Przetwarzanie sygnałów radarowych z AI: klasyfikacja celów i odrzucanie zakłóceń na brzegu sieci

Radar jest podstawowym czujnikiem do obserwacji powietrznej i naziemnej w każdych warunkach atmosferycznych od czasów II wojny światowej, jednak klasyczny łańcuch przetwarzania sygnałów -- kompresja impulsów, FFT zakresu i prędkości Dopplera, detekcja o stałym wskaźniku fałszywych alarmów oraz filtrowanie śladów -- został zaprojektowany dla świata kooperatywnych celów i przewidywalnych zakłóceń. Współczesne pola walki wprowadzają drony o niskiej wykrywalności, których energia koncentruje się głównie w binach zakłóceń, sygnały ataku elektronicznego saturujące odbiornik oraz heterogeniczne tła terenu naruszające założenia jednorodności zakłóceń leżące u podstaw konwencjonalnego CFAR. Sieci neuronowe trenowane na dużych zbiorach danych z rzeczywistych i syntetycznych sygnałów radarowych mogą nauczyć się charakteryzować te środowiska bezpośrednio ze strumienia sygnału I/Q, uzupełniając klasyczny potok tam, gdzie jest on najsłabszy. Niniejszy artykuł omawia miejsca, w których AI wchodzi do łańcucha przetwarzania sygnałów radarowych, sprzęt na którym działa, oraz w jaki sposób rozpoznawanie i klasyfikacja celów na urządzeniu zmieniają rachunek operacyjny dla systemów radarowych wdrożonych na brzegu sieci.

Dlaczego przetwarzanie sygnałów radarowych wymaga rozszerzenia o AI

Fundamentalne ograniczenie klasycznego przetwarzania sygnałów radarowych polega na tym, że każdy algorytm zakłada statystyczny model zakłóceń i interferencji. CA-CFAR zakłada, że moc zakłóceń jest jednorodna w oknie referencyjnym. Filtr Kalmana zakłada liniową dynamikę celu i gaussowski szum procesu. Projekt sygnału pulsowo-Dopplerowskiego zakłada, że cel rezyduje w czystym binie Dopplera niezanieczyszczonym przez powroty z ziemi. Każde z tych założeń jest rozsądnym przybliżeniem w scenariuszu, dla którego algorytm był projektowany, i źródłem degradacji działania w każdym innym. Gdy mały dron quadrotor zawisa w obszarze zakłóceń głównej wiązki radaru nadzoru naziemnego, lub gdy zagłuszacz wstrzykuje spójny sygnał powtarzaczowy imitujący rzeczywisty cel, klasyczny łańcuch nie ma żadnego sensownego sposobu na odzyskanie sprawności -- nie był projektowany dla tych warunków.

Rozszerzenie AI usuwa tę lukę, zastępując lub uzupełniając stałe modele statystyczne wyuczonymi funkcjami trenowanymi na danych z rzeczywistego środowiska operacyjnego. Neuronowy CFAR trenowany na danych z heterogenicznego terenu uczy się funkcji progu detekcji adaptującej się do gradientów zakłóceń, izolowanych rozpraszaczy zakłóceń i pasm deszczu bez konieczności jawnego modelowania każdego z nich. Klasyfikator mikro-Dopplera trenowany na sygnaturach dronów uczy się odróżniać quadrotor, stałopłat UAS i ptaka na podstawie charakterystycznych wzorców modulacji częstotliwościowej wytwarzanych przez każdy z nich -- wzorców, których żaden stały próg nie jest w stanie rozdzielić. Kluczowe spostrzeżenie jest takie, że AI nie zastępuje fizyki radaru; zastępuje heurystyki zaprojektowane przez człowieka, które mapują fizykę na decyzje, zastępując je wyuczonymi odwzorowaniami lepiej generalizującymi się w całej rzeczywistej różnorodności środowiska operacyjnego.

Praktyczne uzasadnienie dla uruchamiania tych modułów neuronowych na brzegu sieci -- na samej platformie radarowej, a nie w zdalnym węźle przetwarzania -- opiera się na opóźnieniu i dostępności. Radar nadzoru naziemnego, który musi przesyłać każdą mapę zakresu i Dopplera do procesora chmurowego w celu neuronowego wnioskowania, wprowadza 200--500 ms opóźnienia w obie strony, co jest niedopuszczalne przy naprowadzaniu środków przechwytywania lub ostrzeganiu sił naziemnych. Co ważniejsze, łącze danych stanowi pojedynczy punkt awarii: atak elektroniczny, maskowanie terenu lub przeciążenie sieci dezaktywuje zdolność AI dokładnie wtedy, gdy jest ona najbardziej potrzebna. Wnioskowanie na brzegu sieci zachowuje zdolności AI w środowiskach zakłóconych i zdegradowanych -- co jest dokładnie tym scenariuszem, który pierwotnie uzasadniał rozszerzenie o AI.

