Radarsignaalverwerking met AI: doelclassificatie en clutteronderdrukking aan de rand

Radar is sinds de Tweede Wereldoorlog de primaire alweersensor voor lucht- en grondtoezicht, maar de klassieke signaalverwerkingsketen -- pulscompressie, bereik-Doppler-FFT, constant vals-alarmpercentage detectie en trackfiltering -- was ontworpen voor een wereld van coöperatieve doelen en voorspelbare clutter. Moderne slagvelden introduceren laag-observeerbare drones die het grootste deel van hun energie in clutter-bins doorbrengen, elektronische aanvalsgolfvormen die de ontvanger verzadigen, en heterogene terreinachtergronden die de homogene clutteraannames ondermijnen waarop conventionele CFAR is gebaseerd. Neurale netwerken getraind op grote bibliotheken van gemeten en synthetische radargegevens kunnen leren deze omgevingen rechtstreeks vanuit de I/Q-signaalstroom te karakteriseren, ter aanvulling van de klassieke pijplijn waar deze het zwakst is. Dit artikel beschrijft waar AI de radarsignaalverwerkingsketen betreedt, op welke hardware dit draait en hoe on-device doelherkenning en -classificatie de operationele berekening voor aan-de-rand ingezetene radarsystemen veranderen.

Waarom radarsignaalverwerking AI-aanvulling nodig heeft

De fundamentele beperking van klassieke radarsignaalverwerking is dat elk algoritme een statistisch model voor clutter en interferentie aanneemt. CA-CFAR veronderstelt dat cluttervermogen uniform is over het referentievenster. Het Kalman-filter veronderstelt lineaire doeldynamica en Gaussiaans procesr uis. Het ontwerp van puls-Doppler-golfvormen veronderstelt dat het doel zich in een schone Doppler-bin bevindt, onbesmet door grondretouren. Elke aanname is een redelijke benadering in het scenario waarvoor het algoritme is ontworpen, en een bron van prestatieverlies overal elders. Wanneer een kleine quadrotor-drone zweeft in het clutter-gebied van de hoofdlob van een grondtoezichtsradar, of wanneer een stoorzender een coherent herhalingssignaal injecteert dat een echt doel nabootst, heeft de klassieke keten geen principiële manier om te herstellen -- die was niet ontworpen voor die omstandigheden.

AI-aanvulling pakt dit gat aan door de vaste statistische modellen te vervangen of aan te vullen met geleerde functies die zijn getraind op gegevens uit de daadwerkelijke operationele omgeving. Een neuraal CFAR getraind op heterogene terreingegevens leert een detectiedrempelfunctie die zich aanpast aan cluttergradienten, discrete clutter-verstrooiers en regenbanden zonder een expliciet model van elk ervan te vereisen. Een micro-Doppler-classificator getraind op drone-signaturen leert het onderscheid tussen een quadrotor, een vaste-vleugel UAS en een vogel uit de karakteristieke frequentiemodulatiepatt ernen die elk produceert -- patronen die geen vaste drempel schoon kan scheiden. Het sleutelbeginsel is dat AI de fysica van de radar niet vervangt; het vervangt de door mensen ontworpen heuristieken die fysica naar beslissingen vertalen, en vervangt ze door geleerde afbeeldingen die beter generaliseren over de werkelijke diversiteit van de operationele omgeving.

De praktische reden om deze neurale modules aan de rand te draaien -- op het radarplatform zelf in plaats van op een extern verwerkingsknooppunt -- berust op latentie en beschikbaarheid. Een grondtoezichtsradar die elke bereik-Doppler-kaart via een datakoppeling naar een cloudprocessor moet sturen voor neurale inferentie introduceert 200-500 ms retourlatentie die onaanvaardbaar is voor het richten van onderscheppingen of het alarmeren van grondtroepen. Nog kritischer is de datakoppeling een enkel foutpunt: elektronische aanval, terreinmaskering of netwerkcongestie schakelt de AI-capaciteit precies uit wanneer die het meest nodig is. Inferentie aan de rand behoudt de AI-capaciteit in geweigerde en gedegradeerde omgevingen, wat precies het scenario is dat de AI-aanvulling in de eerste plaats motiveerde.

