Traitement du signal radar par l'IA : classification de cibles et rejection du fouillis en zone avancée

Le radar est le capteur tout-temps principal pour la surveillance aérienne et terrestre depuis la Seconde Guerre mondiale, mais la chaîne classique de traitement du signal — compression d'impulsion, FFT distance-Doppler, détection à taux de fausses alarmes constant et filtrage de pistage — a été conçue pour un monde de cibles coopératives et un fouillis prévisible. Les champs de bataille modernes introduisent des drones à faible observabilité dont l'énergie tombe principalement dans les cellules de fouillis, des formes d'onde de guerre électronique offensive qui saturent le récepteur, et des arrière-plans de terrain hétérogènes qui violent les hypothèses de fouillis homogène sur lesquelles repose le CFAR conventionnel. Des réseaux de neurones entraînés sur de vastes bibliothèques de données radar mesurées et synthétiques peuvent apprendre à caractériser ces environnements directement à partir du flux de signaux I/Q, augmentant le pipeline classique là où il est le plus faible. Cet article détaille où l'IA entre dans la chaîne de traitement du signal radar, quel matériel l'exécute, et comment la reconnaissance et la classification de cibles embarquées changent le calcul opérationnel pour les systèmes radar déployés en zone avancée.

Pourquoi le traitement du signal radar nécessite une augmentation par l'IA

La limitation fondamentale du traitement classique du signal radar est que chaque algorithme suppose un modèle statistique du fouillis et des interférences. Le CA-CFAR suppose que la puissance du fouillis est uniforme dans la fenêtre de référence. Le filtre de Kalman suppose des dynamiques de cible linéaires et un bruit de processus gaussien. La conception des formes d'onde impulsionnelles-Doppler suppose que la cible réside dans un bin Doppler propre non contaminé par des retours de sol. Chaque hypothèse est une approximation raisonnable dans le scénario pour lequel l'algorithme a été conçu, et une source de dégradation des performances partout ailleurs. Lorsqu'un petit drone quadrotor est en survol dans la région de fouillis du lobe principal d'un radar de surveillance terrestre, ou lorsqu'un brouilleur injecte un signal de répéteur cohérent qui imite une vraie cible, la chaîne classique n'a aucun moyen fondé de récupérer — elle n'a pas été conçue pour ces conditions.

L'augmentation par l'IA comble cette lacune en remplaçant ou en complétant les modèles statistiques fixes par des fonctions apprises entraînées sur des données de l'environnement d'exploitation réel. Un CFAR neural entraîné sur des données de terrain hétérogènes apprend une fonction de seuil de détection qui s'adapte aux gradients de fouillis, aux diffuseurs discrets et aux bandes de pluie sans nécessiter de modèle explicite pour chacun. Un classificateur micro-Doppler entraîné sur des signatures de drones apprend la distinction entre un quadrotor, un UAS à voilure fixe et un oiseau à partir des modèles caractéristiques de modulation de fréquence que chacun produit — des modèles qu'aucun seuil fixe ne peut séparer proprement. L'idée clé est que l'IA ne remplace pas la physique du radar ; elle remplace les heuristiques conçues par l'homme qui font correspondre la physique aux décisions, les remplaçant par des mappages appris qui se généralisent mieux à la diversité réelle de l'environnement d'exploitation.

L'argument pratique pour exécuter ces modules neuraux en zone avancée — sur la plateforme radar elle-même plutôt que sur un nœud de traitement distant — repose sur la latence et la disponibilité. Un radar de surveillance terrestre qui doit transmettre chaque carte distance-Doppler à un processeur cloud pour l'inférence neurale introduit 200 à 500 ms de latence aller-retour, inacceptable pour le guidage d'intercepteurs ou l'alerte des forces au sol. Plus important encore, la liaison de données est un point de défaillance unique : la guerre électronique offensive, le masquage de terrain ou la congestion du réseau désactive la capacité IA exactement au moment où elle est le plus nécessaire. L'inférence en zone avancée préserve la capacité IA dans les environnements refusés et dégradés, précisément le scénario qui a motivé l'augmentation par l'IA en premier lieu.

