Tutkan signaalinkäsittely tekoälyllä: kohdeluokittelu ja häiriöiden poisto reunalaskennassa

Tutka on ollut ensisijainen säästä riippumaton sensori ilma- ja maatiedusteluun toisesta maailmansodasta lähtien, mutta klassinen signaalinkäsittelyketju -- pulssipakkaus, alue-Doppler-FFT, vakioväärähälytysasteinen havaitseminen ja ratojen suodatus -- suunniteltiin maailmaa varten, jossa kohteet ovat yhteistyökykyisiä ja häiriöt ennakoitavissa. Nykyaikaiset taistelukentät sisältävät vaikeasti havaittavia drooneja, joiden energia sijoittuu pääosin häiriöalueelle, elektronisen hyökkäyksen aallonmuotoja, jotka saturoivat vastaanottimen, sekä heterogeenisia maastotaustoja, jotka rikkovat tavanomaisen CFAR:n homogeenisen häiriön oletukset. Suurilla mitattujen ja synteettisten tutkatietojen kirjastoilla koulutetut hermoverkot voivat oppia karakterisoimaan nämä ympäristöt suoraan I/Q-signaalivirtauksesta täydentäen klassista putkistoa siellä, missä se on heikoin. Tässä artikkelissa käydään läpi, missä kohtaa tekoäly astuu tutkan signaalinkäsittelyketjuun, millä laitteistolla se toimii ja kuinka laitteessa tapahtuva kohteen tunnistus ja luokittelu muuttavat operatiivisen laskennan reunaverkkoon sijoitettujen tutkajärjestelmien osalta.

Miksi tutkan signaalinkäsittely tarvitsee tekoälytäydennystä

Klassisen tutkan signaalinkäsittelyn perustavanlaatuinen rajoitus on, että jokainen algoritmi olettaa tilastollisen mallin häiriöille ja interferenssille. CA-CFAR olettaa, että häiriöteho on tasainen referenssi-ikkunan yli. Kalman-suodatin olettaa lineaariset kohdedynamiikat ja Gaussisen prosessikohina. Pulssi-Doppler-aallonmuodon suunnittelu olettaa, että kohde sijoittuu puhtaaseen Doppler-sovuun ilman maanpintapaluiden saastumista. Jokainen oletus on kohtuullinen approksimaatio skenaariossa, jolle algoritmi suunniteltiin, ja suorituskyvyn heikentymislähde kaikkialla muualla. Kun pieni neliroottorinen drooni leijuu maavalvontatutkan pääkeilaisen häiriöalueella tai kun häirintälähetin syöttää koherentin toistajasignaalin, joka jäljittelee todellista kohdetta, klassisella ketjulla ei ole periaatteellista keinoa palautua -- se ei ollut suunniteltu näihin olosuhteisiin.

Tekoälytäydennys vastaa tähän puutteeseen korvaamalla tai täydentämällä kiinteät tilastolliset mallit opituilla funktioilla, jotka on koulutettu todellisen käyttöympäristön datalla. Heterogeenisella maastodatalla koulutettu hermoverkkoinen CFAR oppii havaitsemiskynnyksen, joka mukautuu häiriögradientin, erillisten häiriösirottimien ja sadepantojen mukaan ilman eksplisiittistä mallia jokaiselle. Dronisignaaleilla koulutettu mikro-Doppler-luokittelija oppii erottamaan nelirokopteri-, kiinteäsiipeinen UAS- ja lintuluokan toistensa ominaisesta taajuusmodulaatiokuviosta -- kuvioista, joita mikään kiinteä kynnys ei kykene puhtaasti erottamaan. Keskeinen oivallus on, että tekoäly ei korvaa tutkan fysiikkaa; se korvaa ihmisen suunnittelemat heuristiikat, jotka muuntavat fysiikan päätöksiksi, korvaten ne opituilla kuvauksilla, jotka yleistyvät paremmin todellisen käyttöympäristön moninaisuuden yli.

