Multi-Sensor-Fusionsarchitektur: Zusammenführung von Radar, EO/IR, AIS und SIGINT zu einem einzigen operativen Lagebild

Jeder Sensor in einem Verteidigungsinventar beantwortet eine andere Frage über dieselbe physische Realität. Radar sieht Metall — es liefert präzise Reichweite und Geschwindigkeit, kann aber nicht sagen, ob der Kontakt feindlich oder zivil, militärisch oder kommerziell ist. Elektrooptische und Infrarotkameras sehen die Wärmesignatur und Form — nützlich zur Klassifizierung, aber ihre Geolokalisierungsgenauigkeit nimmt mit der Höhe ab, und sie erzeugen Bilder in Überflugintervallen, nicht kontinuierlich. AIS-Übertragungen liefern explizite Identität und Flagge für kooperative maritime Ziele, aber ein Schiff kann seinen Transponder ausschalten, eine falsche Position melden oder gefälscht werden. SIGINT-Empfänger liefern die Identität und Peilung des Emitters, aber oft keine genaue Position ohne Triangulation von mehreren Stationen.

Keiner dieser Sensoren allein liefert ein vollständiges Bild. Die Multi-Sensor-Fusionsarchitektur ist die Ingenieursdisziplin, die alle vier — und beliebige zusätzliche Feeds — in eine einzige Spurdatenbank kombiniert, die genauer, vollständiger und vertrauenswürdiger ist als jede einzelne Quelle. Dieser Artikel beschreibt, wie man sie aufbaut: das Datenmodell, die Korrelationsalgorithmen, die zeitliche und räumliche Ausrichtungsmechanik sowie die Architekturmuster, die von einem COP auf Brigadeebene bis zu einem nationalen maritimen Überwachungszentrum skalieren.

Die multi-INT-Herausforderung: verschiedene Sensoren, inkompatible Semantik

Die grundlegende Schwierigkeit bei der Multi-Sensor-Fusion ist nicht rechnerisch. Sie ist semantisch. Jeder Sensortyp trägt ein anderes Modell der Realität, und diese Modelle lassen sich nicht sauber aufeinander abbilden.

Eine Radarspur ist ein kinematisches Objekt: Positions-, Geschwindigkeits- und Beschleunigungsschätzungen, die mit der Abtastrate des Radars aktualisiert werden, mit zugehörigen Unsicherheitsellipsen, die das Messrauschen widerspiegeln. Der Radar weist eine Systemspurnummer zu und hält diese durch Korrelation über Abtastungen hinweg aufrecht. Identität ist eine Klassifikatorausgabe — großer Oberflächenkontakt, kleiner Luftkontakt, Hubschrauber — keine definitive Bezeichnung.

Ein EO/IR-Bericht ist ein Erkennungsereignis: ein Begrenzungsrahmen in einem Bildrahmen mit einem Konfidenzwert für jede Klasse in der Taxonomie des Sensors. Die Geolokalisierung dieses Begrenzungsrahmens erfordert die Kenntnis der Position und Lage der Sensorplattform, des Ausrichtungswinkels des Sensors und eines Geländemodells — jedes trägt seinen eigenen Fehler bei. Die Aktualisierungsrate ist durch die Verarbeitungslatenz begrenzt, nicht durch die Physik.

Ein AIS-Bericht ist eine selbst gemeldete Nachricht: MMSI des Schiffes, Name, Typ und GPS-abgeleitete Position zum Berichtszeitpunkt, übertragen auf VHF. Er ist kooperativ, strukturiert und explizit — was ihn auch trivial fälschbar macht. Ein AIS-Empfänger produziert Berichte mit einem pro Schiff pro Periode; ein Schiff kann sie unterdrücken, fälschen oder wiedergeben.

Eine SIGINT-Erfassung produziert Peilungslinien — oder mit mehreren Empfängern eine triangulierte Positionsfixierung mit einer charakteristischen Unsicherheitsellipse, die entlang der Basislinie gestreckt ist. Die Emitteridentität stammt aus einem Bibliotheksvergleich mit bekannten Emitterparametern: Frequenz, Modulation, Impulscharakteristiken. Dieser Vergleich erzeugt eine Wahrscheinlichkeitsverteilung über Emittertypen, keine definitive Identifikation.