Traitement Doppler et indication de cibles mobiles : références classiques

La carte distance-Doppler est le produit de données fondamental d'un radar Doppler impulsionnel. Un intervalle de traitement cohérent de N impulsions est collecté, compressé en distance, puis transformé le long de la dimension temporelle lente (impulsion) par une FFT à N points pour produire une carte bidimensionnelle de la section efficace radar en fonction de la distance et de la vitesse radiale. La résolution en distance est déterminée par la largeur de bande du signal (typiquement 1 à 100 MHz pour les radars de surveillance terrestre, donnant une résolution de 1,5 à 150 m), et la résolution Doppler est déterminée par la durée de l'intervalle de traitement cohérent (typiquement 0,05 à 2 secondes, donnant une résolution en vitesse de 0,5 à 10 m/s en bande X). Cette carte est l'entrée de tout le traitement de détection et de classification ultérieur, et sa qualité — niveau de lobes secondaires, plage dynamique, sensibilité — fixe un plafond absolu pour ce que tout algorithme en aval peut récupérer.

L'indication de cibles mobiles (MTI) et le filtrage Doppler impulsionnel sont les outils classiques pour séparer les cibles mobiles du fouillis stationnaire. La MTI utilise des annuleurs à ligne de retard ou des filtres à réponse impulsionnelle finie pour annuler la région de fouillis à zéro Doppler dans le spectre Doppler, obtenant typiquement 30 à 50 dB d'annulation du fouillis dans des conditions favorables. La limitation est la largeur de l'encoche de fouillis : un radar sur une plateforme mobile (aéroportée, montée sur véhicule ou embarquée) doit appliquer un traitement adaptatif espace-temps (STAP) pour gérer le fait que le mouvement de la plateforme étale le spectre Doppler du fouillis sur une plage de bins Doppler qui dépend de l'angle d'aspect. Le STAP résout un problème d'optimisation espace-temps conjoint sur les canaux spatiaux du réseau et la dimension temporelle lente, nécessitant une estimation de la matrice de covariance du fouillis à partir de données d'entraînement — une estimation qui se dégrade lorsque le fouillis est non stationnaire ou lorsque les données d'entraînement contiennent une contamination de cible.

L'augmentation neurale de l'étage de traitement Doppler prend généralement l'une de deux formes. Dans la première, un réseau de neurones remplace le calcul des pondérations STAP, apprenant à prédire des pondérations spatio-temporelles optimales à partir d'une représentation compacte de l'environnement de fouillis local plutôt qu'à partir d'une inversion explicite de la matrice de covariance. Cette approche est particulièrement précieuse dans les régimes à faible nombre d'échantillons où l'estimation de la covariance est mal conditionnée — un problème persistant pour les radars à grands réseaux et des environnements de fouillis rapidement changeants. Dans la seconde forme, le réseau de neurones opère en aval du STAP classique comme post-filtre, examinant la carte distance-Doppler après annulation du fouillis et supprimant les retours de fouillis résiduels que le filtre linéaire n'a pas réussi à annuler, réduisant la densité de fausses alarmes transmise à l'étage CFAR de 30 à 50 % en terrain hétérogène.

Détection CFAR et ses limites : où les détecteurs neuraux apportent une amélioration

La détection à taux de fausses alarmes constant est la méthode standard pour fixer un seuil de détection distance-Doppler qui maintient une probabilité de fausse alarme spécifiée indépendamment de la puissance locale du fouillis. Le CFAR classique à moyenne cellulaire (CA-CFAR) estime la puissance du fouillis à partir d'une fenêtre de cellules de référence entourant la cellule sous test (CUT), en excluant une petite zone de garde autour de la CUT pour empêcher l'énergie de cible de biaiser l'estimation du fouillis. Le seuil est fixé comme un multiple de la puissance de fouillis estimée, ce multiple étant choisi pour atteindre la probabilité de fausse alarme souhaitée sous l'hypothèse d'un fouillis distribué selon Rayleigh. C'est une approche solide lorsque le fouillis est spatialement homogène — mais le champ de bataille n'est pas un milieu homogène.