Käytännön peruste näiden hermoverkkomoduulien ajamiselle reunalla -- tutka-alustalla itsellään eikä etäprosessointisolmussa -- perustuu latenssiin ja saatavuuteen. Maavalvontatutka, jonka on datalinkattava jokainen alue-Doppler-kartta pilvipalvelimelle hermoverkkojen päättelyä varten, aiheuttaa 200--500 ms:n edestakaislatenssin, joka on kohtuuton torjuntahävittäjien vinkkaamiselle tai maajoukkojen hälytykselle. Kriittisempää on, että datalinkkiyhteys on yksittäinen vikapiste: elektroninen hyökkäys, maastopeite tai verkon ruuhkautuminen poistaa tekoälykyvyn juuri silloin, kun sitä tarvitaan eniten. Reunapäättely säilyttää tekoälykyvyn estyneissä ja heikentyneissä ympäristöissä, mikä on juuri se skenaario, joka motivoi tekoälytäydennystä alun perin.

Doppler-käsittely ja liikkuvan kohteen tunnistus: klassiset perusviivat

Alue-Doppler-kartta on pulssatun Doppler-tutkan perusdatatuote. N-pulssien koherentti käsittelyjakso kerätään, pulssipuristetaan alueella ja muunnetaan sitten hitaan ajan (pulssin) ulottuvuuden yli N-pisteen FFT:llä tuottamaan kaksiulotteinen kartta tutkan poikkipinta-alasta alue- ja säteittäisnopeuden funktiona. Alueresoluutio määräytyy signaalin kaistanleveydestä (tyypillisesti 1--100 MHz maavalvontatutkille, antaen 1,5--150 m:n resoluution) ja Doppler-resoluutio koherentin käsittelyjakson kestosta (tyypillisesti 0,05--2 sekuntia, antaen 0,5--10 m/s nopeusresoluution X-kaistalla). Tämä kartta on syöte kaikelle seuraavalle havaitsemis- ja luokittelukäsittelylle, ja sen laatu -- sivukeulatasot, dynaaminen alue, herkkyys -- asettaa kovan katon sille, mitä mikä tahansa myöhempi algoritmi voi palauttaa.

Liikkuvan kohteen tunnistus (MTI) ja pulssi-Doppler-suodatus ovat klassisia työkaluja liikkuvien kohteiden erottamiseksi paikallisesta häiriöstä. MTI käyttää viivästyslinja-eliminaattoreita tai äärellisen impulssivasteen suodattimia nullaamaan Doppler-spektrin nolla-Doppler-häiriöalueen, saavuttaen tyypillisesti 30--50 dB:n häiriönvaimennuksen hyvissä olosuhteissa. Rajoituksena on häiriölovkon leveys: liikkuvalla alustalla (ilma-alus, ajoneuvo tai laiva) olevan tutkan on sovellettava tila-aika-adaptiivista prosessointia (STAP) käsitellä se tosiasia, että alustan liike levittää häiriön Doppler-spektrin monien Doppler-sovujen alueelle, joka riippuu suunnasta. STAP ratkaisee yhteisen tila-aikaoptimointiongelman antennimatriisin spatiaalisten kanavien ja hitaan ajan ulottuvuuden yli vaatien arvion häiriön kovarianssimatriisista koulutusdatasta -- arvio, joka heikkenee, kun häiriö ei ole stationaarinen tai kun koulutusdata sisältää kohdesaastumista.

Hermoverkkoinen täydennys Doppler-käsittelyvaiheeseen ottaa tyypillisesti yhden kahdesta muodosta. Ensimmäisessä hermoverkkko korvaa STAP-painolaskennan, oppien ennustamaan optimaaliset spatiaaliset-ajälliset painot kompaktista esityksestä paikallisesta häiriöympäristöstä eikä eksplisiittisestä kovarianssimatriisin inversiosta. Tämä lähestymistapa on erityisen arvokas alhaisen näytetuen tiloissa, joissa kovarianssiestimaatti on huonosti ehdollistettu -- pysyvä ongelma tutkille, joissa on suuria antenneja ja nopeasti muuttuvat häiriöympäristöt. Toisessa muodossa hermoverkkko toimii klassisen STAP:n jälkeisenä suodattimena, tarkastellen häiriönperuutettuun alue-Doppler-karttaa ja vaimentaen jäljellä olevia häiriöpaluita, joita lineaarisuodatin ei kyennyt peruuttamaan, vähentäen CFAR-vaiheelle syötettävää väärähälytytiheyttä 30--50 % heterogeenisessa maastossa.