Przetwarzanie Dopplera i wskazywanie celów ruchomych: klasyczne wartości bazowe

Mapa zakresu i prędkości Dopplera jest podstawowym produktem danych impulsowego radaru dopplerowskiego. Zbiera się spójny interwał przetwarzania N impulsów, kompresuje w zasięgu i transformuje wzdłuż wymiaru powolnego czasu (impulsów) za pomocą N-punktowej FFT w celu uzyskania dwuwymiarowej mapy efektywnej powierzchni rozpraszania jako funkcji zasięgu i prędkości radialnej. Rozdzielczość zasięgu jest określona przez szerokość pasma sygnału (zazwyczaj 1--100 MHz dla radarów nadzoru naziemnego, co daje rozdzielczość 1,5--150 m), a rozdzielczość Dopplera jest określona przez czas trwania spójnego interwału przetwarzania (zazwyczaj 0,05--2 sekundy, co daje rozdzielczość prędkości 0,5--10 m/s w paśmie X). Ta mapa stanowi wejście do wszystkich kolejnych procesów detekcji i klasyfikacji, a jej jakość -- poziom listków bocznych, zakres dynamiczny, czułość -- wyznacza twardy pułap dla wszystkich algorytmów działających poniżej niej.

Wskazywanie celów ruchomych (MTI) i filtrowanie pulsowo-Dopplerowskie to klasyczne narzędzia do separacji ruchomych celów od nieruchomych zakłóceń. MTI stosuje układ linii opóźniającej lub filtry o skończonej odpowiedzi impulsowej do wyzerowania obszaru zakłóceń zerowego Dopplera w widmie Dopplera, osiągając zazwyczaj 30--50 dB tłumienia zakłóceń w łagodnych warunkach. Ograniczeniem jest szerokość szczeliny zakłóceń: radar na ruchomej platformie (lotniczej, montowanej na pojeździe lub okrętowej) musi zastosować przestrzenno-czasowe przetwarzanie adaptacyjne (STAP) w celu uwzględnienia faktu, że ruch platformy rozmazuje widmo Dopplera zakłóceń na zakres binów Dopplera zależny od kąta natarcia. STAP rozwiązuje wspólne przestrzenno-czasowe zadanie optymalizacyjne obejmujące przestrzenne kanały anteny i wymiar powolnego czasu, wymagając oceny macierzy kowariancji zakłóceń z danych uczących -- oceny, która pogarsza się gdy zakłócenia są niestacjonarne lub gdy dane uczące zawierają zanieczyszczenie sygnałem celu.

Rozszerzenie neuronowe etapu przetwarzania Dopplera zazwyczaj przyjmuje jedną z dwóch postaci. W pierwszej sieć neuronowa zastępuje obliczanie wag STAP, ucząc się przewidywać optymalne wagi przestrzenno-czasowe z kompaktowej reprezentacji lokalnego środowiska zakłóceń, zamiast z jawnej inwersji macierzy kowariancji. Podejście to jest szczególnie wartościowe w warunkach małej liczby próbek, gdzie ocena kowariancji jest słabo uwarunkowana -- trwały problem dla radarów z dużymi antenami i szybko zmieniającymi się środowiskami zakłóceń. W drugiej postaci sieć neuronowa działa za klasycznym STAP jako postfiltr, badając mapę zakresu i Dopplera po usunięciu zakłóceń i tłumiąc resztkowe powroty zakłóceń, których filtr liniowy nie zdołał usunąć, redukując gęstość fałszywych alarmów dostarczanych do etapu CFAR o 30--50% w heterogenicznym terenie.

