Radarsignalverarbeitung mit KI: Zielklassifikation und Clutter-Unterdrückung am Rand

Radar ist seit dem Zweiten Weltkrieg der primäre Allwettersensor für die Luft- und Bodenüberwachung, doch die klassische Signalverarbeitungskette -- Pulskompression, Entfernungs-Doppler-FFT, Constant-False-Alarm-Rate-Detektion und Spurfilterung -- wurde für eine Welt kooperativer Ziele und vorhersehbaren Clutters entworfen. Moderne Schlachtfelder bringen schwer beobachtbare Drohnen hervor, die den Großteil ihrer Energie in Clutter-Bins verbringen, elektronische Angriffswellenformen, die den Empfänger sättigen, und heterogene Geländehintergründe, die die homogenen Clutter-Annahmen konventioneller CFAR verletzen. Neuronale Netze, die auf umfangreichen Bibliotheken gemessener und synthetischer Radardaten trainiert werden, können lernen, diese Umgebungen direkt aus dem I/Q-Signalstrom zu charakterisieren und die klassische Pipeline dort zu ergänzen, wo sie am schwächsten ist. Dieser Artikel beschreibt, wo KI in die Radarsignalverarbeitungskette eintritt, welche Hardware sie ausführt und wie gerätebasierte Zielerkennung und -klassifikation das operative Kalkül für Edge-basierte Radarsysteme verändern.

Warum die Radarsignalverarbeitung KI-Augmentierung benötigt

Die grundlegende Einschränkung der klassischen Radarsignalverarbeitung besteht darin, dass jeder Algorithmus ein statistisches Modell für Clutter und Interferenzen voraussetzt. CA-CFAR nimmt an, dass die Clutter-Leistung im Referenzfenster gleichmäßig ist. Der Kalman-Filter setzt lineare Zieldynamik und gaußsches Prozessrauschen voraus. Das Puls-Doppler-Wellenformdesign geht davon aus, dass das Ziel in einem sauberen Doppler-Bin liegt, der nicht durch Bodenreflexionen kontaminiert ist. Jede Annahme ist eine vernünftige Näherung in dem Szenario, für das der Algorithmus entwickelt wurde, und eine Quelle von Leistungseinbußen überall sonst. Wenn eine kleine Quadrotor-Drohne im Hauptkeulclutter-Bereich eines Bodenüberwachungsradars schwebt oder wenn ein Störer ein kohärentes Wiederholungssignal einspeist, das ein echtes Ziel imitiert, hat die klassische Kette keine prinzipielle Möglichkeit zur Erholung -- sie wurde für diese Bedingungen nicht konzipiert.

KI-Augmentierung schließt diese Lücke, indem die festen statistischen Modelle durch erlernte Funktionen ersetzt oder ergänzt werden, die an Daten aus der tatsächlichen Betriebsumgebung trainiert wurden. Ein neuronales CFAR, das auf heterogenen Geländedaten trainiert wurde, lernt eine Detektionsschwellenwert-Funktion, die sich an Clutter-Gradienten, diskrete Clutter-Streuer und Regenfelder anpasst, ohne ein explizites Modell für jede Situation zu benötigen. Ein Mikro-Doppler-Klassifikator, der auf Drohnensignaturen trainiert wurde, lernt den Unterschied zwischen einem Quadrotor, einem Starrflügel-UAS und einem Vogel anhand der charakteristischen Frequenzmodulationsmuster, die jedes von ihnen erzeugt -- Muster, die kein fester Schwellenwert sauber trennen kann. Die zentrale Erkenntnis ist, dass KI die Physik des Radars nicht ersetzt; sie ersetzt die vom Menschen entworfenen Heuristiken, die Physik auf Entscheidungen abbilden, und tauscht sie gegen erlernte Abbildungen aus, die besser über die reale Vielfalt der Betriebsumgebung verallgemeinern.