CFAR-havaitseminen ja sen rajoitukset: missä hermoverkkoilmaisimet auttavat

Vakioväärähälytysasteinen havaitseminen on standardimenetelmä alue-Doppler-havaitsemiskynnyksen asettamiseksi, joka ylläpitää määritettyä väärähälytystodennäköisyyttä riippumatta paikallisesta häiriötehosta. Klassinen solujen keskiarvoistava CFAR (CA-CFAR) arvioi häiriötehon testattavan solun (CUT) ympärillä olevasta referenssisoluikkunasta sulkien pois pienen suojavyöhykkeen CUT:n ympäriltä estääkseen kohdeen energian vaikuttamasta häiriöestimaattiin. Kynnys asetetaan arvioidun häiriötehon kerrannaisen mukaan, jossa kerrannaiseksi valitaan Rayleigh-jakautuneen häiriön oletuksella halutun väärähälytystodennäköisyyden saavuttamiseksi. Tämä on terve lähestymistapa, kun häiriö on spatiaalisesti homogeenista -- mutta taistelukenttä ei ole homogeeninen väliaine.

CA-CFAR:n kolme vikamoodia on hyvin dokumentoitu. Häiriöreunuksissa -- aluevyöhykkeissä, joissa tutka siirtyy matalan heijastuvuuden maastosta korkeamman heijastuvuuden piirteeseen, kuten puusto, rakennus tai joenpanta -- referenssi-ikkuna halkaisee reunan, ja häiriöestimaatti on yläpuolella matalan häiriön puolella aiheuttaen todellisten kohteiden peittymisen, ja alapuolella korkean häiriön puolella aiheuttaen väärähälytyskajon. Voimakkaiden erillisten sirottajien (metalliaidat, ajoneuvot, korkeat rakenteet) läsnä ollessa yksittäinen tehokas paluu referenssi-ikkunassa paisuttaa häiriöestimaattia ja peittää läheisiä heikompia kohteita. Ja sateessa tai silpussa tilavuushäiriö täyttää monet alue-Doppler-sovut samanaikaisesti tuottaen epästationaarisen, spatiaalisesti korreloituneen interferenssiympäristön, jossa CA-CFAR:n i.i.d.-oletukset ovat pahasti rikottuina.

Hermoverkkoinen CFAR-variantit käsittelevät näitä vikamoodeja oppimalla paikallista häiriöjakaumaa laajemmasta spatiaalisesta ja Doppler-kontekstista kuin kiinteäkokoinen referenssi-ikkuna voi tallentaa. CUT:n ympärillä olevaan alue-Doppler-karttapatchiin sovellettu CNN oppii tunnistamaan häiriöreunan kuvioita, erillisiä sirottajakonstellaatioita ja tilavuushäiriötekstuureja sekä tuottaa paikallisesti mukautetun kynnyksen, joka ottaa huomioon havaitun heterogeenisuuden. Kenttäarvioinneissa maakohteita vastaan sekamaastossa hermoverkkoinen CFAR vähentää väärähälytytiheyttä 40--60 % verrattuna CA-CFAR:iin samalla havaitsemistodennäköisyydellä, mikä käänttyy suoraan pienemäksi operaattorikuormaksi ja lyhyemmäksi radan aloitusviiveeksi. Samat arkkitehtuurikuviot, joita käytetään ATR:n reunajärjestelmissä -- kompaktit CNN:t INT8-kvantisoinnilla -- soveltuvat suoraan hermoverkkoisen CFAR:n käyttöönottoon tutkalaitteistossa.