Trois modes de défaillance du CA-CFAR sont bien documentés. Aux bords de fouillis — bins de distance où le radar passe d'un sol à faible réflectivité à une caractéristique à réflectivité plus élevée telle qu'une lisière d'arbres, un bâtiment ou une berge — la fenêtre de référence chevauchant le bord produit une estimation du fouillis biaisée vers le haut du côté à faible fouillis, provoquant un masquage des vraies cibles, et biaisée vers le bas du côté à fort fouillis, provoquant une rafale de fausses alarmes. En présence de forts diffuseurs discrets (clôtures métalliques, véhicules, structures élevées), un seul retour à haute puissance dans la fenêtre de référence gonfle l'estimation du fouillis et masque les cibles plus faibles à proximité. Et en pluie ou en présence de chaff, le fouillis volumique remplit simultanément de nombreux bins distance-Doppler, produisant un environnement d'interférence non stationnaire, spatialement corrélé, dans lequel les hypothèses i.i.d. du CA-CFAR sont gravement violées.

Les variantes neurales du CFAR répondent à ces modes de défaillance en apprenant la distribution locale du fouillis à partir d'un contexte spatial et Doppler plus large qu'une fenêtre de référence de taille fixe ne peut capturer. Un CNN appliqué à un patch de la carte distance-Doppler centré sur la CUT apprend à reconnaître les modèles de bord de fouillis, les constellations de diffuseurs discrets et les textures de fouillis volumique, et produit un seuil localement adapté qui tient compte de l'hétérogénéité observée. Lors d'évaluations terrain contre des cibles terrestres en terrain mixte, le CFAR neural réduit la densité de fausses alarmes de 40 à 60 % par rapport au CA-CFAR à probabilité de détection équivalente, ce qui se traduit directement par une réduction de la charge de travail de l'opérateur et une latence d'initiation de piste plus faible. Les mêmes modèles architecturaux utilisés dans les systèmes ATR en zone avancée — CNN compacts avec quantification INT8 — s'appliquent directement au déploiement du CFAR neural sur matériel radar.

Classificateurs neuraux de cibles sur signatures micro-Doppler radar

Une fois qu'une cible passe la détection CFAR, le radar dispose d'une cellule distance-Doppler contenant un retour d'un objet en mouvement. Savoir que quelque chose est là est précieux ; savoir ce que c'est — drone, véhicule, personne, oiseau — est décisif sur le plan opérationnel. L'analyse micro-Doppler extrait ces informations de classification des modulations superposées au décalage Doppler principal de la cible par des sous-structures en rotation ou en vibration. Les quatre rotors en rotation d'un drone quadrotor produisent des raies latérales Doppler périodiques à des multiples de la fréquence de passage des pales de rotor. Les bras et jambes en mouvement d'un piéton produisent un modèle de modulation sinusoïdale caractéristique. Le moteur d'un véhicule à roues produit des vibrations harmoniques modulées par la vitesse du véhicule. Chacune de ces signatures apparaît comme une structure distincte dans la transformée de Fourier à court terme (STFT) du retour radar complexe sur une durée d'illumination de 0,1 à 2 secondes.