Der praktische Fall für den Betrieb dieser neuronalen Module am Edge -- auf der Radarplattform selbst statt an einem entfernten Verarbeitungsknoten -- stützt sich auf Latenz und Verfügbarkeit. Ein Bodenüberwachungsradar, das jede Entfernungs-Doppler-Karte per Datenverbindung zu einem Cloud-Prozessor für die neuronale Inferenz übermitteln muss, führt zu einer Hin- und Rück-Latenz von 200 bis 500 ms, die für die Führung von Abfangjägern oder die Warnung von Bodentruppen inakzeptabel ist. Kritischer noch ist die Datenverbindung ein einzelner Ausfallpunkt: Elektronischer Angriff, Geländeabschattung oder Netzüberlastung deaktiviert die KI-Fähigkeit genau dann, wenn sie am dringendsten benötigt wird. Edge-Inferenz bewahrt die KI-Fähigkeit in verweigerten und beeinträchtigten Umgebungen, was genau das Szenario ist, das die KI-Augmentierung von Anfang an motiviert hat.

Doppler-Verarbeitung und Bewegtzielerkennung: klassische Ausgangspunkte

Die Entfernungs-Doppler-Karte ist das grundlegende Datenprodukt eines gepulsten Doppler-Radars. Ein kohärentes Verarbeitungsintervall von N Pulsen wird gesammelt, in der Entfernung pulskomprimiert und dann entlang der Langzeit-(Puls-)Dimension durch eine N-Punkt-FFT transformiert, um eine zweidimensionale Karte des Radarquerschnitts als Funktion von Entfernung und Radialgeschwindigkeit zu erzeugen. Die Entfernungsauflösung wird durch die Signalbandbreite bestimmt (typischerweise 1–100 MHz für Bodenüberwachungsradare, was 1,5–150 m Auflösung ergibt), und die Doppler-Auflösung wird durch die Dauer des kohärenten Verarbeitungsintervalls bestimmt (typischerweise 0,05–2 Sekunden, was 0,5–10 m/s Geschwindigkeitsauflösung bei X-Band ergibt). Diese Karte ist der Eingang für alle nachfolgenden Detektions- und Klassifikationsverarbeitungen, und ihre Qualität -- Nebenzipfelpegel, Dynamikbereich, Empfindlichkeit -- setzt eine harte Grenze für das, was jeder nachgelagerte Algorithmus abrufen kann.

Bewegtzielerkennung (MTI) und Puls-Doppler-Filterung sind die klassischen Werkzeuge zur Trennung beweglicher Ziele von stationärem Clutter. MTI verwendet Verzögerungsleitungs-Unterdrücker oder Filter mit endlicher Impulsantwort, um den Null-Doppler-Clutter-Bereich im Doppler-Spektrum zu nullen und dabei typischerweise 30–50 dB Clutter-Unterdrückung unter günstigen Bedingungen zu erreichen. Die Einschränkung ist die Breite der Clutter-Kerbe: Ein Radar auf einer beweglichen Plattform (luftgestützt, fahrzeugmontiert oder schiffsgestützt) muss raumzeitliche adaptive Verarbeitung (STAP) anwenden, um damit umzugehen, dass die Plattformbewegung das Clutter-Doppler-Spektrum über eine Reihe von Doppler-Bins verteilt, die vom Aspektwinkel abhängen. STAP löst ein gemeinsames raumzeitliches Optimierungsproblem über die räumlichen Kanäle des Arrays und die Langzeit-Dimension, was eine Schätzung der Clutter-Kovarianzmatrix aus Trainingsdaten erfordert -- eine Schätzung, die sich verschlechtert, wenn der Clutter nicht stationär ist oder wenn die Trainingsdaten Zielkontamination enthalten.