Hermoverkkopohjaiset kohdeluokittelijat tutkan mikro-Doppler-signaatuurihin

Kun kohde läpäisee CFAR-havaitsemisen, tutkalla on alue-Doppler-solu, joka sisältää paluun jostakin liikkuvasta. Tietää, että jokin on siellä, on arvokasta; tietää, mikä se on -- drooni, ajoneuvo, henkilö, lintu -- on operatiivisesti ratkaisevaa. Mikro-Doppler-analyysi poimii tämän luokittelutiedon modulaatioista, jotka superponoidaan kohteen päädopplerin päälle pyörivistä tai värisevistä alarakenteista. Nelirottoridrooni neljä pyörivää roottoria tuottaa jaksollisia Doppler-sivuvöitä roottorin siiven ohitusnopeuden kerrannaisilla. Kävelevän henkilön kädet ja jalat tuottavat ominaisen sinusoidaalisen modulaatiokuvion. Pyöräajoneuvon moottori tuottaa harmonisia värähtelyjä ajonopeuteen moduloituina. Jokainen näistä signaatuurista näkyy erillisenä rakenteena kompleksisen tutkapaluun lyhytaikaisen Fourier-muunnoksen (STFT) tuottamassa aika-taajuuskartassa 0,1--2 sekunnin viipymäajalla.

Mikro-Doppler-luokittelun standardiputkisto kerää viipymän havaitulla kohteella, laskee kompleksisen alueverkon aikasarjan STFT:n aika-taajuuskartan tuottamiseksi ja ohjaa kartan CNN:ään, joka on koulutettu erottamaan kohderyhmät. Neljän luokan ongelmalle (jalankulkija, pyöräajoneuvo, drooni, lintu) MobileNetV2-mittakaavaiset CNN:t, jotka on koulutettu suurilla mitattujen mikro-Doppler-signaatuurien aineistoilla, saavuttavat 90--97 %:n luokittelutarkkuuden edustavissa käyttöolosuhteissa. Syötepiirteiden kartta normalisoidaan tyypillisesti nollan keskiarvoon ja yksikkövarianssin per-pikseliin poistamaan riippuvuus absoluuttisesta signaalitehosta, tehden luokittelijasta robusti etäisyysvaihteluille ja suunnasta riippuvaisille RCS-fluktuaatioille. Päättelyaika Jetson Orin Nanolla on 8--15 ms per viipymä, selvästi tutkan radan päivityssyklin sisällä.

Vaikein luokitteluongelma on drooni-vai-lintu-erottelu, joka on nyt operatiivisesti kriittinen vastadrooni-tutkajärjestelmissä. Pienet kaupalliset droonit ja suuret linnut sijoittuvat päällekkäisiin RCS-alueisiin (0,001--0,1 m2 X-kaistalla) ja niillä on samankaltaiset lentonopeuden profiilit. Erottelutekijä on mikro-Doppler: linnut tuottavat epäsymmetrisen siipimisliikkeen, jossa hidas alasliike ja nopea ylösliike, kun taas neliroottoridroonit tuottavat symmetriset jaksolliset sivuvöit roottorin RPM:llä. Koulutetut CNN-luokittelijat saavuttavat 92--95 %:n erottelutarkkuuden kirkkaassa ilmassa; tarkkuus heikkenee sateessa (vesipäällysteinen siipien pinta muuttaa linnun mikro-Doppler-signatuuria) ja pitkillä etäisyyksillä (SNR putoaa alle tason, joka tarvitaan modulaatiorakenteen erottamiseen). Mikro-Doppler-luokittelun yhdistäminen multimodaaliseen sensoriyhdistelyyn EO- ja akustisista kanavista parantaa merkittävästi kokonaisvaltaista erottelutarkkuutta näissä marginaalisissa olosuhteissa.