Doppler-verwerking en bewegend doelherkenning: klassieke basislijnen

De bereik-Doppler-kaart is het fundamentele gegevensproduct van een gepulste Doppler-radar. Een coherent verwerkingsinterval van N pulsen wordt verzameld, pulsgecomprimeerd in bereik, en vervolgens getransformeerd langs de langzame-tijd (puls)-dimensie door een N-punts FFT om een tweedimensionale kaart te produceren van radardoorsnede als functie van bereik en radiale snelheid. De bereikresolutie wordt bepaald door de signaalbandwijdte (doorgaans 1-100 MHz voor grondtoezichtsradars, waardoor 1,5-150 m resolutie wordt bereikt), en de Dopplerresolutie wordt bepaald door de duur van het coherente verwerkingsinterval (doorgaans 0,05-2 seconden, waardoor 0,5-10 m/s snelheidsresolutie bij X-band wordt bereikt). Deze kaart is de invoer voor alle volgende detectie- en classificatieverwerking, en de kwaliteit ervan -- zijlobniveau, dynamisch bereik, gevoeligheid -- stelt een hard plafond voor wat elk stroomafwaarts algoritme kan herstellen.

Bewegend doelherkenning (MTI) en puls-Doppler-filtering zijn de klassieke gereedschappen voor het scheiden van bewegende doelen van stationaire clutter. MTI gebruikt vertragingslijnannuleerders of eindige impulsresponsfilters om het nul-Doppler-cluttergebied in het Dopplerspectrum te nullen, waarbij doorgaans 30-50 dB clutterannulering wordt bereikt in gunstige omstandigheden. De beperking is de breedte van de cluttersnede: een radar op een bewegend platform (luchtwaarts, voertuiggemonteerd of scheepsgebonden) moet ruimte-tijd adaptieve verwerking (STAP) toepassen om te hanteren dat platformbeweging het Dopplerspectrum van clutter uitsmeert over een bereik van Doppler-bins dat afhankelijk is van aspecthoek. STAP lost een gezamenlijk ruimte-tijd optimaliseringsprobleem op over de ruimtelijke kanalen van de antenne-array en de langzame-tijddimensie, waarbij een schatting van de cluttercovariantiematrix vereist is uit trainingsgegevens -- een schatting die verslechtert wanneer de clutter niet-stationair is of wanneer de trainingsgegevens doelcontaminatie bevatten.

Neurale aanvulling van de Doppler-verwerkingsfase neemt doorgaans een van twee vormen aan. In de eerste vervangt een neuraal netwerk de STAP-gewichtsberekening, en leert het optimale ruimtelijk-temporele gewichten te voorspellen vanuit een compacte representatie van de lokale clutteromgeving in plaats van vanuit een expliciete covariantiematrixinversie. Deze aanpak is bijzonder waardevol in regimes met weinig steekproevenondersteuning waarbij de covariantieschatting slecht geconditioneerd is -- een aanhoudend probleem voor radars met grote arrays en snel veranderende clutteromgevingen. In de tweede vorm werkt het neurale netwerk stroomafwaarts van klassieke STAP als een nafilter, dat de clutter-geannuleerde bereik-Doppler-kaart onderzoekt en resterende clutterretouren onderdrukt die het lineaire filter niet kon annuleren, waardoor de vals-alarmdichtheid die naar de CFAR-fase wordt gevoerd met 30-50% wordt verminderd in heterogeen terrein.

CFAR-detectie en haar beperkingen: waar neurale detectoren helpen

Constant False Alarm Rate-detectie is de standaardmethode voor het instellen van een bereik-Doppler-detectiedrempel die een gespecificeerde kans op vals alarm handhaaft ongeacht het lokale cluttervermogen. De klassieke cel-gemiddelde CFAR (CA-CFAR) schat cluttervermogen vanuit een venster van referentiecellen rondom de cel onder test (CUT), waarbij een kleine bewaalregio rondom de CUT wordt uitgesloten om te voorkomen dat doelenerie de clutterscgatting beinvloedt. De drempel wordt ingesteld als een meervoud van het geschatte cluttervermogen, waarbij het meervoud wordt gekozen om de gewenste kans op vals alarm te bereiken onder de aanname van Rayleigh-verdeelde clutter. Dit is een gedegen aanpak wanneer clutter ruimtelijk homogeen is -- maar het slagveld is geen homogeen medium.