Die neuronale Augmentierung der Doppler-Verarbeitungsstufe nimmt typischerweise eine von zwei Formen an. In der ersten ersetzt ein neuronales Netz die STAP-Gewichtsberechnung und lernt, optimale raumzeitliche Gewichte aus einer kompakten Darstellung der lokalen Clutter-Umgebung vorherzusagen, statt aus einer expliziten Kovarianzmatrixinversion. Dieser Ansatz ist besonders wertvoll bei Regimen mit geringer Stichprobenunterstützung, wo die Kovarianzschätzung schlecht konditioniert ist -- ein dauerhaftes Problem für Radare mit großen Arrays und sich schnell ändernden Clutter-Umgebungen. In der zweiten Form arbeitet das neuronale Netz nachgelagert dem klassischen STAP als Nachfilter, untersucht die clutter-bereingte Entfernungs-Doppler-Karte und unterdrückt verbleibende Clutter-Rückstreuungen, die der Linearfilter nicht unterdrücken konnte, was die Falschalarm-Dichte, die der CFAR-Stufe zugeführt wird, in heterogenem Gelände um 30–50 % reduziert.

CFAR-Detektion und ihre Grenzen: wo neuronale Detektoren helfen

Constant-False-Alarm-Rate-Detektion ist die Standardmethode zur Festlegung eines Entfernungs-Doppler-Detektionsschwellenwerts, der eine spezifizierte Falschalarmwahrscheinlichkeit unabhängig von der lokalen Clutter-Leistung aufrecht erhält. Das klassische zellengemittelte CFAR (CA-CFAR) schätzt die Clutter-Leistung aus einem Fenster von Referenzzellen um die zu prüfende Zelle (CUT), wobei ein kleiner Schutzbereich um die CUT ausgeschlossen wird, um zu verhindern, dass Zielenergie die Clutter-Schätzung verfälscht. Der Schwellenwert wird als Vielfaches der geschätzten Clutter-Leistung festgelegt, wobei das Vielfache so gewählt wird, dass die gewünschte Falschalarmwahrscheinlichkeit unter der Annahme Rayleigh-verteilten Clutters erzielt wird. Dies ist ein sinnvoller Ansatz, wenn Clutter räumlich homogen ist -- aber das Gefechtsfeld ist kein homogenes Medium.

Drei Versagensmodi von CA-CFAR sind gut dokumentiert. An Clutter-Kanten -- Entfernungsbins, bei denen das Radar von niedrig reflektierendem Boden zu einem höher reflektierenden Merkmal wie einem Baumbestand, Gebäude oder Flussufer übergeht -- überspannt das Referenzfenster die Kante, und die Clutter-Schätzung ist auf der niedrig-clutter-Seite nach oben verzerrt, was zur Maskierung echter Ziele führt, und auf der hoch-clutter-Seite nach unten verzerrt, was zu einem Ausbruch falscher Alarme führt. Bei starken diskreten Streuern (Metallzäune, Fahrzeuge, hohe Strukturen) bläht eine einzelne leistungsstarke Rückstreuung im Referenzfenster die Clutter-Schätzung auf und maskiert nahe gelegene schwächere Ziele. Und bei Regen oder Düppeln füllt Volumeclutter viele Entfernungs-Doppler-Bins gleichzeitig und erzeugt eine nicht-stationäre, räumlich korrelierte Interferenzumgebung, in der die i.i.d.-Annahmen von CA-CFAR stark verletzt werden.

Neuronale CFAR-Varianten adressieren diese Versagensmodi, indem sie die lokale Clutter-Verteilung aus einem breiteren räumlichen und Doppler-Kontext lernen, als ein festgröße Referenzfenster erfassen kann. Ein auf einen Ausschnitt der Entfernungs-Doppler-Karte zentriertes CNN lernt, Clutter-Kantenmuster, diskrete Streuer-Konstellationen und Volumeclutter-Texturen zu erkennen und gibt einen lokal angepassten Schwellenwert aus, der die beobachtete Heterogenität berücksichtigt. Bei Feldbewertungen gegen Bodenziele in gemischtem Gelände reduziert neuronales CFAR die Falschalarm-Dichte um 40–60 % gegenüber CA-CFAR bei gleicher Detektionswahrscheinlichkeit, was direkt zu reduzierter Operatorbelastung und geringerer Spurinitiierungslatenz führt. Die gleichen Architekturmuster wie in ATR-Edge-Systemen -- kompakte CNNs mit INT8-Quantisierung -- finden direkt auf die neuronale CFAR-Bereitstellung auf Radar-Hardware Anwendung.