Detekcja CFAR i jej ograniczenia: gdzie detektory neuronowe pomagają

Detekcja o stałym wskaźniku fałszywych alarmów (CFAR) jest standardową metodą ustawiania progu detekcji na mapie zakresu i Dopplera, który utrzymuje określone prawdopodobieństwo fałszywego alarmu niezależnie od lokalnej mocy zakłóceń. Klasyczna uśredniająca komórkowa CFAR (CA-CFAR) szacuje moc zakłóceń z okna komórek referencyjnych otaczających testowaną komórkę (CUT), wyłączając małą strefę ochronną wokół CUT, aby zapobiec wpływowi energii celu na ocenę zakłóceń. Próg jest ustawiony jako wielokrotność szacowanej mocy zakłóceń, gdzie wielokrotność jest dobierana tak, aby osiągnąć pożądane prawdopodobieństwo fałszywego alarmu przy założeniu zakłóceń o rozkładzie Rayleigha. Jest to solidne podejście, gdy zakłócenia są przestrzennie jednorodne -- lecz pole walki nie jest jednorodnym medium.

Trzy tryby awarii CA-CFAR są dobrze udokumentowane. Na krawędziach zakłóceń -- binach zasięgu, gdzie radar przechodzi z terenu o niskiej reflektywności do obiektu o wyższej reflektywności, takiego jak linia drzew, budynek lub brzeg rzeki -- okno referencyjne obejmuje krawędź, a ocena zakłóceń jest zawyżona po stronie niskich zakłóceń, powodując maskowanie rzeczywistych celów, i zaniżona po stronie wysokich zakłóceń, powodując serię fałszywych alarmów. W obecności silnych izolowanych rozpraszaczy (metalowe ogrodzenia, pojazdy, wysokie struktury) pojedynczy powrót o wysokiej mocy w oknie referencyjnym zawyża ocenę zakłóceń i maskuje pobliskie słabsze cele. A w deszczu lub obłoku plew, zakłócenia objętościowe wypełniają jednocześnie wiele binów zakresu i Dopplera, tworząc niestacjonarne, przestrzennie skorelowane środowisko interferencji, w którym założenia i.i.d. CA-CFAR są poważnie naruszone.

Neuronowe warianty CFAR usuwają te tryby awarii, ucząc się lokalnego rozkładu zakłóceń z szerszego kontekstu przestrzennego i Dopplera niż może uchwycić okno referencyjne o stałym rozmiarze. Sieć CNN zastosowana do fragmentu mapy zakresu i Dopplera wycentrowanego na CUT uczy się rozpoznawać wzorce krawędzi zakłóceń, konstelacje izolowanych rozpraszaczy i tekstury zakłóceń objętościowych, i wypisuje lokalnie dostosowany próg uwzględniający zaobserwowaną heterogeniczność. W ocenach terenowych na celach naziemnych w mieszanym terenie neuronowy CFAR redukuje gęstość fałszywych alarmów o 40--60% w porównaniu z CA-CFAR przy dopasowanym prawdopodobieństwie detekcji, co bezpośrednio przekłada się na zmniejszone obciążenie operatora i krótszy czas inicjalizacji śladów. Te same wzorce architektoniczne stosowane w systemach ATR na brzegu sieci -- kompaktowe sieci CNN z kwantyzacją INT8 -- mają bezpośrednie zastosowanie przy wdrożeniu neuronowego CFAR na sprzęcie radarowym.

Neuronowe klasyfikatory celów na sygnaturach mikro-Dopplera radaru

Po tym jak cel przejdzie przez detekcję CFAR, radar posiada komórkę zakresu i Dopplera zawierającą powrót od czegoś ruchomego. Wiedza, że coś tam jest, jest wartościowa; wiedza, czym to jest -- dronem, pojazdem, osobą, ptakiem -- ma decydujące znaczenie operacyjne. Analiza mikro-Dopplera wyodrębnia te informacje klasyfikacyjne z modulacji nałożonych na główne przesunięcie Dopplera celu przez obracające się lub wibrujące podelementary. Cztery wirujące rotory drona quadrotor wytwarzają periodyczne wstęgi Dopplera przy wielokrotnościach częstotliwości przechodzenia łopat wirnika. Ramiona i nogi pieszego wytwarzają charakterystyczny sinusoidalny wzorzec modulacji. Silnik pojazdu kołowego wytwarza harmoniczne drgania modulowane prędkością pojazdu. Każda z tych sygnatur pojawia się jako wyraźna struktura w krótkotrwałej transformacie Fouriera (STFT) złożonego powrotu radarowego w czasie ekspozycji wynoszącym 0,1--2 sekundy.