Häiriöiden poisto: säähäiriöiden, maaston ja silpun erottaminen paluista

Häiriö tutkassa on mikä tahansa paluu, joka ei ole kiinnostava kohde. Kolme hallitsevaa häiriölähdettä maa- ja ilmavalvontatutkissa ovat maasto (valaistun pinnan maahäiriö), sää (sade, lumi, rakeet tuottavat hajautettuja tilavuuspaluita) ja silppu (metalliset dipolipilvet, joita ilma-alukset laukaisevat vastatoimena). Jokainen vaatii erilaisen hylkäyslähestymistavan, koska jokaisella on erillinen spektraalinen ja spatiaalinen rakenne, ja yhdelle tyypille viritettynä häiriönhylkäyssuodatin voi itse asiassa heikentää suorituskykyä toista vastaan.

Maahäiriö on spektraalisesti keskittynyt lähelle nolla-Doppleria paikallaan pysyvässä tutkassa. Klassinen hylkäyslähestymistapa -- Doppler-lovkosuodatin -- toimii hyvin hitaasti liikkuville kohteille, joiden nopeus ylittää minimihavaittavan nopeuden (MDV), mutta epäonnistuu kohteille, jotka liikkuvat matalalla nopeudella tai leijuvat häiriön Doppler-kaistalla. Tekoälytäydennetty maahäiriön hylkäys käyttää hermoverkkoa, joka oppii maahäiriön spatiaalisen tekstuurin alue-Doppler-kartassa -- pidennettyjen maastopiirteiden ominaiset harjurakenteet, rakennusten ja puiden erilliset piikit -- ja vaimentaa ne säilyttäen kohdenenergian päällekkäisissä Doppler-sovuissa. Tämä on erityisen tärkeää hitaasti liikkuvien ajoneuvojen ja jalkamiesten havaitsemiseksi, jotka tavanomainen MTI-suodatus peruuttaisi häiriön mukana.

Säähäiriö ja silppu esittävät erilaisia haasteita. Sade tuottaa jakautuneen, spatiaalisesti sileän paluun, jonka Doppler-spektri on keskittynyt tuulinopeudelle eikä nollalle, tehden Doppler-lovkosuodatuksen tehottomaksi ilman tietoa tuulikentästä. Silppupilvet ajelehtivat tuulen mukana ja leviävät kattamaan suuren alue-Doppler-tilavuuden kymmenien sekuntien kuluessa. Silppupilvien spatiaaliseen ja ajalliseen kehitykseen koulutetut hermoverkkoinen luokittelijat voivat seurata pilven reunaa ja vaimentaa sisällä olevia paluita ylläpitäen havaitsemista viereisessä kirkkaassa ilmatilassa. Luokittelija hyödyntää piirteitä, joita ihmisen suunnittelemat suodattimet eivät helposti koodaa: leviävän silppupilven ominainen ellipsoidinen muoto, asteittainen Doppler-ajelehtiminen pilven tasapainotuessa tuulen kanssa ja tehotiheyden profiili, joka eroaa sekä ilma-aluspaluista että säähäiriöistä. Jokaisen näiden häiriötyyppien osalta hermoverkkoinen lähestymistapa saavuttaa hylkäysparannussuhteita, jotka ovat verrattavissa tai ylittävät parhaita klassisia adaptiivisia suodattimia, yleistäen samalla laajemmalle ympäristöolosuhteiden valikoimalle.

ECCM-integraatio: häirinnän havaitseminen ja karakterisointi reunalla

Elektroniset vastatoimet (ECCM) ovat tekniikoita, joilla tutka ylläpitää havaitsemiskykyä tahallisen elektronisen hyökkäyksen alla. Klassinen ECCM nojaa tekniikkavalikoimaan -- taajuushyppely, pulssinpakkauksen vahvistus, matalan sivukeulan antennisuunnittelu, sivukeulapeittäminen ja kapeakaistaisen häiriön koherentti poisto -- joista jokainen on suunniteltu torjumaan tietty häirintälaite. Tämän lähestymistavan rajoitus on, että tutkan on tiedettävä, millaista häirintälaitetta se kohtaa, ennen kuin se voi valita asianmukaisen vastatoimen. Edistynyttä vihollista vastaan, joka käyttää adaptiivista häirintälaitetta, joka muuttaa aallonmuotoaan tutkan käyttäytymisen perusteella, kiinteä ECCM-strategia ei riitä.