Neuronale Zielklassifikatoren auf Radar-Mikro-Doppler-Signaturen

Sobald ein Ziel die CFAR-Detektion passiert, verfügt das Radar über eine Entfernungs-Doppler-Zelle, die eine Rückstreuung von einem beweglichen Objekt enthält. Zu wissen, dass etwas vorhanden ist, ist wertvoll; zu wissen, was es ist -- Drohne, Fahrzeug, Person, Vogel -- ist operativ entscheidend. Die Mikro-Doppler-Analyse extrahiert diese Klassifikationsinformation aus den Modulationen, die dem Haupt-Doppler-Versatz des Ziels durch rotierende oder vibrierende Teilstrukturen überlagert werden. Die vier rotierenden Rotoren einer Quadrotor-Drohne erzeugen periodische Doppler-Seitenbänder bei Vielfachen der Rotorblatt-Durchgangsfrequenz. Die Arme und Beine einer gehenden Person erzeugen ein charakteristisches sinusförmiges Modulationsmuster. Der Motor eines Radfahrzeugs erzeugt harmonische Schwingungen, moduliert durch die Fahrzeuggeschwindigkeit. Jede dieser Signaturen erscheint als eine eindeutige Struktur in der Kurzzeit-Fourier-Transformation (STFT) des komplexen Radarrückstreuers über eine Verweilzeit von 0,1 bis 2 Sekunden.

Die Standardpipeline für die Mikro-Doppler-Klassifikation sammelt eine Verweilzeit am detektierten Ziel, berechnet die STFT der komplexen Entfernungs-Bin-Zeitreihe zur Erzeugung einer Zeit-Frequenz-Karte und leitet die Karte durch ein CNN, das zur Unterscheidung von Zielklassen trainiert wurde. Für ein Vier-Klassen-Problem (Fußgänger, Radfahrzeug, Drohne, Vogel) erzielen MobileNetV2-skalierte CNNs, die auf großen Datensätzen gemessener Mikro-Doppler-Signaturen trainiert wurden, eine Klassifikationsgenauigkeit von 90–97 % über repräsentative Betriebsbedingungen. Die Eingangs-Feature-Karte wird typischerweise auf Null-Mittelwert und Einheitsvarianz pro Pixel normiert, um die Abhängigkeit von der absoluten Signalleistung zu entfernen und den Klassifikator robust gegen Entfernungsvariation und aspektabhängige RCS-Schwankungen zu machen. Die Inferenzzeit auf einem Jetson Orin Nano beträgt 8–15 ms pro Verweilzeit, gut innerhalb des Spuraktualisierungszyklus des Radars.

Das schwierigste Klassifikationsproblem ist die Drohnen-gegenüber-Vogel-Diskriminierung, die nun für Gegendrohnen-Radarsysteme operativ kritisch ist. Kleine kommerzielle Drohnen und große Vögel überschneiden sich im RCS-Bereich (0,001–0,1 m² bei X-Band) und haben ähnliche Fluggeschwindigkeitshüllkurven. Das Unterscheidungsmerkmal liegt im Mikro-Doppler: Vögel erzeugen ein asymmetrisches Schlagmuster mit einem langsamen Nieder- und schnellen Aufschlag, während Quadrotoren symmetrische periodische Seitenbänder bei der Rotor-Drehzahl erzeugen. Trainierte CNN-Klassifikatoren erzielen in klarer Luft eine Diskriminierungsgenauigkeit von 92–95 %; die Genauigkeit nimmt bei Regen ab (wasserbeschichtete Flügeloberflächen ändern die Vogel-Mikro-Doppler-Signatur) und bei großer Entfernung (der Signalrauschabstand fällt unter das Niveau, das zur Auflösung der Modulationsstruktur erforderlich ist). Die Kombination der Mikro-Doppler-Klassifikation mit multimodaler Sensorfusion aus EO- und Akustikkanälen verbessert die Gesamtdiskriminierungsgenauigkeit bei diesen Grenzbedingungen erheblich.

