Militaire datafusie is het rekenkundige proces van het combineren van inlichtingen uit meerdere, heterogene bronnen tot een coherente, consistente en nauwkeurige weergave van de operationele omgeving. Wanneer het werkt, ziet een commandant één enkel spoor met het label "T-80 tank, betrouwbaarheid 87%, voor het laatst bijgewerkt 14 seconden geleden." Wanneer dat niet het geval is, zien ze drie tegenstrijdige sporen, elk van een andere sensor, elk met een andere positie — en geen manier om te weten welk correct is.
Fusie goed uitvoeren is een van de technisch meest veeleisende problemen in defensiesoftware. De invoer is ruis, vertraagd en vaak tegenstrijdig. De uitvoer moet betrouwbaar genoeg zijn om op te handelen.
Het JDL-model: een raamwerk voor fusieniveaus
Het Data Fusion Information Group (DFIG) model — gewoonlijk het JDL-model genoemd naar zijn oorsprong bij de Joint Directors of Laboratories — definieert fusie als een reeks verwerkingsniveaus, elk voortbouwend op het vorige.
Niveau 0 — Sub-object data-associatie en -schatting. Ruwe sensorsignalen worden verwerkt en schoongemaakt. Pixelniveaubeeldmateriaal wordt voorverwerkt; akoestische data wordt gedigitaliseerd; RF-signalen worden gedemoduleerd. Het resultaat is een stroom waarnemingen, nog niet gecorreleerd met enig object.
Niveau 1 — Objectverfijning. Individuele waarnemingen worden gecombineerd om sporen te produceren. Meerdere radarsignalen van hetzelfde fysieke object worden geassocieerd en samengevoegd tot één kinematisch spoor. Dit niveau verwerkt het kernprobleem van trackfusie: gegeven vijf radar-hits over 30 seconden, schat de positie, snelheid en koers van het object, met een geassocieerde onzekerheidsellips. Algoritmen hier zijn onder andere Kalman-filtering, multiple hypothesis tracking (MHT) en joint probabilistic data association (JPDA).
Niveau 2 — Situatieverfijning. Individuele sporen worden in context geplaatst. Dit niveau beantwoordt "wat betekent deze formatie?" — het herkennen dat de drie tanks die in een wigpatroon bewegen met artillerie erachter een doorbraakpoging vormen, geen patrouille. Niveau 2-fusie vereist het correleren van sporen met doctrine, ordre-van-gevecht-databases en historische patronen.
Niveau 3 — Dreigingsverfijning. De huidige situatie wordt vooruitgeprojecteerd: als deze formatie op zijn huidige koers en snelheid verder gaat, wat bedreigt het dan over 20 minuten? Dit niveau produceert dreigingsbeoordelingen, niet alleen trackdata.
Databronnen en hun softwareuitdagingen
SIGINT-feeds komen binnen als gestructureerde onderscheppingen of ruwe RF-opnamen. Ze bevatten tijdonzekerheid (onderscheptingstijd versus verzendingstijd kunnen verschillen) en positionele ambiguïteit wanneer geolocatiedata ontbreekt. SIGINT-invoer vereist vaak formaatsnormalisatie van uitvoer van propriëtaire collectiesystemen voordat ze de fusiepijplijn kunnen betreden.
IMINT-producten zijn de uitvoer van beeldexploitatie — ofwel geautomatiseerd (computer vision-detecties van UAV-feeds) of handmatig (annotatties van beeldanalisten). De uitdaging is tijdstempelnauwkeurigheid: een beeld verkregen om 09:47 dat een voertuig op coördinaten X toont, is alleen nuttig als de fusie-engine weet dat het om 09:47 werd verkregen, niet verwerkt en ingediend om 11:15.
HUMINT-rapporten zijn gestructureerde inlichtingenrapporten van menselijke bronnen. Ze zijn doorgaans laagfrequent, hoogbetrouwbaar en bevatten aanzienlijke positionele onzekerheid. Ze zijn zelden direct fuseerbaar met kinematische trackdata maar zijn essentieel voor het opbouwen van de ordre-van-gevecht-context die Niveau 2-fusie vereist.