Die Fusionsmaschine muss alle diese semantischen Modelle überbrücken. Sie kann sie nicht in einem einzigen Konfidenzwert zusammenfassen, ohne die qualitativen Unterschiede zu zerstören, die operativ relevant sind. Eine durch SIGINT und AIS bestätigte Spur ist qualitativ anders als eine durch zwei Radarabtastungen bestätigte Spur, selbst wenn ihre numerischen Konfidenzwerte identisch sind.

Datenmodellvereinheitlichung: das kanonische Spurschema

Das kanonische Spurschema ist der Vertrag zwischen jeder Komponente des Fusionssystems. Definieren Sie es frühzeitig, versionieren Sie es nur additiv, und widerstehen Sie der Versuchung, es sensorspezifisch zu gestalten.

Ein minimales produktionsreifes Schema für eine Multi-Sensor-Spur umfasst folgende Felder:

Identitätsfelder: eine systemzugewiesene Spur-UUID, eine zusammengesetzte Identitätsschätzung (Wahrscheinlichkeitsverteilung über Entitätstypen), eine menschenlesbare Bezeichnung und eine Quell-Bitmaske, die anzeigt, welche Sensordisziplinen Beweise beigesteuert haben (Bit 0 = Radar, Bit 1 = EO/IR, Bit 2 = AIS, Bit 3 = SIGINT, Bit 4 = HUMINT usw.).

Kinematische Felder: WGS84-Breitengrad, -Längengrad und -Höhe; Geschwindigkeit Nord, Ost und vertikal; Beschleunigung; eine 3×3-Positionskovanrianzmatrix, die die Unsicherheit in allen drei räumlichen Dimensionen erfasst; und ein kinematischer Modellbezeichner (konstante Geschwindigkeit, konstante Beschleunigung, koordinierte Kurve).

Klassifikationsfelder: Umgebung (Luft, Oberfläche, Unterwasser, Boden, Weltraum), Kategorie (militärische Plattform, ziviles Schiff, unbekannt), Typ (spezifische Plattformklasse, wenn aufgelöst) und Konfidenz je Klassifikationsstufe.

Provenienzfelder: eine Liste beitragender Beobachtungs-UUIDs, der Klassifikationsgrad und Weitergabetags aus allen beitragenden Quellen sowie der Bezeichner des Ursprungssystems.

Zeitliche Felder: Beobachtungszeit (wann der zugrunde liegende Sensor das Phänomen beobachtete), Berichtszeit (wann der Bericht generiert wurde) und Empfangszeit (wann die Fusionsplattform ihn erhielt). Alle drei sind notwendig; ihre Gleichsetzung erzeugt subtile Fehler in der zeitlichen Fusion.

Lebenszyklusfelder: Spurzustand (vorläufig, bestätigt, reif, abklingend, verloren), Zeit der letzten Aktualisierung und seit der letzten Aktualisierung abgefallener Konfidenzwert.

Dieses Schema wird im Speicher für den Hot-State gespeichert, in PostGIS für geospatiale Abfragen persistiert und bei jeder Aktualisierung als unveränderliches Ereignis auf dem Nachrichtenbus veröffentlicht. Nachgelagerte Konsumenten — COP-Anzeige, Analystenworkstations, Verhaltensmuster-Engine — abonnieren den Ereignisstrom und pflegen ihre eigenen Ansichten.

Spur-zu-Spur-Korrelation: Gating, Zuordnung und Mehrdeutigkeit

Spur-zu-Spur-Korrelation ist der algorithmisch dichte Kern jeder Fusionsmaschine. Eine eingehende Beobachtung muss einer bestehenden Spur zugewiesen, zur Erstellung einer neuen Spur verwendet oder als Rauschen gekennzeichnet werden. Das Zuordnungsproblem skaliert mit der Anzahl der Spuren und Beobachtungen pro Abtastzyklus.

