Procesarea semnalului radar cu AI: clasificarea țintelor și respingerea clutter-ului la margine

Radarul a fost principalul senzor meteorologic pentru supravegherea aeriană și terestră încă din cel de-al Doilea Război Mondial, dar lanțul clasic de procesare a semnalului -- compresia de puls, FFT range-Doppler, detecția cu rată constantă de alarme false și filtrarea pistelor -- a fost proiectat pentru o lume cu ținte cooperative și clutter predictibil. Câmpurile de luptă moderne introduc drone cu observabilitate redusă care își consumă cea mai mare parte a energiei în benzile de clutter, forme de undă de atac electronic care saturează receptorul și fundaluri de teren eterogene care invalidează ipotezele de clutter omogen pe care se bazează CFAR-ul convențional. Rețelele neuronale antrenate pe biblioteci extinse de date radar măsurate și sintetice pot învăța să caracterizeze aceste medii direct din fluxul de semnal I/Q, augmentând lanțul clasic acolo unde acesta este cel mai slab. Acest articol parcurge locurile în care AI intră în lanțul de procesare a semnalului radar, ce hardware îl rulează și cum recunoașterea și clasificarea țintelor pe dispozitiv schimbă calculul operațional pentru sistemele radar desfășurate la margine.

De ce are nevoie procesarea semnalului radar de augmentare cu AI

Limitarea fundamentală a procesării clasice a semnalului radar constă în faptul că fiecare algoritm presupune un model statistic pentru clutter și interferențe. CA-CFAR presupune că puterea clutter-ului este uniformă în fereastra de referință. Filtrul Kalman presupune dinamici liniare ale țintei și zgomot de proces gaussian. Proiectarea formei de undă puls-Doppler presupune că ținta se află într-o celulă Doppler curată, necontaminată de retururi terestre. Fiecare ipoteză este o aproximare rezonabilă în scenariul pentru care a fost proiectat algoritmul și o sursă de degradare a performanței în orice alt context. Atunci când o dronă quad mică planează în regiunea de clutter a lobului principal al unui radar de supraveghere terestră, sau atunci când un bruiaj injectează un semnal repetor coerent care imită o țintă reală, lanțul clasic nu are o modalitate principiată de recuperare -- nu a fost proiectat pentru acele condiții.

Augmentarea cu AI abordează acest decalaj prin înlocuirea sau suplimentarea modelelor statistice fixe cu funcții învățate antrenate pe date din mediul operațional real. Un CFAR neuronal antrenat pe date de teren eterogen învață o funcție de prag de detecție care se adaptează la gradienți de clutter, dispersori discreți de clutter și benzi de ploaie fără a necesita un model explicit al fiecăruia. Un clasificator micro-Doppler antrenat pe semnăturile dronelor învață distincția dintre un quadrotor, un UAS cu aripi fixe și o pasăre din modelele de modulație de frecvență caracteristice pe care fiecare le produce -- modele pe care niciun prag fix nu le poate separa cu claritate. Perspectiva cheie este că AI nu înlocuiește fizica radarului; înlocuiește euristicile proiectate de oameni care mapează fizica la decizii, înlocuindu-le cu mapări învățate care generalizează mai bine pe diversitatea reală a mediului operațional.

Cazul practic pentru rularea acestor module neuronale la margine -- pe platforma radar în sine, mai degrabă decât la un nod de procesare la distanță -- se bazează pe latență și disponibilitate. Un radar de supraveghere terestră care trebuie să transmită prin legătură de date fiecare hartă range-Doppler către un procesor cloud pentru inferență neuronală introduce o latență de 200-500 ms dus-întors, inacceptabilă pentru direcționarea interceptorilor sau alertarea forțelor terestre. Mai critic, legătura de date reprezintă un singur punct de defecțiune: atacul electronic, mascarea terenului sau congestia rețelei dezactivează capacitatea AI exact atunci când aceasta este cel mai necesară. Inferența la margine păstrează capacitatea AI în medii negate și degradate, care este tocmai scenariul care a motivat augmentarea cu AI în primul rând.