EW-sensorfeeds bieden elektronische emissiedata — radarparameterssets, communicatiefrequenties, golfvormsignaturen. Wanneer gecorreleerd met trackdata, maken ze platformidentificatie mogelijk: het spoor dat rijdt met 60 km/u en overeenkomt met de emissiesignatuur van een BMP-2-radar wordt een hoogbetrouwbare BMP-2-identificatie.
UAV-videofeeds produceren een continue stroom van positionele en visuele data. De softwareuitdaging is het extraheren van gestructureerde sporen uit video — wat realtime computer vision-inferentie vereist — en het correleren van die sporen met bestaande data, rekening houdend met het feit dat hetzelfde voertuig waargenomen door een UAV en gedetecteerd door een radar twee afzonderlijke sporen in de fusie-engine kan genereren.
Normalisatie-uitdagingen: de verborgen complexiteit
Voordat enig fusiealgoritme wordt uitgevoerd, moeten alle inkomende data worden genormaliseerd. Dit is onglamoureus werk dat een onevenredig groot deel van de ontwikkelingstijd verbruikt in echte fusiesystemen.
Coördinatensysteemnormalisatie: sensoren rapporteren posities in WGS84, MGRS, lokaal raster of hoogte-afhankelijke coördinatensystemen. Alle moeten worden getransformeerd naar een canonieke representatie voordat correlatie mogelijk is. Een fout van 10 meter die wordt geïntroduceerd door een coördinatenomzetting is operationeel significant.
Tijdstempelnormalisatie: verschillende sensoren gebruiken GPS-tijd, UTC, lokale tijd of volgnummers. De fusie-engine heeft gezaghebbende tijdstempels in één enkel referentiekader nodig. Een GPS-gesynchroniseerd tijdstempel is de standaard, maar niet alle legacy-sensoren ondersteunen dit.
Classificatie- en voorbehoudverwerking: fusiedata overschrijdt classificatiegrenzen. Een spoor opgebouwd uit SIGINT op één classificatieniveau en radardata op een lager niveau heeft een samengestelde classificatie. De fusie-engine moet classificatie correct propageren en need-to-know afdwingen op het moment van opvraging, niet op het moment van ingestie.
Correlatie en deconflictering
Het kernprobleem in Niveau 1-fusie is beslissen of twee waarnemingen, van twee verschillende sensoren, hetzelfde fysieke object vertegenwoordigen. Dit is het data-associatieprobleem. De standaardbenadering is een gatingfunctie (elimineer kandidaten buiten een maximale afstandsdrempel) gevolgd door een probabilistische scorer (bijv. dichtstbijzijnde-buur of MHT) die een correspondentiekans toekent.
Deconflictering — het oplossen van het geval waarbij twee bestaande sporen eigenlijk hetzelfde object zijn — is moeilijker. Het vereist het detecteren van aanhoudende spoorduplicaten, het samenvoegen van hun geschiedenissen en het verzoenen van attribuutconflicten. Slechte deconflictering leidt tot "spook"-sporen: objecten die op het COP verschijnen maar niet bestaan, of objecten die bestaan maar twee keer verschijnen.
Kernpunt: In de meeste operationele fusiesystemen is de grootste foutbron niet het fusiealgoritme zelf — het zijn tijdstempelonnauwkeurigheid en coördinaatnormalisatiefouten die worden geïntroduceerd op de data-ingestielaag. Los de loodgieterij op voordat de algoritmen worden afgesteld.
Hoe fusie het COP voedt
De fusie-engine produceert de gezaghebbende sporenopslag die het gemeenschappelijk operationeel beeld (COP) rendert. De COP-laag vraagt de sporenopslag op via API, abonneert zich op update-gebeurtenissen via WebSocket en rendert wijzigingen incrementeel. De kwaliteit van het COP is volledig afhankelijk van de kwaliteit van de fusielaag eronder.
Een goed ontworpen fusie-naar-COP-pijplijn publiceert spoorupdategebeurtenissen (nieuw spoor, spoor bijgewerkt, spoor verwijderd) als een stream. Het COP abonneert zich en past delta's toe — geen volledige toestandssnapshots — om een responsief display te behouden zelfs wanneer de sporendatabase tienduizenden objecten bevat. De latentie van sensorwaarneming tot COP-weergave moet meetbaar zijn in eencijferige seconden voor tactische systemen.