Le pipeline standard pour la classification micro-Doppler collecte une illumination sur la cible détectée, calcule la STFT de la série temporelle complexe par case de distance pour produire une carte temps-fréquence, et passe la carte dans un CNN entraîné à distinguer les classes de cibles. Pour un problème à quatre classes (piéton, véhicule à roues, drone, oiseau), des CNN à l'échelle de MobileNetV2 entraînés sur de grands ensembles de données de signatures micro-Doppler mesurées atteignent une précision de classification de 90 à 97 % dans des conditions d'exploitation représentatives. La carte de caractéristiques d'entrée est typiquement normalisée à une moyenne nulle et une variance unitaire par pixel pour supprimer la dépendance à la puissance absolue du signal, rendant le classificateur robuste aux variations de portée et aux fluctuations de la section efficace radar dépendant de l'aspect. Le temps d'inférence sur un Jetson Orin Nano est de 8 à 15 ms par illumination, bien dans le cycle de mise à jour de piste du radar.

Le problème de classification le plus difficile est la discrimination drone-oiseau qui est désormais critique sur le plan opérationnel pour les systèmes radar de contre-UAS. Les petits drones commerciaux et les grands oiseaux occupent des plages de section efficace radar qui se chevauchent (0,001 à 0,1 m2 en bande X) et ont des enveloppes de vitesse de vol similaires. Le discriminant se trouve dans le micro-Doppler : les oiseaux produisent un modèle de battement asymétrique avec une descente lente et une remontée rapide, tandis que les quadrotors produisent des raies latérales périodiques symétriques à la vitesse de rotation des rotors. Les classificateurs CNN entraînés atteignent une précision de discrimination de 92 à 95 % par temps clair ; la précision se dégrade sous la pluie (les surfaces d'ailes recouvertes d'eau modifient la signature micro-Doppler de l'oiseau) et à longue portée (le rapport signal sur bruit descend en dessous du niveau nécessaire pour résoudre la structure de modulation). La combinaison de la classification micro-Doppler avec la fusion multi-capteurs de canaux EO et acoustiques améliore substantiellement la précision globale de discrimination dans ces conditions limites.

Rejection du fouillis : séparation des retours de météo, de terrain et de chaff

Le fouillis en radar désigne tout retour qui n'est pas la cible d'intérêt. Les trois sources de fouillis dominantes dans les radars de surveillance terrestre et aérienne sont le terrain (fouillis de sol provenant de la surface illuminée), la météo (pluie, neige, grêle produisant des retours volumiques distribués) et le chaff (nuages de dipôles métalliques déployés par des aéronefs comme contre-mesure). Chacune nécessite une approche de rejection différente car chacune a une structure spectrale et spatiale distincte, et un filtre de rejection de fouillis réglé pour un type peut en fait aggraver les performances contre un autre.

Le fouillis de sol est spectralement concentré près du zéro Doppler pour un radar stationnaire. L'approche de rejection classique — un filtre à encoche Doppler — fonctionne bien pour les cibles à mouvement lent à des vitesses supérieures à la vitesse minimale détectable (VMD), mais échoue pour les cibles se déplaçant à faible vitesse ou en survol dans la bande Doppler du fouillis. La rejection neurale du fouillis de sol utilise un réseau de neurones qui apprend la texture spatiale du fouillis de sol dans la carte distance-Doppler — les structures de crête caractéristiques des caractéristiques de terrain étendues, les pics discrets des bâtiments et des arbres — et les supprime tout en préservant l'énergie des cibles dans des bins Doppler qui se chevauchent. Ceci est particulièrement important pour détecter les véhicules lents et les combattants à pied que le filtrage MTI conventionnel annulerait avec le fouillis.