Clutter-Unterdrückung: Trennung von Wettereinflüssen, Gelände und Düppel-Rückstreuungen

Clutter im Radar bezeichnet jede Rückstreuung, die nicht das gesuchte Ziel ist. Die drei dominanten Clutter-Quellen bei der Boden- und Luftüberwachung sind Gelände (Bodenclutter von der beleuchteten Oberfläche), Wetter (Regen, Schnee, Hagel, die verteilte Volumenrückstreuungen erzeugen) und Düppel (metallische Dipolwolken, die von Luftfahrzeugen als Gegenmaßnahme ausgebracht werden). Jede erfordert einen anderen Unterdrückungsansatz, da jede eine eindeutige spektrale und räumliche Struktur aufweist, und ein Clutter-Unterdrückungsfilter, der für einen Typ optimiert ist, kann tatsächlich die Leistung gegen einen anderen verschlechtern.

Bodenclutter ist für ein stationäres Radar spektral nahe bei null Doppler konzentriert. Der klassische Unterdrückungsansatz -- ein Doppler-Kerbfilter -- funktioniert gut für langsam bewegliche Ziele bei Geschwindigkeiten oberhalb der Mindestdetektionsgeschwindigkeit (MDV), versagt jedoch bei Zielen, die sich mit niedriger Geschwindigkeit bewegen oder im Clutter-Doppler-Band schweben. KI-augmentierte Bodenclutter-Unterdrückung verwendet ein neuronales Netz, das die räumliche Textur des Bodenclutters in der Entfernungs-Doppler-Karte lernt -- die charakteristischen Ridgestrukturen von ausgedehnten Geländemerkmalen, die diskreten Spitzen von Gebäuden und Bäumen -- und diese unterdrückt, während die Zielenergie in überlappenden Doppler-Bins erhalten bleibt. Dies ist besonders wichtig für die Erkennung langsam beweglicher Fahrzeuge und Fußgänger, die die konventionelle MTI-Filterung zusammen mit dem Clutter unterdrücken würde.

Wetterclutter und Düppel stellen unterschiedliche Herausforderungen dar. Regen erzeugt eine verteilte, räumlich glatte Rückstreuung, deren Doppler-Spektrum auf die Windgeschwindigkeit statt auf null zentriert ist, was Doppler-Kerbfilterung ohne Kenntnis des Windfeldes unwirksam macht. Düppelwolken driften mit dem Wind und dehnen sich aus, um innerhalb von Zehnten von Sekunden ein großes Entfernungs-Doppler-Volumen zu bedecken. Neuronale Klassifikatoren, die auf der räumlichen und zeitlichen Entwicklung von Düppelwolken trainiert werden, können die Wolkengrenze verfolgen und Rückstreuungen innerhalb der Wolke unterdrücken, während die Detektion im angrenzenden freien Luftraum aufrechterhalten wird. Der Klassifikator nutzt Merkmale, die von menschlich entworfenen Filtern nicht leicht kodiert werden können: die charakteristische ellipsoide Form einer aufblühenden Düppelwolke, die allmähliche Doppler-Drift, während sich die Wolke mit dem Wind ausgleicht, und das Leistungsdichteprofil, das sich sowohl von Luftfahrzeugrückstreuungen als auch von Wettereinflüssen unterscheidet. Für jeden dieser Clutter-Typen erzielt der neuronale Ansatz Unterdrückungsverbesserungsverhältnisse, die mit den besten klassischen adaptiven Filtern vergleichbar sind oder diese übertreffen, und dabei über ein breiteres Spektrum von Umweltbedingungen verallgemeinert.