Mahalanobis-Distanz-Gating. Der erste Schritt ist grobe Filterung. Für jede eingehende Beobachtung berechnen Sie die Mahalanobis-Distanz zwischen der Beobachtungsposition und der vorhergesagten Position jeder Kandidatenspur. Die Mahalanobis-Distanz normalisiert durch die gemeinsame Kovarianzmatrix der Vorhersageunsicherheit und Messunsicherheit — eine Spur mit hoher Positionsunsicherheit hat ein breiteres Gate. Beobachtungen außerhalb des Gates sind keine Kandidaten für diese Spur. Dies reduziert das kombinatorische Problem von N×M auf einen dünn besetzten Graphen machbarer Zuordnungen.

Ungarischer Algorithmus zur Zuordnung. Für eindeutige Szenarien — gut getrennte Spuren, niedrige Dichte, einzelner Sensor — findet der Ungarische Algorithmus die global optimale Eins-zu-eins-Zuordnung zwischen Beobachtungen und Spuren in O(n³)-Zeit. Er minimiert die Gesamtzuordnungskosten, typischerweise als gewichtete Summe der Mahalanobis-Distanzen berechnet. Der Ungarische Algorithmus ist schnell, deterministisch und einfach zu debuggen. Er ist die richtige Wahl für die 80% der Szenarien, die nicht umkämpft sind.

JPDA für dichte Umgebungen. In Hochdichteumgebungen — eine belebte Meeresenge, ein überfüllter Luftraumsektor — fallen mehrere Beobachtungen gleichzeitig in mehrere Spur-Gates. Nächste-Nachbar- und ungarische Zuordnung erzeugen systematische Fehler: zwei kreuzende Spuren tauschen Identitäten, oder ein langsam bewegender Kontakt in einem dichten Cluster akkumuliert Beobachtungen, die für seine Nachbarn bestimmt sind. Joint Probabilistic Data Association (JPDA) löst dies, indem die Wahrscheinlichkeit berechnet wird, dass jede Beobachtung zu jeder Kandidatenspur gehört, gegeben die vollständige gemeinsame Likelihood im Gating-Fenster. Der Spurzustand wird mit einer gewichteten Kombination aller gegatteten Beobachtungen aktualisiert, gewichtet nach ihren Zuordnungswahrscheinlichkeiten. JPDA ist teurer, produziert aber messbar bessere Spurkontinuität durch Verdeckungen und Kreuzungsereignisse.

Multiple Hypothesis Tracking. MHT verschiebt harte Zuordnungsentscheidungen, indem mehrere Spurhypothesen parallel aufrechterhalten werden — Spur A ist die Fortsetzung von Beobachtung 1, oder Spur A ist ein neuer Kontakt und Beobachtung 1 gehört zu Spur B. Hypothesen werden bewertet und beschnitten, wenn neue Beobachtungen eintreffen; der Hypothesenbaum kollabiert zu einer hochkonfidenten Zuordnung, sobald die Mehrdeutigkeit aufgelöst ist. MHT liefert die besten Ergebnisse unter adversariellen Bedingungen, erfordert aber ein diszipliniertes Hypothesenmanagement, um exponentielles Baumwachstum zu verhindern. N-Scan-Pruning — Verwerfen von Hypothesen, die älter als N Scans sind — ist der Standardansatz.

In der Praxis verwenden Produktions-Fusionsmaschinen ein Hybrid: regelbasierte Nächste-Nachbar-Korrelation für gut getrennte, hochkonfidente Spuren; JPDA für die umkämpfte Teilmenge; und MHT für Szenarien, bei denen das System speziell für die Behandlung hochfolgenreicher Mehrdeutigkeiten konfiguriert wurde (z.B. Verfolgung mehrerer Kontakte an einem Engpass).

