Fuziunea datelor militare este procesul computațional de combinare a informațiilor din surse multiple, eterogene, într-o reprezentare coerentă, consistentă și precisă a mediului operațional. Când funcționează, un comandant vede o singură urmărire etichetată „tanc T-80, încredere 87%, actualizat ultima dată acum 14 secunde." Când nu funcționează, vede trei urmăriri conflictuale, fiecare de la un alt senzor, fiecare cu o poziție diferită — și nicio modalitate de a ști care este corectă.
A obține fuziunea corectă este una dintre cele mai solicitante probleme tehnice din software-ul de apărare. Intrările sunt zgomotoase, întârziate și adesea contradictorii. Rezultatul trebuie să fie suficient de de încredere pentru a acționa pe baza lui.
Modelul JDL: un cadru pentru nivelurile de fuziune
Modelul Data Fusion Information Group (DFIG) — denumit în mod obișnuit modelul JDL după originile sale la Joint Directors of Laboratories — definește fuziunea ca o serie de niveluri de procesare, fiecare construind pe cel anterior.
Nivelul 0 — Asociere și estimare a datelor sub-obiect. Semnalele brute ale senzorilor sunt procesate și curățate. Imaginile la nivel de pixel sunt preprocesate; datele acustice sunt digitizate; semnalele RF sunt demodulate. Rezultatul este un flux de observații, încă necorелate cu niciun obiect.
Nivelul 1 — Rafinarea obiectului. Observațiile individuale sunt combinate pentru a produce urme. Returnările multiple de radar de la același obiect fizic sunt asociate și fuzionate într-o singură urmărire cinematică. Acest nivel gestionează problema de bază a fuziunii urmăririlor: dat fiind cinci contacte radar pe 30 de secunde, estimează poziția, viteza și direcția obiectului, cu o elipsă de incertitudine asociată. Algoritmii de aici includ filtrarea Kalman, urmărirea cu ipoteze multiple (MHT) și asocierea de date probabilistice comune (JPDA).
Nivelul 2 — Rafinarea situației. Urmăririle individuale sunt plasate în context. Acest nivel răspunde la „ce înseamnă această formație?" — recunoscând că cele trei tancuri care se mișcă în tipar de pană cu artilerie în spate constituie o tentativă de spargere, nu o patrulare. Fuziunea de Nivel 2 necesită corelarea urmăririlor cu doctrina, bazele de date de ordine de bătaie și tiparele istorice.
Nivelul 3 — Rafinarea amenințărilor. Situația curentă este proiectată înainte: dacă această formație continuă pe direcția și viteza sa actuală, ce va amenința în 20 de minute? Acest nivel produce evaluări ale amenințărilor, nu doar date de urmărire.
Surse de date și provocările lor software
Fluxuri SIGINT sosesc ca interceptări structurate sau capturi RF brute. Ele poartă incertitudine de timp (timpul de interceptare față de timpul de transmisie poate diferi) și ambiguitate pozițională când datele de geolocalizare lipsesc. Intrările SIGINT necesită adesea normalizarea formatului din ieșirile sistemelor de colectare proprietare înainte de a putea intra în pipeline-ul de fuziune.
Produsele IMINT sunt rezultatul exploatării imaginilor — fie automatizate (detecții de viziune computerizată din fluxurile UAV) fie manuale (adnotări ale analistului de imagini). Provocarea este acuratețea marcei de timp: o imagine achiziționată la 09:47 arătând un vehicul la coordonatele X este utilă numai dacă motorul de fuziune știe că a fost achiziționată la 09:47, nu procesată și trimisă la 11:15.
Rapoartele HUMINT sunt rapoarte structurate de informații din surse umane. Ele sunt tipic de frecvență joasă, cu încredere mare și poartă o incertitudine pozițională semnificativă. Ele sunt rareori fuzabile direct cu datele de urmărire cinematică, dar sunt esențiale pentru construirea contextului de ordine de bătaie pe care fuziunea de Nivel 2 îl necesită.