Drie faalwijzen van CA-CFAR zijn goed gedocumenteerd. Bij cluttergrenzen -- bereikbins waar de radar overgaat van laag-reflectiviteitsgrond naar een hoger-reflectiviteitsonderdeel zoals een boomgrens, gebouw of rivieroever -- overlapt het referentievenster de rand, en is de clutterscgatting bevooroordeeld hoog aan de lage-clufterkant, wat maskering van echte doelen veroorzaakt, en bevooroordeeld laag aan de hoge-clufterkant, wat een uitbarsting van valse alarmen veroorzaakt. In aanwezigheid van sterke discrete verstrooiers (metalen hekken, voertuigen, hoge constructies), verhoogt een enkel hoogvermogensretour in het referentievenster de clutterscgatting en maskeert nabijgelegen zwakkere doelen. En in regen of kaf vult volumeclutter tegelijkertijd veel bereik-Doppler-bins, wat een niet-stationaire, ruimtelijk gecorreleerde interferentieomgeving produceert waarin de i.i.d.-aannames van CA-CFAR ernstig worden geschonden.

Neurale CFAR-varianten pakken deze faalwijzen aan door de lokale clutterverdeling te leren vanuit een bredere ruimtelijke en Doppler-context dan een referentievenster van vaste grootte kan vastleggen. Een CNN toegepast op een patch van de bereik-Doppler-kaart gecentreerd op de CUT leert cluttergrenspatt ernen, discrete verstrooiersconstellaties en volumecluttertexturen te herkennen, en geeft een lokaal aangepaste drempel als uitvoer die rekening houdt met de waargenomen heterogeniteit. In veldevaluaties tegen gronddoelen in gemengd terrein vermindert neuraal CFAR de vals-alarmdichtheid met 40-60% ten opzichte van CA-CFAR bij gelijke detectiekans, wat zich direct vertaalt in verminderde operatorwerkbelasting en lagere trackinitiatievertraging. De dezelfde architecturale patronen die worden gebruikt in ATR-randsystemen -- compacte CNN's met INT8-kwantisatie -- zijn direct van toepassing op neurale CFAR-implementatie op radarhardware.

Neurale doelclassificatoren op radar micro-Doppler-signaturen

Zodra een doel CFAR-detectie passeert, heeft de radar een bereik-Doppler-cel die een retour bevat van iets dat beweegt. Weten dat er iets is, is waardevol; weten wat het is -- drone, voertuig, persoon, vogel -- is operationeel beslissend. Micro-Doppler-analyse extraheert deze classificatie-informatie uit de modulaties die worden opgelegd aan de hoofd-Dopplerverschuiving van het doel door roterende of vibrerende substructuren. De vier draaiende rotoren van een quadrotor-drone produceren periodieke Doppler-zijbanden op meervouden van de rotorblad-passeerfrequentie. De armen en benen van een lopend persoon produceren een karakteristiek sinusvormig modulatiepatroon. De motor van een wielvoertuig produceert harmonische trillingen gemoduleerd door de voertuigsnelheid. Elk van deze signaturen verschijnt als een kenmerkende structuur in de korttijd-Fouriertransformatie (STFT) van het complexe radarretour over een verblijftijd van 0,1-2 seconden.