Sensorqualitätsgewichtung: dynamische Glaubwürdigkeitsbewertung

Nicht alle Sensorberichte verdienen gleiches Gewicht in der Fusionsaktualisierung. Ein Radar, das am Rand seines Detektionsbereichs bei schwerem Seegang arbeitet, hat eine höhere Messunsicherheit als dasselbe Radar unter idealen Bedingungen. Ein EO/IR-Sensor, der durch dünne Wolkendecke berichtet, hat eine verringerte Geolokalisierungsgenauigkeit. Ein AIS-Bericht von einem Schiff, das für historische Diskrepanzen zwischen gemeldeten und radarbeobachteten Positionen markiert ist, sollte ein reduziertes Positionsgewicht tragen.

Die dynamische Glaubwürdigkeitsbewertung weist jedem Bericht beim Empfang basierend auf drei Faktoren ein Gewicht zu:

Sensorzustandsstatus. Jede Sensorschnittstelle in der Fusionsplattform veröffentlicht eine Statusmeldung neben ihren Daten. Statusfelder umfassen Signal-Rausch-Verhältnis, Kalibrierungsstatus, BIT-Ergebnis (eingebauter Test) und Betriebszeit seit letzter Wartung. Berichte von Sensoren in degradiertem Zustand erhalten reduziertes Gewicht. Ein Sensor im AUSFALL-Zustand wird von Aktualisierungen ausgeschlossen, kann aber noch zur vorläufigen Spurerstellung beitragen, wenn keine andere Quelle verfügbar ist.

Umgebungsbedingungen. Die Fusionsplattform nimmt meteorologische und Umgebungsdaten auf — Seegang, Niederschlag, atmosphärischer Duktingsindex, Tageszeit (relevant für EO/IR-Kontrast) — und wendet sensorspezifische Leistungsmodelle an, um die aktuelle Messgenauigkeit zu schätzen. Diese Modelle stammen aus Sensordaten des Herstellers und wurden gegen operationelle Kalibrierungsläufe validiert. Die Genauigkeitsschätzung fließt direkt in die Messrauschkovarianz ein, die im Kalman-Filter-Aktualisierungsschritt verwendet wird.

Historische Genauigkeit. Für jeden Sensor verfolgt die Plattform die Verteilung der Residuen — der Unterschiede zwischen vorhergesagten und beobachteten Positionen für gut etablierte Spuren — über ein rollierendes Fenster. Ein Sensor mit durchweg großen Residuen hat seine Kovarianz aufgebläht; ein Sensor, der enger als seine veröffentlichte Spezifikation verfolgt, hat seine Kovarianz reduziert. Dieser selbstkalibrende Mechanismus erfasst Sensordrift und Kalibrierungsfehler, die die Zustandstelemetrie nicht direkt meldet.

Zeitliche Fusion: Ausrichtung von Sensoren, die über die Zeit uneinig sind

Multi-Sensor-Fusionsplattformen verarbeiten Daten aus Quellen mit grundlegend unterschiedlichen zeitlichen Eigenschaften. Ein Radar kann mit 4 Hz aktualisieren, ein EO/IR-Sensor mit 1 Hz, AIS mit einem Bericht pro Schiff alle 10 Sekunden und SIGINT in unregelmäßigen Abständen, die durch Emitteraktivität gesteuert werden. Die naive Fusion dieser Daten — Behandlung jedes Berichts als zeitgleich — führt zu systematischen Fehlern proportional zur Plattformgeschwindigkeit und dem Latenzunterschied.

Das korrekte Muster ist die Propagation zu einer gemeinsamen Referenzzeit. Für jede eingehende Beobachtung propagiert die Fusionsmaschine den bestehenden Spurzustand vorwärts (oder rückwärts) von seiner letzten Aktualisierung zur Beobachtungszeit unter Verwendung des kinematischen Modells der Spur. Der Kalman-Filter-Vorhersageschritt berechnet die erwartete Position und ihre Unsicherheit zum Zielzeitpunkt; der Messaktualisierungsschritt korrigiert dann diese Vorhersage mit der neuen Beobachtung.