Standardowy potok klasyfikacji mikro-Dopplera zbiera ekspozycję na wykrytym celu, oblicza STFT szeregu czasowego złożonego zakresu binów w celu uzyskania mapy czas-częstotliwość i przepuszcza tę mapę przez sieć CNN trenowaną do rozróżniania klas celów. Dla problemu czterech klas (pieszy, pojazd kołowy, dron, ptak), sieci CNN w skali MobileNetV2 trenowane na dużych zbiorach danych z rzeczywistych sygnatur mikro-Dopplera osiągają 90--97% dokładności klasyfikacji w reprezentatywnych warunkach operacyjnych. Wejściowa mapa cech jest zazwyczaj normalizowana do zerowej średniej i jednostkowej wariancji na piksel, aby usunąć zależność od bezwzględnej mocy sygnału, co czyni klasyfikator odpornym na zmienność zasięgu i fluktuacje efektywnej powierzchni rozpraszania zależne od aspektu. Czas wnioskowania na Jetson Orin Nano wynosi 8--15 ms na ekspozycję, co mieści się w cyklu aktualizacji śladu radaru.

Najtrudniejszym problemem klasyfikacji jest dyskryminacja drona od ptaka, która stała się krytyczna operacyjnie dla systemów radarowych do zwalczania UAS. Małe drony komercyjne i duże ptaki zajmują nakładające się zakresy efektywnych powierzchni rozpraszania (0,001--0,1 m2 w paśmie X) i mają podobne obwiednie prędkości lotu. Różnica leży w mikro-Dopplerze: ptaki wytwarzają asymetryczny wzorzec machnięć skrzydłami z wolnym uderzeniem w dół i szybkim uderzeniem w górę, podczas gdy quadrotory wytwarzają symetryczne periodyczne wstęgi boczne przy obrotach wirnika. Trenowane klasyfikatory CNN osiągają 92--95% dokładności dyskryminacji w czystym powietrzu; dokładność spada w deszczu (powierzchnie skrzydeł pokryte wodą zmieniają sygnaturę mikro-Dopplera ptaka) i na dużych zasięgach (stosunek sygnału do szumu spada poniżej poziomu potrzebnego do rozwiązania struktury modulacji). Połączenie klasyfikacji mikro-Dopplera z wieloczujnikową fuzją danych z kanałów EO i akustycznych istotnie poprawia ogólną dokładność dyskryminacji w tych marginalnych warunkach.

Odrzucanie zakłóceń: separacja powrotów od pogody, terenu i plew

Zakłócenia w radarze to każdy powrót, który nie jest celem zainteresowania. Trzy dominujące źródła zakłóceń w radarze nadzoru naziemnego i powietrznego to teren (zakłócenia naziemne od oświetlonej powierzchni), warunki atmosferyczne (deszcz, śnieg, grad produkujące rozproszone powroty objętościowe) oraz plewy (chmury metalowych dipoli rozmieszczanych przez samoloty jako środek przeciwdziałania). Każde z nich wymaga innego podejścia do odrzucania, ponieważ każde ma odrębną strukturę spektralną i przestrzenną, a filtr odrzucania zakłóceń dostrojony do jednego typu może faktycznie pogarszać działanie wobec innego.

Zakłócenia naziemne są spektralnie skoncentrowane wokół zerowego Dopplera dla radaru stacjonarnego. Klasyczne podejście odrzucania -- filtr szczeliny Dopplera -- sprawdza się dobrze dla wolno poruszających się celów przy prędkościach powyżej minimalnej prędkości wykrywalnej (MDV), ale zawodzi dla celów poruszających się z małą prędkością lub zawisających w paśmie Dopplera zakłóceń. Odrzucanie zakłóceń naziemnych rozszerzone o AI stosuje sieć neuronową, która uczy się przestrzennej tekstury zakłóceń naziemnych w mapie zakresu i Dopplera -- charakterystycznych struktur grzbietowych od rozległych elementów terenu, dyskretnych skoków od budynków i drzew -- i tłumi je zachowując energię celu w nakładających się binach Dopplera. Jest to szczególnie ważne dla wykrywania wolno poruszających się pojazdów i piechoty, które konwencjonalne filtrowanie MTI anulowałoby razem z zakłóceniami.