De standaardpijplijn voor micro-Doppler-classificatie verzamelt een verblijftijd op het gedetecteerde doel, berekent de STFT van de complexe bereikbin-tijdreeks om een tijd-frequentiekaart te produceren, en voert de kaart door een CNN getraind om doelklassen te onderscheiden. Voor een vier-klassenprobleem (voetganger, wielvoertuig, drone, vogel) bereiken MobileNetV2-schaal CNN's getraind op grote datasets van gemeten micro-Doppler-signaturen 90-97% classificatienauwkeurigheid over representatieve operationele omstandigheden. De invoer-kenmerkenkaart wordt doorgaans genormaliseerd naar nulgemiddelde en eenheidsvariantie per pixel om de afhankelijkheid van absoluut signaalvermogen te verwijderen, waardoor de classificator robuust wordt voor bereikvariantie en aspectafhankelijke RCS-schommelingen. Inferentietijd op een Jetson Orin Nano is 8-15 ms per verblijftijd, ruim binnen de trackupdatecyclus van de radar.

Het moeilijkste classificatieprobleem is de drone-versus-vogel-discriminatie die nu operationeel cruciaal is voor counter-UAS-radarsystemen. Kleine commerciele drones en grote vogels bezetten overlappende RCS-bereiken (0,001-0,1 m2 bij X-band) en hebben vergelijkbare vliegsnelheidsomhullenden. Het onderscheidende kenmerk zit in de micro-Doppler: vogels produceren een asymmetrisch fladderpatroon met een langzame neerwaartse slag en een snelle opwaartse slag, terwijl quadrotors symmetrische periodieke zijbanden produceren bij de rotor-RPM. Getrainde CNN-classificatoren bereiken 92-95% discriminatienauwkeurigheid in heldere lucht; nauwkeurigheid neemt af in regen (watergecoate vleugeloppervlakken veranderen de vogel micro-Doppler-signatuur) en op grote afstand (SNR daalt onder het niveau dat nodig is om de modulatiestructuur te onderscheiden). Het combineren van micro-Doppler-classificatie met multimodale sensorfusie van EO- en akoestische kanalen verbetert de algehele discriminatienauwkeurigheid aanzienlijk in deze marginale omstandigheden.

Clutteronderdrukking: retouren van weer, terrein en kaf scheiden

Clutter in radar is elke retour die niet het doelwit van interesse is. De drie dominante clutterbronnen in grond- en luchttoezichtradar zijn terrein (grondclutter van het verlichte oppervlak), weer (regen, sneeuw, hagel die gedistribueerde volumeretouren produceren) en kaf (metallische dipoolwolken uitgeworpen door vliegtuigen als tegenmaatregel). Elk vereist een andere onderdrukkingsaanpak omdat elk een afzonderlijke spectrale en ruimtelijke structuur heeft, en een clutteronderdrukkingsfilter afgestemd op een type kan de prestaties tegen een ander type daadwerkelijk verslechteren.

Grondclutter is spectraal geconcentreerd nabij nul-Doppler voor een stationaire radar. De klassieke onderdrukkingsaanpak -- een Doppler-snijfilter -- werkt goed voor langzaam bewegende doelen bij snelheden boven de minimaal detecteerbare snelheid (MDV), maar faalt voor doelen die bij lage snelheid bewegen of zweven in het clutter-Dopplerband. AI-aangevulde grondclutteronderdrukking gebruikt een neuraal netwerk dat de ruimtelijke textuur van grondclutter in de bereik-Doppler-kaart leert -- de karakteristieke richtelstructuren van uitgestrekte terreinkenmerken, de discrete pieken van gebouwen en bomen -- en onderdrukt ze terwijl doelenerie in overlappende Doppler-bins wordt bewaard. Dit is bijzonder belangrijk voor het detecteren van langzaam bewegende voertuigen en voetgangers die conventionele MTI-filtering samen met de clutter zou annuleren.