Außer-der-Reihe-Messungen — Beobachtungen, die eintreffen, nachdem eine neuere Beobachtung von einem anderen Sensor die Spur bereits aktualisiert hat — erfordern Retro-Glättung oder einen dedizierten OOSM-Algorithmus (Out-Of-Sequence Measurement). Der praktische Ansatz für moderate Außer-der-Reihe-Verzögerungen (weniger als ein Abtastzyklus) besteht darin, die verzögerte Beobachtung als virtuelle Messung zum richtigen Zeitpunkt anzuwenden und vorwärts neu zu propagieren. Bei größeren Verzögerungen wird die Beobachtung entweder verworfen oder gespeichert und beim nächsten Batch-Glättungsdurchlauf angewendet.

Die Verwaltung veralteter Daten ist ebenso wichtig. Eine Spur, die innerhalb eines konfigurierbaren Fensters keine bestätigende Beobachtung von einem Sensor erhalten hat, beginnt mit dem Konfidenzverfall: die Unsicherheitsellipse wächst mit jedem Vorhersageschritt ohne Aktualisierung, und der Konfidenzwert der Spur nimmt ab. Das Anzeigesystem zeigt verfallende Spuren mit visueller Alterung — reduzierte Deckkraft, gestrichelter Symbolrahmen, Zeitanzeige. Spuren, deren Konfidenz unter den Löschschwellenwert fällt, werden im Ereignisspeicher archiviert statt gelöscht; sie können wiederbelebt werden, wenn eine neue Beobachtung in ihr (jetzt großes) Gate fällt.

Räumliche Registrierung: Ausrichtung von Sensoren, die über den Raum uneinig sind

Jeder Sensor meldet Positionen in seinem eigenen Koordinatenrahmen mit eigenen systematischen Abweichungen. Ein schiffsgebundenes Radar meldet relativ zu seiner GPS-abgeleiteten Position plus eigenen Ausrichtungsfehlern und Hebelarmoffsets. Ein UAV-montierter EO/IR-Sensor meldet relativ zur INS-abgeleiteten Position und Lage der Plattform, mit Geolokalisierungsfehlern, die sich über mehrere geometrische Transformationen summieren. Ein AIS-Transponder verwendet GPS und ist im Allgemeinen gut kalibriert, hat aber Quantisierung durch NMEA-Codierung.

Die räumliche Registrierung korrigiert diese systematischen Offsets vor der Fusion. Der Standardansatz besteht darin, über einen Trainingszeitraum die Positionen von Objekten zu vergleichen, die gleichzeitig von mehreren Sensoren beobachtet werden, und die sensorspezifische Abweichung mittels Least-Squares-Minimierung zu schätzen. Geodätische Referenzziele — Bojen an bekannten Positionen, Bodenkontrollpunkte — liefern die Wahrheit für die Kalibrierung; sensorübergreifende Konsistenz bei gut etablierten Spuren liefert laufende Selbstkalibrierung im Betrieb.

Registrierungsfehler tarnen sich als Spuraufspaltung. Wenn Sensor A eine Nordabweichung von 50 Metern hat und Sensor B keine, erzeugen Beobachtungen desselben Schiffes zwei benachbarte Spuren. Operatoren erkennen dies als bekannte Pathologie und führen Spuren manuell zusammen, was operativ teuer und fehleranfällig ist. Automatische räumliche Registrierung, die kontinuierlich läuft und Abweichungsschätzungen aktualisiert, reduziert falsche Aufspaltungen ohne Eingriff des Operators.

Die Normalisierung des Koordinatensystems ist ein verwandtes Anliegen. Das kanonische Spurschema speichert Positionen in WGS84-Dezimalgrad; jeder Adapter konvertiert beim Empfang aus seinem nativen Format. MGRS-, UTM- und nationale Gitterreferenzen müssen konsistent konvertiert werden — Rundung muss an einem einzigen Punkt (Adapterausgabe) angewendet werden, nicht über Transformationsketten verteilt, wo sich angesammelte Fehler auf Dutzende Meter belaufen können.

Identitätsfusion: Kombination von SIGINT, AIS, Radarquerschnitt und EO-Form

Kinematische Fusion — eine gute Positionsschätzung zu erhalten — ist das notwendige Fundament. Identitätsfusion — die Bestimmung, was der Kontakt ist — ist das, was dem COP operativen Wert verleiht.