Zakłócenia atmosferyczne i plewy stanowią inne wyzwania. Deszcz produkuje rozproszony, przestrzennie gładki powrót, którego widmo Dopplera jest wycentrowane na prędkości wiatru, a nie na zerze, co czyni szczeliny Dopplera nieskutecznymi bez znajomości pola wiatru. Chmury plew dryfują z wiatrem i rozrastają się pokrywając duży objętościowy obszar zakresu i Dopplera w ciągu dziesiątek sekund. Neuronowe klasyfikatory trenowane na przestrzennej i czasowej ewolucji chmur plew mogą śledzić granicę chmury i tłumić powroty wewnątrz niej, zachowując jednocześnie detekcję w sąsiedniej czystej przestrzeni powietrznej. Klasyfikator wykorzystuje cechy, których filtry zaprojektowane przez człowieka nie mogą łatwo zakodować: charakterystyczny elipsoidalny kształt rozrastającej się chmury plew, stopniowy dryft Dopplera gdy chmura wyrównuje prędkość z wiatrem, oraz profil gęstości mocy różniący się zarówno od powrotów samolotów jak i od zakłóceń atmosferycznych. Dla każdego z tych typów zakłóceń podejście neuronowe osiąga współczynniki poprawy odrzucania porównywalne lub przekraczające najlepsze klasyczne filtry adaptacyjne, przy jednoczesnym generalizowaniu się na szerszy zakres warunków środowiskowych.

Integracja ECCM: wykrywanie i charakteryzowanie zagłuszania na brzegu sieci

Elektroniczne środki obrony elektronicznej (ECCM) to techniki, które radar stosuje w celu utrzymania skuteczności wykrywania pod wpływem celowego ataku elektronicznego. Klasyczne ECCM opiera się na zestawie technik -- skoki częstotliwości, wzmocnienie kompresji impulsów, projekt anteny z niskimi listkami bocznymi, blanking listków bocznych i spójna ekscyzja wąskopasmowych interferencji -- każda zaprojektowana do przeciwdziałania konkretnemu typowi zagłuszacza. Ograniczeniem tego podejścia jest to, że wymaga od radaru znajomości typu zagłuszacza zanim wybierze właściwy środek zaradczy. Naprzeciw wyrafinowanego przeciwnika używającego adaptacyjnego zagłuszacza zmieniającego swój sygnał w odpowiedzi na zachowanie radaru, stała strategia ECCM jest niewystarczająca.

Edge AI zmienia architekturę ECCM, umożliwiając zamkniętopętlowe charakteryzowanie zagłuszacza w obrębie własnego łańcucha przetwarzania radaru. Neuronowy klasyfikator monitorujący wyjście odbiornika radaru -- konkretnie poziom szumu, obszar listków bocznych i resztkowy sygnał po usunięciu zakłóceń -- uczy się rozpoznawać sygnatury różnych sygnałów zagłuszania: szerokopasmowe zagłuszanie szumowe (podwyższony poziom szumu we wszystkich binach zasięgu), zagłuszanie punkowe przeciągane (wąskopasmowy grzbiet interferencji przeciągający się przez wymiar Dopplera), spójne zagłuszanie powtarzaczowe (fałszywe cele pojawiające się przy fizycznie spójnych zasięgu i prędkości Dopplera, ale niespełniające krzyżowych kontroli prędkości) oraz zwodnicze odciąganie bramki zasięgu (cele stopniowo dryfujące w zasięgu od swojej początkowej pozycji). Każda sygnatura mapuje się na etykietę klasy neuronowej i wyzwala odpowiedź ECCM w sterowniku trybów radaru.

Operacyjną przewagą AI-sterowanej identyfikacji ECCM nad ręcznym procesem z człowiekiem w pętli jest czas reakcji. Wykwalifikowany oficer walki elektronicznej analizujący ekran może zidentyfikować typ zagłuszacza w ciągu 5--30 sekund. Neuronowy klasyfikator działający na procesorze sygnałowym radaru identyfikuje typ zagłuszania w ciągu 100 ms od początku ataku, wybiera optymalny tryb ECCM i raportuje szacowany kierunek nadejścia sygnału zagłuszacza do sieci C2 w celu naprowadzenia innych czujników. Dla radarów akwizycji krótkoekspozycyjnych używanych w obronie przeciwlotniczej 30-sekundowe opóźnienie identyfikacji może oznaczać różnicę między skutecznym przechwyceniem a utraconym oknem zaangażowania. Neuronowy moduł ECCM dostarcza również trwały rejestr charakteryzowania -- każde zdarzenie zagłuszania jest rejestrowane z parametrami sygnału i pewnością klasyfikatora -- zasilający bazę danych elektronicznego porządku bitwy utrzymywaną przez stos sprzętu edge AI wspierający sieć czujników.