Fluxurile de senzori EW furnizează date despre emisiile electronice — seturi de parametri radar, frecvențe de comunicații, semnături ale formei de undă. Când sunt corelate cu datele de urmărire, ele permit identificarea platformei: urmărirea care se mișcă cu 60 km/h potrivindu-se cu semnătura de emisie a unui radar BMP-2 devine o identificare BMP-2 cu mare încredere.
Fluxurile video UAV produc un flux continuu de date poziționale și vizuale. Provocarea software este extragerea urmăririlor structurate din video — ceea ce necesită inferență de viziune computerizată în timp real — și corelarea acelor urmăriri cu datele existente, ținând cont de faptul că același vehicul observat de un UAV și detectat de un radar poate genera două urmăriri separate în motorul de fuziune.
Provocările normalizării: complexitatea ascunsă
Înainte ca orice algoritm de fuziune să ruleze, toate datele primite trebuie normalizate. Aceasta este o muncă lipsită de strălucire care consumă o parte disproporționată din timpul de dezvoltare în sistemele de fuziune reale.
Normalizarea sistemului de coordonate: senzorii raportează pozițiile în WGS84, MGRS, grilă locală sau sisteme de coordonate dependente de altitudine. Toate trebuie transformate într-o reprezentare canonică înainte ca corelația să fie posibilă. O eroare de 10 metri introdusă de o transformare a coordonatelor este semnificativă operațional.
Normalizarea marcei de timp: diferiți senzori folosesc timp GPS, UTC, timp local sau numere de secvență. Motorul de fuziune are nevoie de mărci de timp autoritaive într-un singur cadru de referință. O marcă de timp sincronizată GPS este standardul, dar nu toți senzorii vechi o suportă.
Gestionarea clasificării și avertismentelor: datele de fuziune traversează granițele de clasificare. O urmărire construită din SIGINT la un nivel de clasificare și date radar la un nivel inferior are o clasificare compozită. Motorul de fuziune trebuie să propage corect clasificarea și să aplice obligația de cunoaștere la momentul interogării, nu la momentul ingestiei.
Corelarea și deconflictarea
Problema tehnică de bază în fuziunea de Nivel 1 este de a decide dacă două observații, de la doi senzori diferiți, reprezintă același obiect fizic. Aceasta este problema de asociere a datelor. Abordarea standard este o funcție de poartă (eliminarea candidaților din afara unui prag maxim de distanță) urmată de un scorer probabilistic (de ex., cel mai apropiat vecin sau MHT) care atribuie o probabilitate de corespondență.
Deconflictarea — rezolvarea cazului în care două urmăriri existente sunt de fapt același obiect — este mai dificilă. Necesită detectarea duplicatelor persistente de urmărire, fuzionarea istoricurilor lor și reconcilierea conflictelor de atribute. Deconflictarea slabă duce la urmăriri „fantomă": obiecte care apar pe imaginea operațională dar nu există, sau obiecte care există dar apar de două ori.
Concluzie cheie: În majoritatea sistemelor de fuziune operaționale, cea mai mare sursă de eroare nu este algoritmul de fuziune în sine — este inexactitatea marcelor de timp și erorile de normalizare a coordonatelor introduse la nivelul de ingestie a datelor. Repară fontaneria înainte de a ajusta algoritmii.
Cum alimentează fuziunea imaginea operațională comună
Motorul de fuziune produce depozitul autoritar de urmărire pe care imaginea operațională comună (COP) o redă. Nivelul COP interoghează depozitul de urmărire prin API, se abonează la evenimentele de actualizare prin WebSocket și redă modificările incremental. Calitatea imaginii operaționale depinde în întregime de calitatea nivelului de fuziune de sub aceasta.
Un pipeline de fuziune-la-COP bine proiectat publică evenimentele de actualizare a urmăririi (urmărire nouă, urmărire actualizată, urmărire eliminată) ca un flux. COP se abonează și aplică delta — nu instantanee de stare completă — pentru a menține un afișaj reactiv chiar și când baza de date de urmărire conține zeci de mii de obiecte. Latența de la observația senzorului la afișarea în COP ar trebui să fie măsurabilă în secunde cu cifre unice pentru sistemele tactice.