Weersclutter en kaf presenteren verschillende uitdagingen. Regen produceert een gedistribueerd, ruimtelijk glad retour waarvan het Dopplerspectrum gecentreerd is op de windsnelheid in plaats van nul, waardoor Doppler-snijden ineffectief is zonder kennis van het windveld. Kafwolken drijven mee met de wind en bloeien om een groot bereik-Doppler-volume te bedekken over tientallen seconden. Neurale classificatoren getraind op de ruimtelijke en temporele evolutie van kafwolken kunnen de wolkgrens volgen en retouren erin onderdrukken terwijl detectie in aangrenzend vrij luchtruim wordt gehandhaafd. De classificator benut kenmerken die door mensen ontworpen filters niet gemakkelijk kunnen coderen: de karakteristieke ellipsoïdale vorm van een bloeiende kafwolk, de geleidelijke Dopplerdrift terwijl de wolk in evenwicht komt met de wind, en het vermogensdichtheidsprofiel dat verschilt van zowel vliegtuigretouren als weersverstoringen. Voor elk van deze cluttertypen bereikt de neurale aanpak onderdrukkingsverbeteringsratio's die vergelijkbaar zijn met of de beste klassieke adaptieve filters overtreffen, terwijl ze generaliseren over een breder scala aan omgevingsomstandigheden.

ECCM-integratie: storing detecteren en karakteriseren aan de rand

Electronic Counter-Countermeasures (ECCM) zijn de technieken die een radar gebruikt om detectieprestaties te handhaven onder doelbewuste elektronische aanval. Klassieke ECCM put uit een toolkit van technieken -- frequentiebeweeglijkheid, pulscompressiewinst, laag-zijlob antenneontwerp, zijlobvergrendeling en coherente excisie van smalbandige interferentie -- elk ontworpen om een specifiek stoorzendertype te bestrijden. De beperking van deze aanpak is dat de radar moet weten met welk stoorzendertype hij te maken heeft voordat hij de passende tegenmaatregel selecteert. Tegen een geavanceerde tegenstander die een adaptieve stoorzender gebruikt die zijn golfvorm aanpast in reactie op het gedrag van de radar, is een vaste ECCM-strategie onvoldoende.

Edge AI verandert de ECCM-architectuur door gesloten-lus stoorzenderkarakterisering mogelijk te maken binnen de eigen verwerkingsketen van de radar. Een neurale classificator die de uitvoer van de ontvanger van de radar bewaakt -- specifiek de ruisbodem, het zijlobgebied en het geannuleerde-clutter-residu -- leert de signaturen van verschillende storingsgolfvormen te herkennen: breedband-ruisstoring (verhoogde ruisbodem over alle bereikbins), sweepspotjamming (een smalbandige interferentierug die door de Doppler-dimensie sweept), coherente herhalingsstoring (valse doelen die verschijnen op fysiek consistente bereik- en Dopplerposities maar snelheidscrossen niet doorstaan), en misleidende bereikpoortinhaak (doelen die geleidelijk in bereik wegdrijven van hun beginpositie). Elke signatuur wordt afgebildet op een neurale klasse-label en activeert een overeenkomstige ECCM-respons binnen de moduscontroller van de radar.

Het operationele voordeel van AI-gestuurde ECCM-identificatie ten opzichte van een handmatig menselijk-in-de-lus-proces is reactietijd. Een bekwame elektronische oorlogsvoeringsoffici er die een scope analyseert, kan een stoorzendertype in 5-30 seconden identificeren. Een neurale classificator die draait op de signaalprocessor van de radar identificeert het storingstype in minder dan 100 ms vanaf het begin van de aanval, selecteert de optimale ECCM-modus en rapporteert de geschatte aankomstrichting van de stoorzender aan het C2-netwerk voor het richten van andere sensoren. Voor kortverblijftijdacquisitieradars die worden gebruikt in luchtverdediging kan een vertraging van 30 seconden bij identificatie het verschil betekenen tussen een succesvolle onderschepping en een gemiste betrokkenheidsgelegenheid. De neurale ECCM-module levert ook een persistent karakterisatierapport -- elke storinggebeurtenis wordt vastgelegd met zijn golfvormparameters en classificatorbetrouwbaarheid -- dat de elektronische ordre-de-bataille-database voedt die wordt onderhouden door de edge AI-hardwarestack die het sensornetwerk ondersteunt.