ECCM-Integration: Detektion und Charakterisierung von Störsignalen am Edge

Electronic Counter-Countermeasures (ECCM) sind die Techniken, die ein Radar einsetzt, um die Detektionsleistung bei gezieltem elektronischen Angriff aufrechtzuerhalten. Klassisches ECCM stützt sich auf ein Repertoire von Techniken -- Frequenzagilität, Pulskompressionsgewinn, Antennendesign mit niedrigen Nebenzipfeln, Nebenzipfelunterdrückung und kohärente Ausblendung von Schmalbandinterferenz -- die jeweils zur Bekämpfung eines bestimmten Störertyps entwickelt wurden. Die Einschränkung dieses Ansatzes besteht darin, dass das Radar wissen muss, mit welchem Störertyp es konfrontiert ist, bevor es die geeignete Gegenmaßnahme auswählt. Gegen einen anspruchsvollen Gegner mit einem adaptiven Störer, der seine Wellenform als Reaktion auf das Radarverhalten ändert, ist eine feste ECCM-Strategie unzureichend.

Edge-KI verändert die ECCM-Architektur, indem sie eine Regelkreis-Störercharakterisierung innerhalb der eigenen Verarbeitungskette des Radars ermöglicht. Ein neuronaler Klassifikator, der den Empfängerausgang des Radars überwacht -- insbesondere den Rauschboden, den Nebenzipfelbereich und den unterdrückten Clutter-Restanteil -- lernt, die Signaturen verschiedener Störwellenformen zu erkennen: Breitbandrausch-Störung (erhöhter Rauschboden über alle Entfernungsbins), Spot-Sweep-Störung (ein schmalbandiger Interferenzrücken, der durch die Doppler-Dimension schwenkt), kohärente Repeater-Störung (falsche Ziele, die bei physikalisch konsistenten Entfernungs- und Doppler-Werten erscheinen, aber Geschwindigkeitskreuzprüfungen nicht bestehen) und täuschende Entfernungstor-Abziehmethode (Ziele, die sich in der Entfernung allmählich von ihrer ursprünglichen Position entfernen). Jede Signatur wird einer neuronalen Klassenbezeichnung zugeordnet und löst eine entsprechende ECCM-Reaktion innerhalb des Modusreglers des Radars aus.

Der operative Vorteil der KI-gesteuerten ECCM-Identifizierung gegenüber einem manuellen Prozess mit Mensch in der Regelschleife ist die Reaktionszeit. Ein erfahrener Elektronischer Kampfführungsoffizier, der einen Bildschirm analysiert, kann einen Störertyp in 5–30 Sekunden identifizieren. Ein neuronaler Klassifikator, der auf dem Signalprozessor des Radars läuft, identifiziert den Störertyp in unter 100 ms ab Beginn des Angriffs, wählt den optimalen ECCM-Modus aus und meldet die geschätzte Ankunftsrichtung des Störers an das C2-Netzwerk zur Ausrichtung anderer Sensoren. Für kurzweilige Erfassungsradare, die bei der Flugabwehr eingesetzt werden, kann eine 30-Sekunden-Identifikationsverzögerung den Unterschied zwischen einem erfolgreichen Abfangen und einem verpassten Einsatzfenster bedeuten. Das neuronale ECCM-Modul liefert auch einen dauerhaften Charakterisierungsdatensatz -- jedes Stör-Ereignis wird mit seinen Wellenformparametern und der Klassifikatorkonfidenzen protokolliert -- der in die elektronische Kampfordnungsdatenbank einfließt, die vom Edge-KI-Hardware-Stack des Sensornetzwerks gepflegt wird.

Hardware-Bereitstellung: DSP-Plattformen, FPGAs und GPU-Inferenz für Radar-KI

Die Wahl der Hardware für KI-augmentierte Radarsignalverarbeitung ist stärker eingeschränkt als für andere Edge-KI-Domänen, da der Radarsignalprozessor auch die Echtzeit-FFT, Pulskompression und CFAR-Verarbeitung durchführen muss, die nicht an eine allgemeine GPU ausgelagert werden können. Die drei wichtigsten Hardware-Kategorien treffen jeweils unterschiedliche Kompromisse zwischen Determinismus, Leistung und neuronalem Inferenz-Durchsatz.

