47 Uhr erfasst wurde, nicht um 11:15 Uhr verarbeitet und übermittelt wurde.

HUMINT-Berichte sind strukturierte Nachrichtenberichte aus menschlichen Quellen. Sie sind typischerweise niederfrequent, hochvertraulich und tragen erhebliche Positionsunsicherheit. Sie sind selten direkt mit kinematischen Spurdaten fusionierbar, aber für den Aufbau des Kräfteordnungskontexts, den die Ebene-2-Fusion benötigt, unverzichtbar.

EW-Sensorfeeds liefern elektronische Emissionsdaten — Radarparametersätze, Kommunikationsfrequenzen, Wellenformsignaturen. Wenn sie mit Spurdaten korreliert werden, ermöglichen sie Plattformidentifikation: Die mit 60 km/h bewegende Spur, die mit der Emissionssignatur eines BMP-2-Radars übereinstimmt, wird zu einer hochkonfidenten BMP-2-Identifikation.

UAV-Videofeeds produzieren einen kontinuierlichen Strom von Positions- und Visualdaten. Die Softwareherausforderung besteht darin, strukturierte Spuren aus Video zu extrahieren — was Echtzeit-Computer-Vision-Inferenz erfordert — und diese Spuren mit vorhandenen Daten zu korrelieren, unter Berücksichtigung der Tatsache, dass dasselbe Fahrzeug, das von einem UAV beobachtet und von einem Radar erkannt wird, möglicherweise zwei separate Spuren in der Fusionsmaschine generiert.

Normalisierungsherausforderungen: Die verborgene Komplexität

Bevor ein Fusionsalgorithmus ausgeführt wird, müssen alle eingehenden Daten normalisiert werden. Das ist unspektakuläre Arbeit, die in echten Fusionssystemen einen unverhältnismäßig großen Anteil der Entwicklungszeit verbraucht.

Koordinatensystemnormalisierung: Sensoren melden Positionen in WGS84, MGRS, lokalem Gitter oder höhenabhängigen Koordinatensystemen. Alle müssen in eine kanonische Darstellung transformiert werden, bevor eine Korrelation möglich ist. Ein durch eine Koordinatentransformation eingeführter 10-Meter-Fehler ist operationell signifikant.

Zeitstempelnormalisierung: Verschiedene Sensoren verwenden GPS-Zeit, UTC, Ortszeit oder Sequenznummern. Die Fusionsmaschine benötigt maßgebliche Zeitstempel in einem einzigen Referenzrahmen. Ein GPS-synchronisierter Zeitstempel ist der Standard, aber nicht alle Legacy-Sensoren unterstützen ihn.

Klassifizierungs- und Vorbehaltsverwaltung: Fusionsdaten überschreiten Klassifizierungsgrenzen. Eine Spur, die aus SIGINT einer Klassifizierungsebene und Radardaten einer niedrigeren Ebene aufgebaut wurde, hat eine zusammengesetzte Klassifizierung. Die Fusionsmaschine muss die Klassifizierung korrekt weitergeben und Need-to-Know zur Abfragezeit, nicht zur Aufnahmezeit, durchsetzen.

Korrelation und Dekonflikt

Das Kerntechnologieproblem bei der Ebene-1-Fusion ist die Entscheidung, ob zwei Beobachtungen von zwei verschiedenen Sensoren dasselbe physische Objekt darstellen. Dies ist das Datenzuordnungsproblem. Der Standardansatz ist eine Gating-Funktion (Kandidaten außerhalb eines maximalen Entfernungsschwellenwerts eliminieren), gefolgt von einem probabilistischen Scorer (z.B. Nächster-Nachbar oder MHT), der eine Korrespondenzwahrscheinlichkeit zuweist.

Dekonflikt — die Auflösung des Falls, bei dem zwei vorhandene Spuren tatsächlich dasselbe Objekt sind — ist schwieriger. Es erfordert die Erkennung persistenter Spurenduplikate, die Zusammenführung ihrer Historien und die Abstimmung von Attributkonflikten. Schlechtes Dekonflikt führt zu „Geisterspuren": Objekte, die im COP erscheinen, aber nicht existieren, oder Objekte, die existieren, aber zweimal erscheinen.

Kernaussage: In den meisten operativen Fusionssystemen ist die größte Fehlerquelle nicht der Fusionsalgorithmus selbst — es sind Zeitstempelungenauigkeiten und Koordinatennormalisierungsfehler, die auf der Dateneingabeschicht eingeführt werden. Beheben Sie die Grundlage, bevor Sie die Algorithmen optimieren.

Wie Datenfusion das COP speist

Die Fusionsmaschine produziert den maßgeblichen Spurspeicher, den das gemeinsame Lagebild (COP) rendert. Die COP-Schicht fragt den Spurspeicher über API ab, abonniert Aktualisierungsereignisse über WebSocket und rendert Änderungen inkrementell. Die Qualität des COP hängt vollständig von der Qualität der darunter liegenden Fusionsschicht ab.

Eine gut gestaltete Fusions-zu-COP-Pipeline veröffentlicht Spuraktualisierungsereignisse (neue Spur, Spur aktualisiert, Spur entfernt) als Stream. Das COP abonniert und wendet Deltas — keine vollständigen Zustands-Snapshots — an, um eine reaktionsfähige Anzeige aufrechtzuerhalten, selbst wenn die Spurdatenbank Zehntausende von Objekten enthält. Die Latenz von der Sensorbeobachtung bis zur COP-Anzeige sollte für taktische Systeme im einstelligen Sekundenbereich messbar sein.