Procesarea Doppler și indicarea țintelor mobile: linii de bază clasice

Harta range-Doppler este produsul fundamental de date al unui radar Doppler cu pulsuri. Un interval de procesare coerentă de N pulsuri este colectat, comprimat în distanță și apoi transformat pe dimensiunea lentă (a pulsului) printr-un FFT de N puncte pentru a produce o hartă bidimensională a secțiunii transversale radar în funcție de distanță și viteză radială. Rezoluția în distanță este determinată de lățimea de bandă a semnalului (de obicei 1-100 MHz pentru radarele de supraveghere terestră, oferind o rezoluție de 1,5-150 m), iar rezoluția Doppler este determinată de durata intervalului de procesare coerentă (de obicei 0,05-2 secunde, oferind o rezoluție de viteză de 0,5-10 m/s la banda X). Această hartă este intrarea pentru toate procesările ulterioare de detecție și clasificare, iar calitatea sa -- nivelul lobilor laterali, gama dinamică, sensibilitatea -- stabilește un plafon dur pentru ceea ce orice algoritm din aval poate recupera.

Indicarea țintelor mobile (MTI) și filtrarea puls-Doppler sunt instrumentele clasice pentru separarea țintelor mobile de clutter-ul staționar. MTI utilizează anuloare cu linie de întârziere sau filtre cu răspuns finit la impuls pentru a anula regiunea de clutter la zero Doppler din spectrul Doppler, obținând de obicei 30-50 dB de anulare a clutter-ului în condiții favorabile. Limitarea constă în lățimea crestăturii de clutter: un radar aflat pe o platformă mobilă (aeriană, montată pe vehicul sau navală) trebuie să aplice procesarea adaptivă spațio-temporală (STAP) pentru a gestiona faptul că mișcarea platformei răspândește spectrul Doppler al clutter-ului pe un interval de celule Doppler care depinde de unghiul de aspect. STAP rezolvă o problemă de optimizare spațio-temporală comună pe canalele spațiale ale antenei și dimensiunea lentă, necesitând o estimare a matricei de covarianță a clutter-ului din date de antrenament -- o estimare care se degradează atunci când clutter-ul este nestaționar sau când datele de antrenament conțin contaminare de la ținte.

Augmentarea neuronală a etapei de procesare Doppler ia de obicei una din două forme. În prima, o rețea neuronală înlocuiește calculul ponderilor STAP, învățând să prezică ponderi spațio-temporale optime dintr-o reprezentare compactă a mediului local de clutter, mai degrabă decât dintr-o inversare explicită a matricei de covarianță. Această abordare este deosebit de valoroasă în regimurile cu suport de eșantioane reduse, unde estimarea covarianței este slab condiționată -- o problemă persistentă pentru radarele cu antene mari și medii de clutter care se schimbă rapid. În a doua formă, rețeaua neuronală operează în aval de STAP clasic ca post-filtru, examinând harta range-Doppler cu clutter anulat și suprimând retururile reziduale de clutter pe care filtrul liniar nu a reușit să le anuleze, reducând densitatea alarmelor false alimentate la etapa CFAR cu 30-50% în teren eterogen.

Detecția CFAR și limitările sale: unde ajută detectoarele neuronale

Detecția cu Rată Constantă de Alarme False este metoda standard pentru stabilirea unui prag de detecție range-Doppler care menține o probabilitate specificată de alarmă falsă indiferent de puterea locală a clutter-ului. CFAR-ul clasic cu mediere celulară (CA-CFAR) estimează puterea clutter-ului dintr-o fereastră de celule de referință care înconjoară celula sub test (CUT), excluzând o mică regiune de gardă în jurul CUT pentru a preveni ca energia țintei să distorsioneze estimarea clutter-ului. Pragul este setat ca un multiplu al puterii estimate a clutter-ului, unde multiplicatorul este ales pentru a atinge probabilitatea dorită de alarmă falsă sub ipoteza unui clutter distribuit Rayleigh. Aceasta este o abordare solidă atunci când clutter-ul este uniform spațial -- dar câmpul de luptă nu este un mediu omogen.

Trei moduri de eșec ale CA-CFAR sunt bine documentate. La marginile clutter-ului -- celule de distanță unde radarul tranzitează de la teren cu reflectivitate scăzută la un element cu reflectivitate mai ridicată, cum ar fi o margine de pădure, o clădire sau un mal de râu -- fereastra de referință se întinde pe ambele părți ale marginii, iar estimarea clutter-ului este distorsionată în sus pe partea cu clutter scăzut, provocând mascarea țintelor reale, și distorsionată în jos pe partea cu clutter ridicat, provocând o rafală de alarme false. În prezența dispersorilor discreți puternici (garduri metalice, vehicule, structuri înalte), un singur retur de mare putere în fereastra de referință umflă estimarea clutter-ului și maschează țintele mai slabe din apropiere. Și în ploaie sau chaff, clutter-ul volumetric umple simultan multe celule range-Doppler, producând un mediu de interferență nestaționar, corelat spațial, în care ipotezele i.i.d. ale CA-CFAR sunt serios încălcate.