FPGAs besetzen das deterministische, niedriglatentige Ende des Spektrums. Ein Xilinx Zynq UltraScale+ MPSoC integriert die vollständige Entfernungs-Doppler-Pipeline in programmierbarer Logik neben INT8-Neuronalnetz-Inferenz, die auf dem DSP-Slice-Array des Fabrics implementiert ist, und liefert eine End-zu-End-Latenz vom ADC-Sample bis zum Detektionsereignis unter 1 ms für eine 256-Entfernungsbin-, 64-Doppler-Bin-Karte. Die Programmierkomplexität ist erheblich -- die Implementierung eines kompakten CNN auf einem FPGA erfordert High-Level-Synthese-Werkzeuge wie Vitis AI -- aber das Ergebnis ist eine Verarbeitungskette ohne Betriebssystem-Jitter, mit deterministischer Worst-Case-Latenz und einem Stromverbrauch im Bereich von 5–25 W, der für fahrzeugmontierte oder stationäre Bodenradare geeignet ist. Die Agilex-7-Generation erweitert diese Fähigkeit mit eingebetteten KI-Tensor-Blöcken, die INT8-Faltung weiter beschleunigen, ohne allgemeine DSP-Slice-Ressourcen zu verbrauchen.

GPU-Klasse-SoCs wie das NVIDIA Jetson Orin AGX (275 TOPS bei 60 W) und das leistungsärmere Orin NX (100 TOPS bei 25 W) bieten den höchsten neuronalen Inferenz-Durchsatz für komplexe Klassifikatoren und Mehr-Verweilzeit-Mikro-Doppler-Analysen. TensorRT-optimierte INT8-Modelle laufen bei 5–15 ms pro Inferenzaufruf für MobileNetV2-skalierte Klassifikatoren, und der DLA (Deep Learning Accelerator) des Orin kann parallel eine Inferenz ausführen, während die iGPU eine andere ausführt, was eine echte gleichzeitige Klassifikation mehrerer verfolgter Ziele ohne Pipeline-Lücken ermöglicht. Der Hardware-Vergleich für Defense-Edge-KI zeigt Jetson Orin als bevorzugte Plattform, wenn Klassifikations-Durchsatz und Modellvielfalt wichtiger sind als absolute Worst-Case-Latenz. Für Radaranwendungen erfasst eine hybride Architektur, die ein FPGA-Frontend (Entfernungs-Doppler-Kartenerzeugung, CA-CFAR) mit einem Jetson-Orin-Backend (neuronales CFAR, Mikro-Doppler-Klassifikation, ECCM-Charakterisierung) koppelt, die Stärken beider: deterministische Signalverarbeitungs-Pipeline-Latenz vorne, hoher Durchsatz flexibler neuronaler Inferenz hinten.

DSP-Plattformen von Texas Instruments (TMS320C7x-Serie) und Analog Devices (SHARC+) bleiben für Legacy-Radarprogramme und für Anwendungen relevant, bei denen das deterministische Einzel-Kern-Programmiermodell durch Zertifizierungsanforderungen vorgeschrieben ist. Die C7x-Architektur enthält eine 512-Bit-SIMD-Vektoreinheit und einen Matrix-Multiplikations-Beschleuniger, der INT8-Faltung mit wettbewerbsfähigem Durchsatz für Netze bis zu 2–3 Millionen Parametern ausführen kann. Die praktische Grenze ist die Speicherbandbreite, die zum Speisen der Faltungs-Engine zur Verfügung steht: Der On-Chip-L2-Cache des C7x kann die für Schichten mit kleinen räumlichen Abmessungen (1x1- und 3x3-Faltungen auf kleinen Feature-Maps) erforderliche Bandbreite aufrechterhalten, fällt aber bei den breiteren Feature-Maps der Anfangsschichten eines vollständigen MobileNet auf eine Radar-Entfernungs-Doppler-Karte kurz. Dies macht DSP-Plattformen am besten für die endgültigen Klassifikationsschichten geeignet, die auf kompakten Feature-Vektoren operieren, die vom FPGA vorgelagert extrahiert wurden, statt für vollständige End-zu-End-Neuronalnetz-Inferenz aus rohen Entfernungs-Doppler-Daten.