Reunatekoäly muuttaa ECCM-arkkitehtuuria mahdollistamalla suljetun silmukan häirintälaitteen karakterisoinnin tutkan omassa käsittelyketjussa. Tutkan vastaanottimen ulostuloa -- erityisesti kohinatasoa, sivukeuluealuetta ja peruutetun häiriön jäännöstä -- valvova hermoverkkoinen luokittelija oppii tunnistamaan erilaisten häirintäaallonmuotojen signaatuurit: laajakaistakohina (kohonnut kohinataso kaikissa aluevyöhykkeissä), pyyhkäisevä pistemäinen häirintä (kapeakaistainen häiriöharju, joka pyyhkäisee Doppler-ulottuvuuden läpi), koherentti toistajahäirintä (väärennetyt kohteet, jotka näyttävät fysikaalisesti johdonmukaisella alueella ja Dopplerilla, mutta epäonnistuvat nopeuden ristiintarkistuksissa) ja petollinen etäisyysportin vetäminen (kohteet, jotka ajelehtivat asteittain alueella alkuasemastaan). Jokainen signatuuri vastaa hermoverkkoisen luokan merkintää ja käynnistää vastaavan ECCM-vasteen tutkan tilaohjaimen sisällä.

Tekoälypohjaisen ECCM-tunnistuksen operatiivinen etu manuaaliseen ihminen silmukassa -prosessiin verrattuna on reaktioaika. Taitava elektronisen sodankäynnin upseeri, joka analysoi näyttöä, voi tunnistaa häirintälaitteen tyypin 5--30 sekunnissa. Tutkan signaaliprosessorissa toimiva hermoverkkoinen luokittelija tunnistaa häirintätyypin alle 100 ms:ssa hyökkäyksen alkamisesta, valitsee optimaalisen ECCM-tilan ja raportoi häirintälähteen arvioidun tulosuunnan C2-verkkoon muiden sensorien vinkkaamiseksi. Ilmapuolustuksessa käytetyille lyhytviipymäisille hankintatatutkille 30 sekunnin tunnistamisviive voi merkitä eroa onnistuneen torjunnan ja ohitetun sitoutumisikkunan välillä. Hermoverkkoinen ECCM-moduuli tarjoaa myös pysyvän karakterisoinnin tietueen -- jokainen häirintätapahtuma kirjataan aallonmuodon parametreineen ja luokittelijan varmuuksineen -- joka syöttää elektronisen järjestyksenpitämistietokannan, jota ylläpitää reunatekoälyn laitteistopino, joka tukee sensoriverkkoa.

Laitteiston käyttöönotto: DSP-alustat, FPGA:t ja GPU-päättely tutka-tekoälyyn

Laitteiston valinta tekoälytäydennettyyn tutkan signaalinkäsittelyyn on rajoitetumpaa kuin muissa reunatekoälyn sovellusalueissa, koska tutkan signaaliprosessorin on myös suoritettava reaaliaikainen FFT, pulssipakkaus ja CFAR-käsittely, joita ei voida siirtää yleiskäyttöiselle GPU:lle. Kolme pääasiallista laitteistoluokkaa tekevät erilaisia kompromisseja determinismin, tehon ja hermoverkkojen päättelytehon välillä.