Hardware-implementatie: DSP-platforms, FPGA's en GPU-inferentie voor radar-AI

De keuze van hardware voor AI-aangevulde radarsignaalverwerking is meer beperkt dan voor andere edge AI-domeinen omdat de radarsignaalprocessor ook de real-time FFT, pulscompressie en CFAR-verwerking moet uitvoeren die niet kan worden uitgesteld naar een algemeen doel GPU. De drie voornaamste hardwarecategorieën maken elk verschillende afwegingen tussen determinisme, vermogen en neurale inferentiedoorvoer.

FPGA's bezetten het deterministische, lage-latentie-einde van het spectrum. Een Xilinx Zynq UltraScale+ MPSoC integreert de volledige bereik-Doppler-pijplijn in programmeerbare logica naast INT8 neurale netwerkinferentie geimplementeerd op de DSP-slice-array van de stof, waarbij end-to-end latentie van ADC-monster tot detectiegebeurtenis onder 1 ms wordt geleverd voor een 256-bereikbin, 64-Doppler-bin-kaart. De programmeercomplexiteit is aanzienlijk -- het implementeren van zelfs een compact CNN op een FPGA vereist hoog-niveau synthesetools zoals Vitis AI -- maar het resultaat is een verwerkingsketen zonder besturingssysteemjitter, deterministische worst-case latentie en vermogensconsumptie in het bereik van 5-25 W geschikt voor voertuiggemonteerde of vaste grondradar. De Agilex 7-generatie breidt deze mogelijkheid uit met ingebedde AI-tensorblokken die INT8-convolutie verder versnellen zonder algemene DSP-slice-middelen te verbruiken.

GPU-klasse SoC's zoals de NVIDIA Jetson Orin AGX (275 TOPS bij 60 W) en de lagervermogen Orin NX (100 TOPS bij 25 W) bieden de hoogste neurale inferentiedoorvoer voor complexe classificatoren en multi-verblijftijd micro-Doppler-analyse. TensorRT-geoptimaliseerde INT8-modellen draaien op 5-15 ms per inferentieaanroep voor MobileNetV2-schaal classificatoren, en de DLA (Deep Learning Accelerator)-hardwareengine van de Orin kan een inferentie parallel verwerken terwijl de iGPU een andere uitvoert, waardoor echte gelijktijdige classificatie van meerdere getrackte doelen mogelijk is zonder pijplijnbellen. De hardwarevergelijking voor defensie-edge-AI toont Jetson Orin als het voorkeursplatform wanneer classificatiedoorvoer en modeldiversiteit belangrijker zijn dan absolute worst-case latentie. Voor radartoepassingen legt een hybride architectuur die een FPGA-front-end (bereik-Doppler-kaartgeneratie, CA-CFAR) koppelt aan een Jetson Orin-back-end (neuraal CFAR, micro-Doppler-classificatie, ECCM-karakterisering) de sterke punten van beide vast: deterministische signaalverwerkingspijplijnlatentie aan de voorzijde, hoogdoorvoer flexibele neurale inferentie aan de achterzijde.

DSP-platforms van Texas Instruments (TMS320C7x-serie) en Analog Devices (SHARC+) blijven relevant voor legacy-radarprogramma's en voor toepassingen waarbij het deterministische, single-core programmeermodel is voorgeschreven door certificeringsvereisten. De C7x-architectuur omvat een 512-bit SIMD-vectoreenheid en een matrix-vermenigvuldigversneller die INT8-convolutie kan uitvoeren met concurrerende doorvoer voor netwerken tot 2-3 miljoen parameters. Het praktische plafond is de geheugenbandbreedte die beschikbaar is om de convolutiemotor te voeden: de on-chip L2-cache van de C7x kan de bandbreedte ondersteunen die nodig is voor lagen met kleine ruimtelijke dimensies (1x1 en 3x3 convoluties op kleine kenmerkenkaarten) maar schiet tekort voor de bredere kenmerkenkaarten geproduceerd door de beginlagen van een volledig MobileNet toegepast op een radar bereik-Doppler-kaart. Dit maakt DSP-platforms het meest geschikt voor de definitieve classificatielagen die werken op compacte kenmerkenvectoren die stroomopwaarts door de FPGA zijn geextraheerd, in plaats van voor volledige end-to-end neurale inferentie van ruwe bereik-Doppler-gegevens.