Jeder Sensortyp trägt ein anderes Stück Identitätsnachweis bei:

Radarquerschnitt (RCS) schränkt die physische Größe und Materialzusammensetzung des Ziels ein. Ein großer RCS-Kontakt in einem Luftraumsektor ist konsistent mit einem Großraumtransporter oder einem großen Kriegsschiff, nicht mit einem Leichtflugzeug oder kleinen Boot. RCS ist ein grober Diskriminator — Atmosphäreneffekte und Aspektwinkelvariation führen erhebliches Rauschen ein — eliminiert aber billig große Fraktionen des Hypothesenraums.

EO/IR-Formklassifikation schränkt die Identität weiter ein. Ein konvolutionaler Klassifikator, der gegen die EO/IR-Erkennung läuft, produziert Wahrscheinlichkeitsverteilungen über Fahrzeugklassen: Militärlastwagen, Panzer, Hubschrauber, Oberflächenschiff, Zivilfahrzeug. In großer Höhe begrenzt die Auflösung die Klassifikationsqualität; in der Nähe kann es spezifische Fahrzeugmodelle unterscheiden. Die Fusionsmaschine kombiniert die Formklassifikationsausgabe mit dem RCS-eingeschränkten Hypothesenraum unter Verwendung der Dempster-Shafer-Kombination oder einer bayesianischen Aktualisierung.

AIS MMSI liefert explizite, strukturierte Identität für kooperative Schiffe. Die MMSI löst sich in einen Schiffseintrag in der ITU-Datenbank auf: Name, Typ, Flagge, Bruttotonnage, Rufzeichen und eingetragener Eigentümer. Dies ist die definitive Identität für kooperative Ziele; die Fusionsmaschine hebt die zusammengesetzte Identität auf BEKANNT mit hoher Konfidenz an, wenn die AIS-Korrelation erfolgreich ist. Der zusammengesetzte Spurdatensatz verknüpft die MMSI und den Schiffseintrag als Provenienz.

SIGINT-Emitter-Identität gleicht beobachtete Emitterparameter — Frequenz, Impulswiederholungsintervall, Modulation — mit der EOB-Bibliothek (Electronic Order of Battle) ab, um den Emittertyp und, wo das EOB es unterstützt, die spezifische Plattform zu identifizieren. Ein Radaremissionstyp, der eindeutig mit einer bestimmten Kriegsschiffsklasse verbunden ist, schränkt die Identität auf diese Klasse ein. In Kombination mit AIS (die Name und MMSI für dasselbe Schiff liefert, wenn es sendet) kann die Fusionsmaschine eine hochkonfidente spezifische Schiffsidentität erzeugen.

Die Ausgabe der Identitätsfusion ist eine gerangte Liste von Identitätshypothesen mit Wahrscheinlichkeiten, keine erzwungene Einzelklassifikation. Das COP zeigt die Hypothese mit der höchsten Konfidenz mit dem Wahrscheinlichkeitswert an; der Analyst kann die Hypothesenliste für mehrdeutige Spuren erweitern. Dieses Design verhindert, dass die Benutzeroberfläche falsche Sicherheit kommuniziert — eine kritische Anforderung in Betriebsumgebungen mit hohen Folgen.

Architekturmuster: zentralisierte vs. föderierte Fusion

Die Wahl zwischen zentralisierter und föderierter Fusionstopologie hat Auswirkungen auf Überlebensfähigkeit, Latenz, Netzwerkbandbreite und Betriebskonzept.