Le fouillis météorologique et le chaff présentent des défis différents. La pluie produit un retour distribué spatialement lisse dont le spectre Doppler est centré sur la vitesse du vent plutôt que sur zéro, rendant le filtrage à encoche Doppler inefficace sans connaissance du champ de vent. Les nuages de chaff dérivent avec le vent et se déploient pour couvrir un grand volume distance-Doppler en quelques dizaines de secondes. Les classificateurs neuraux entraînés sur l'évolution spatiale et temporelle des nuages de chaff peuvent suivre la limite du nuage et supprimer les retours à l'intérieur tout en maintenant la détection dans l'espace aérien adjacent dégagé. Le classificateur exploite des caractéristiques que les filtres adaptatifs conçus par l'homme ne peuvent pas facilement encoder : la forme ellipsoïdale caractéristique d'un nuage de chaff en déploiement, la dérive Doppler progressive à mesure que le nuage s'équilibre avec le vent, et le profil de densité de puissance qui diffère des retours d'aéronefs et de la météo. Pour chacun de ces types de fouillis, l'approche neurale atteint des ratios d'amélioration de la rejection comparables ou supérieurs aux meilleurs filtres adaptatifs classiques, tout en se généralisant sur une plus large gamme de conditions environnementales.

Intégration ECCM : détection et caractérisation du brouillage en zone avancée

Les contre-contre-mesures électroniques (ECCM) sont les techniques qu'un radar utilise pour maintenir ses performances de détection sous attaque électronique délibérée. L'ECCM classique s'appuie sur un ensemble de techniques — agilité de fréquence, gain de compression d'impulsion, conception d'antenne à faibles lobes secondaires, blanking des lobes secondaires et excision cohérente des interférences à bande étroite — chacune conçue pour contrer un type de brouilleur spécifique. La limitation de cette approche est qu'elle exige que le radar sache quel type de brouilleur il affronte avant de sélectionner la contre-mesure appropriée. Face à un adversaire sophistiqué utilisant un brouilleur adaptatif qui modifie sa forme d'onde en réponse au comportement du radar, une stratégie ECCM fixe est insuffisante.

L'IA en zone avancée modifie l'architecture ECCM en permettant une caractérisation en boucle fermée du brouilleur au sein de la propre chaîne de traitement du radar. Un classificateur neural surveillant la sortie du récepteur du radar — spécifiquement le plancher de bruit, la région des lobes secondaires et le résidu de fouillis annulé — apprend à reconnaître les signatures de différentes formes d'onde de brouillage : brouillage par bruit à large bande (plancher de bruit élevé sur tous les bins de distance), brouillage ponctuel balayé (crête d'interférence à bande étroite qui balaie la dimension Doppler), brouillage par répéteur cohérent (fausses cibles qui apparaissent à des distances et Doppler physiquement cohérents mais échouent aux vérifications croisées de vitesse), et leurre à arrachement de porte de distance (cibles qui dérivent progressivement en distance à partir de leur position initiale). Chaque signature correspond à une étiquette de classe neurale et déclenche une réponse ECCM correspondante dans le contrôleur de mode du radar.

L'avantage opérationnel de l'identification ECCM pilotée par l'IA par rapport à un processus manuel avec opérateur dans la boucle est le temps de réaction. Un officier de guerre électronique qualifié analysant un écran peut identifier un type de brouilleur en 5 à 30 secondes. Un classificateur neural exécuté sur le processeur de signal du radar identifie le type de brouillage en moins de 100 ms depuis le début de l'attaque, sélectionne le mode ECCM optimal et rapporte la direction d'arrivée estimée du brouilleur au réseau C2 pour le guidage d'autres capteurs. Pour les radars d'acquisition à courte illumination utilisés en défense aérienne, un délai d'identification de 30 secondes peut faire la différence entre une interception réussie et une fenêtre d'engagement manquée. Le module ECCM neural fournit également un enregistrement de caractérisation persistant — chaque événement de brouillage est consigné avec ses paramètres de forme d'onde et la confiance du classificateur — qui alimente la base de données de l'ordre de bataille électronique maintenue par la pile matérielle IA en zone avancée soutenant le réseau de capteurs.