FPGA:t sijoittuvat deterministiseen, matalan latenssin päähän spektristä. Xilinx Zynq UltraScale+ MPSoC integroi koko alue-Doppler-putkiston ohjelmoitavaan logiikkaan rinnakkain INT8-hermoverkkojen päättelyn kanssa toteutettuna kankaan DSP-viipalematriisilla, toimittaen päästä päähän latenssin ADC-näytteestä havaitsemistapahtumaan alle 1 ms 256-aluevyöhykkeen, 64-Doppler-vyöhykkeen kartalle. Ohjelmointimonimutkaisuus on huomattavaa -- jopa kompaktin CNN:n toteuttaminen FPGA:lla vaatii korkeantason synteesityökaluja, kuten Vitis AI -- mutta tuloksena on käsittelyketju ilman käyttöjärjestelmän jitteriä, deterministinen pahimman tapauksen latenssi ja tehokulutus 5--25 W:n alueella, sopiva ajoneuvoasenteiseen tai kiinteään maatutka-asennukseen. Agilex 7 -sukupolvi laajentaa tätä kykyä sulautetuilla tekoälyn tensorilohkoilla, jotka kiihdyttävät INT8-konvoluutiota entisestään ilman, että kuluttavat yleiskäyttöisiä DSP-viipalresursseja.

GPU-luokan järjestelmäpiirit, kuten NVIDIA Jetson Orin AGX (275 TOPS 60 W:lla) ja pienempikulutuksinen Orin NX (100 TOPS 25 W:lla), tarjoavat korkeimman hermoverkkojen päättelykapasiteetin monimutkaisille luokittelijoille ja moniviipaymäiseen mikro-Doppler-analyysiin. TensorRT-optimoidut INT8-mallit toimivat 5--15 ms per päättelykutsu MobileNetV2-mittakaavaisille luokittelijoille, ja Orinin DLA (Deep Learning Accelerator) -laitteistokiihdytin voi käsitellä yhden päättelyn rinnakkain iGPU:n suorittaessa toisen, mahdollistaen todellisen samanaikaisen luokittelun useille seuratuille kohteille ilman putkiston kuplia. Puolustuksen reunatekoälyn laitteistovertailu osoittaa Jetson Orinin olevan ensisijainen alusta, kun luokitteluläpäisykyky ja mallin monipuolisuus ovat tärkeämpää kuin absoluuttinen pahimman tapauksen latenssi. Tutkasovellusten osalta hybridiarkkitehtuuri, jossa FPGA hoitaa etuosaa (alue-Doppler-kartan generointi, CA-CFAR) ja Jetson Orin takaosaa (hermoverkkoinen CFAR, mikro-Doppler-luokittelu, ECCM-karakterisointi), saa molemmista parhaat puolet: deterministinen signaalinkäsittelyputkiston latenssi edessä, korkean läpäisykyvyn joustava hermoverkkojen päättely takana.

Texas Instrumentsin (TMS320C7x-sarja) ja Analog Devicesin (SHARC+) DSP-alustat pysyvät merkityksellisinä perinteisissä tutkaohjelmissa ja sovelluksissa, joissa deterministinen, yksisydäminen ohjelmointimalli on sertifiointivaatimusten mukainen. C7x-arkkitehtuuri sisältää 512-bittisen SIMD-vektoriyksikön ja matriisikertolaskukiihdyttimen, joka voi suorittaa INT8-konvoluutiota kilpailukykyisellä läpäisykyvyllä verkoille, joissa on enintään 2--3 miljoonaa parametria. Käytännön katto on muistikaistanleveys, joka on saatavilla syöttämään konvoluutiomoottoria: C7x:n on-chip L2-välimuisti voi ylläpitää kaistanleveyttä, jota tarvitaan kerroksiin, joissa on pienet spatiaaliset ulottuvuudet (1x1 ja 3x3 konvoluutiot pienillä piirtekartoilla), mutta jää jälkeen täyden MobileNetin alkukerrosten tuottamista laajemmista piirtekartoista sovellettuna tutkan alue-Doppler-karttaan. Tämä tekee DSP-alustoista parhaiten sopivia luokittelun loppuvaiheisiin, jotka toimivat kompakteilla piirrevektoreilla, jotka on poimittu ylhäältä päin FPGA:lla, eikä täysimittaiseen päästä päähän hermoverkkojen päättelyyn raaalta alue-Doppler-datalta.