Wdrożenie sprzętowe: platformy DSP, FPGA i wnioskowanie GPU dla AI radarowej

Wybór sprzętu do przetwarzania sygnałów radarowych rozszerzonego o AI jest bardziej ograniczony niż w innych domenach edge AI, ponieważ procesor sygnałowy radaru musi również wykonywać przetwarzanie FFT w czasie rzeczywistym, kompresję impulsów i przetwarzanie CFAR, których nie można odroczyć do GPU ogólnego przeznaczenia. Trzy główne kategorie sprzętowe dokonują różnych kompromisów między determinizmem, poborem energii a przepustowością wnioskowania neuronowego.

FPGA zajmują deterministyczny, niskoopoźnieniowy koniec spektrum. Układ Xilinx Zynq UltraScale+ MPSoC integruje pełny potok zakresu i Dopplera w programowalnej logice obok wnioskowania sieci neuronowej INT8 zaimplementowanego na tablicy zasobów DSP tkaniny, dostarczając kompleksowe opóźnienie od próbki ADC do zdarzenia detekcji poniżej 1 ms dla mapy 256-binów-zasięgu, 64-binów-Dopplera. Złożoność programowania jest znacząca -- implementacja nawet kompaktowej sieci CNN na FPGA wymaga narzędzi syntezy wysokiego poziomu takich jak Vitis AI -- ale wynikiem jest łańcuch przetwarzania bez drgań systemu operacyjnego, deterministycznym opóźnieniem w najgorszym przypadku i poborem mocy w zakresie 5--25 W odpowiednim dla radarów montowanych na pojeździe lub stacjonarnych naziemnych. Generacja Agilex 7 rozszerza tę zdolność o wbudowane bloki tensorowe AI, które dalej przyspieszają konwolucję INT8 bez zużywania ogólnych zasobów DSP tkaniny.

Układy SoC klasy GPU takie jak NVIDIA Jetson Orin AGX (275 TOPS przy 60 W) i niżej zasilany Orin NX (100 TOPS przy 25 W) zapewniają najwyższą przepustowość wnioskowania neuronowego dla złożonych klasyfikatorów i wieloekspozycyjnej analizy mikro-Dopplera. Modele INT8 zoptymalizowane pod TensorRT działają z szybkością 5--15 ms na wywołanie wnioskowania dla klasyfikatorów w skali MobileNetV2, a akcelerator sprzętowy DLA (Deep Learning Accelerator) Orina może przetwarzać jedno wnioskowanie równolegle z iGPU wykonującym inne, umożliwiając prawdziwą równoległą klasyfikację wielu śledzonych celów bez przerw w potoku. Porównanie sprzętu dla obronnego edge AI wskazuje Jetson Orin jako preferowaną platformę, gdy przepustowość klasyfikacji i różnorodność modeli są ważniejsze niż bezwzględne opóźnienie w najgorszym przypadku. Dla zastosowań radarowych hybrydowa architektura łącząca front-end FPGA (generowanie mapy zakresu i Dopplera, CA-CFAR) z back-endem Jetson Orin (neuronowy CFAR, klasyfikacja mikro-Dopplera, charakteryzowanie ECCM) łączy mocne strony obu: deterministyczne opóźnienie potoku przetwarzania sygnałów z przodu, wysokoprzepustowe elastyczne wnioskowanie neuronowe z tyłu.

Platformy DSP firmy Texas Instruments (seria TMS320C7x) i Analog Devices (SHARC+) pozostają istotne dla starszych programów radarowych oraz zastosowań, w których deterministyczny model programowania jednocore jest wymagany przez wymagania certyfikacji. Architektura C7x zawiera 512-bitową jednostkę wektorową SIMD i akcelerator mnożenia macierzy mogący wykonywać konwolucję INT8 z konkurencyjną przepustowością dla sieci do 2--3 milionów parametrów. Praktycznym pułapem jest przepustowość pamięci dostępna dla zasilania silnika konwolucji: pamięć podręczna L2 wewnątrz układu C7x może utrzymać przepustowość potrzebną dla warstw z małymi wymiarami przestrzennymi (konwolucje 1x1 i 3x3 na małych mapach cech), ale jest niewystarczająca dla szerszych map cech produkowanych przez początkowe warstwy pełnego MobileNet zastosowanego do mapy zakresu i Dopplera radaru. To sprawia, że platformy DSP najlepiej nadają się do końcowych warstw klasyfikacyjnych operujących na kompaktowych wektorach cech wyodrębnionych powyżej przez FPGA, a nie do pełnego kompleksowego wnioskowania neuronowego z surowych danych zakresu i Dopplera.