Déploiement matériel : plateformes DSP, FPGA et inférence GPU pour le radar IA

Le choix du matériel pour le traitement du signal radar augmenté par l'IA est plus contraint que pour d'autres domaines d'IA en zone avancée, car le processeur de signal radar doit également effectuer la FFT en temps réel, la compression d'impulsion et le traitement CFAR qui ne peuvent être différés vers un GPU à usage général. Les trois grandes catégories matérielles font chacune des compromis différents entre déterminisme, puissance et débit d'inférence neurale.

Les FPGA occupent l'extrémité déterministe à faible latence du spectre. Un MPSoC Xilinx Zynq UltraScale+ intègre le pipeline distance-Doppler complet dans une logique programmable aux côtés d'une inférence de réseau neural INT8 implémentée sur le réseau de tranches DSP du tissu, offrant une latence de bout en bout de l'échantillon ADC à l'événement de détection inférieure à 1 ms pour une carte de 256 bins de distance et 64 bins Doppler. La complexité de programmation est substantielle — implémenter même un CNN compact sur un FPGA nécessite des outils de synthèse de haut niveau tels que Vitis AI — mais le résultat est une chaîne de traitement sans jitter de système d'exploitation, avec une latence pire cas déterministe et une consommation d'énergie de 5 à 25 W appropriée pour les radars terrestres montés sur véhicule ou fixes. La génération Agilex 7 étend cette capacité avec des blocs tenseurs IA embarqués qui accélèrent davantage la convolution INT8 sans consommer de ressources de tranches DSP à usage général.

Les SoC de classe GPU tels que le NVIDIA Jetson Orin AGX (275 TOPS à 60 W) et l'Orin NX à moindre consommation (100 TOPS à 25 W) offrent le débit d'inférence neurale le plus élevé pour les classificateurs complexes et l'analyse micro-Doppler multi-illumination. Les modèles INT8 optimisés TensorRT s'exécutent à 5 à 15 ms par appel d'inférence pour les classificateurs à l'échelle MobileNetV2, et le moteur matériel DLA (Deep Learning Accelerator) de l'Orin peut traiter une inférence en parallèle avec l'iGPU exécutant une autre, permettant une classification simultanée réelle de plusieurs cibles pistées sans bulles de pipeline. La comparaison du matériel pour l'IA de défense en zone avancée montre le Jetson Orin comme la plateforme préférée lorsque le débit de classification et la diversité des modèles importent plus que la latence absolue pire cas. Pour les applications radar, une architecture hybride associant un front-end FPGA (génération de carte distance-Doppler, CA-CFAR) à un back-end Jetson Orin (CFAR neural, classification micro-Doppler, caractérisation ECCM) capture les points forts des deux : latence déterministe du pipeline de traitement du signal à l'avant, inférence neurale flexible à haut débit à l'arrière.

Les plateformes DSP de Texas Instruments (série TMS320C7x) et d'Analog Devices (SHARC+) restent pertinentes pour les programmes radar hérités et pour les applications où le modèle de programmation déterministe à cœur unique est imposé par les exigences de certification. L'architecture C7x inclut une unité vectorielle SIMD de 512 bits et un accélérateur de multiplication matricielle qui peut exécuter la convolution INT8 à un débit compétitif pour des réseaux allant jusqu'à 2 à 3 millions de paramètres. Le plafond pratique est la largeur de bande mémoire disponible pour alimenter le moteur de convolution : le cache L2 sur puce du C7x peut soutenir la largeur de bande nécessaire pour les couches à petites dimensions spatiales (convolutions 1x1 et 3x3 sur de petites cartes de caractéristiques) mais est insuffisant pour les cartes de caractéristiques plus larges produites par les couches initiales d'un MobileNet complet appliqué à une carte distance-Doppler radar. Cela rend les plateformes DSP les mieux adaptées aux couches de classification finales opérant sur des vecteurs de caractéristiques compacts extraits en amont par le FPGA, plutôt qu'à l'inférence neurale de bout en bout à partir de données brutes distance-Doppler.