Zentralisierter Fusionsserver. Alle Sensoradapter leiten rohe Beobachtungen an einen einzigen Fusionsserver weiter. Der Server verwaltet die vollständige Spurdatenbank und führt alle Korrelations- und Spurverwaltungsaufgaben durch. Diese Architektur ist einfach zu verstehen: es gibt eine Spurdatenbank, eine Korrelationsmaschine und eine Quelle der Wahrheit für das COP. Global optimale Assoziationen sind möglich, da die Maschine alle Beobachtungen gleichzeitig sieht. Der Ausfallmodus ist offensichtlich: der Fusionsserver ist ein einzelner Fehlerpunkt, und eine Netzwerkpartitionierung zwischen Sensoren und Server degradiert das COP auf das, was der Server zuletzt wusste. Zentralisierte Architekturen sind geeignet für Festinstallationen mit zuverlässiger Netzwerkinfrastruktur — nationale Geheimdienstzentren, maritime Patrouilleneinrichtungen.

Föderierte Fusionsknoten. Sensoren werden in Cluster gruppiert, jeder durch einen lokalen Fusionsknoten bedient. Jeder Knoten produziert Spuren von den Sensoren seines Clusters. Ein übergeordneter Knoten nimmt Spuren (keine rohen Beobachtungen) von allen lokalen Knoten auf und führt knotenübergreifende Korrelation durch — Abgleich von Spuren, die dieselbe Entität repräsentieren, aber aus verschiedenen Sensorclustern stammen. Föderierte Architekturen tolerieren Netzwerkpartitionierungen besser: jeder lokale Knoten arbeitet weiter mit seinen lokalen Sensoren; der übergeordnete Knoten synchronisiert sich neu, wenn die Konnektivität wiederhergestellt ist. Sie sind die natürliche Lösung für eingesetzte Militärformationen, wo Radar und EO/IR-Systeme über ein Schlachtfeld verteilt sind und das Netzwerk umkämpft ist.

Das JDL-Modell bildet sich natürlich auf diese Architektur ab. Lokale Fusionsknoten implementieren JDL-Level 1 (Objektverfeinerung) aus den Daten ihres Sensorclusters. Der übergeordnete Knoten implementiert Level 1 knotenübergreifend (Spur-zu-Spur-Fusion der Knotenausgaben) und Level 2 (Situationsbewertung — Konvoierkennung, Formationserkennung, Bedrohungs-Ziel-Paarung) aus dem zusammengeführten Spurenbild. Level 3 (Wirkungsabschätzung) läuft typischerweise auf einer Analystenworkstation oder einem separaten Bewertungsserver, der die Level-2-Ausgabe abfragt.

In beiden Topologien trägt der Nachrichtenbus — Kafka, Pulsar oder NATS JetStream — die gesamte komponentenübergreifende Kommunikation. Sensoradapter veröffentlichen Beobachtungen auf Eingabethemen; Fusionsknoten abonnieren und veröffentlichen ihre Ausgaben auf Ausgabethemen; das COP abonniert das endgültige fusionierte Spurthema. Der Bus entkoppelt Produzenten von Konsumenten, puffert Bursts und bietet die für die Nach-Aktions-Überprüfung und das Algorithmentesten erforderliche Wiedergabefähigkeit. Für die detaillierte Kompromissanalyse zwischen Nachrichtensubstraten, siehe Nachrichtenwarteschlangen für Verteidigungs-Datenpipelines.

Weiterführende Literatur

Die Multi-Sensor-Fusionsarchitektur ist eine Schicht in einem größeren Verteidigungsaufklärungsstapel. Die folgenden Artikel behandeln verwandte Komponenten eingehend.

Fusionsgrundlagen: Vollständiger Leitfaden zur Verteidigungsdatenfusion, Militärische Datenfusion erklärt, JDL-Datenfusionsmodell, Spurkorrelationsalgorithmen.

Sensorspezifische Integration: Integration von AIS und ADS-B in ein militärisches Lagebild, Aufbau einer Verteidigungs-Fusion-Pipeline: Quellen und Schemata.

Dateningenieurwesen: Nachrichtenwarteschlangen für Verteidigungs-Datenpipelines, Event Sourcing für Verteidigungs-Audit-Trails, PostGIS für Verteidigungs-Geodaten, Geospatiale Indizierung für die Verteidigung.

COP- und C2-Integration: Gemeinsames operatives Lagebild: Wie es aufgebaut wird, Vollständiger Leitfaden für C2-Systeme.