Variantele CFAR neuronale abordează aceste moduri de eșec prin învățarea distribuției locale a clutter-ului dintr-un context spațial și Doppler mai larg decât poate capta o fereastră de referință cu dimensiune fixă. O rețea CNN aplicată pe un patch al hărții range-Doppler centrat pe CUT învață să recunoască modelele de margini de clutter, constelațiile de dispersori discreți și texturile de clutter volumetric, și produce un prag adaptat local care ține cont de eterogenitatea observată. În evaluări de teren împotriva țintelor terestre în teren mixt, CFAR neuronal reduce densitatea alarmelor false cu 40-60% față de CA-CFAR la o probabilitate de detecție egală, traducându-se direct în reducerea sarcinii operatorilor și a latenței de inițiere a pistelor. Aceleași tipare arhitecturale utilizate în sistemele ATR la margine -- rețele CNN compacte cu cuantizare INT8 -- se aplică direct la desfășurarea CFAR neuronal pe hardware radar.

Clasificatoare neuronale de ținte pe semnăturile micro-Doppler radar

Odată ce o țintă trece de detecția CFAR, radarul are o celulă range-Doppler care conține un retur de la ceva în mișcare. A ști că ceva este acolo este valoros; a ști ce este -- dronă, vehicul, persoană, pasăre -- este decisiv din punct de vedere operațional. Analiza micro-Doppler extrage aceste informații de clasificare din modulațiile suprapuse pe decalajul Doppler principal al țintei de către substructurile rotative sau vibrante. Cele patru rotoare rotitoare ale unei drone quadrotor produc benzi laterale Doppler periodice la multipli ai frecvenței de trecere a palei rotorului. Brațele și picioarele unui om care merge produc un model de modulație sinusoidală caracteristică. Motorul unui vehicul cu roți produce vibrații armonice modulate de viteza vehiculului. Fiecare dintre aceste semnături apare ca o structură distinctă în transformata Fourier de scurtă durată (STFT) a returului radar complex pe o perioadă de staționare de 0,1-2 secunde.

Lanțul standard pentru clasificarea micro-Doppler colectează o staționare pe ținta detectată, calculează STFT-ul seriei de timp complex din celula de distanță pentru a produce o hartă timp-frecvență și transmite harta printr-o rețea CNN antrenată să distingă clasele de ținte. Pentru o problemă cu patru clase (pieton, vehicul cu roți, dronă, pasăre), rețelele CNN la scara MobileNetV2 antrenate pe seturi mari de date de semnături micro-Doppler măsurate ating o acuratețe de clasificare de 90-97% în condiții operaționale reprezentative. Harta de caracteristici de intrare este de obicei normalizată la medie zero și varianță unitară per pixel pentru a elimina dependența de puterea absolută a semnalului, făcând clasificatorul robust la variațiile de distanță și la fluctuațiile RCS dependente de aspect. Timpul de inferență pe un Jetson Orin Nano este de 8-15 ms per staționare, bine în cadrul ciclului de actualizare a pistelor radarului.

Cea mai dificilă problemă de clasificare este discriminarea dronă-versus-pasăre, care este acum critică din punct de vedere operațional pentru sistemele radar contra-UAS. Dronele comerciale mici și păsările mari ocupă intervale de RCS suprapuse (0,001-0,1 m2 la banda X) și au profiluri similare de viteză de zbor. Discriminantul se află în micro-Doppler: păsările produc un model asimetric de bătut din aripi cu o cursă descendentă lentă și o cursă ascendentă rapidă, în timp ce quadrotoarele produc benzi laterale periodice simetrice la RPM-ul rotorului. Clasificatoarele CNN antrenate ating o acuratețe de discriminare de 92-95% în aer curat; acuratețea se degradează în ploaie (suprafețele aripilor acoperite cu apă schimbă semnătura micro-Doppler a păsării) și la distanțe mari (SNR scade sub nivelul necesar pentru a rezolva structura de modulație). Combinarea clasificării micro-Doppler cu fuziunea senzorilor multimodali din canalele EO și acustice îmbunătățește substanțial acuratețea generală de discriminare în aceste condiții marginale.

Respingerea clutter-ului: separarea retururilor de vreme, teren și chaff

Clutter-ul în radar reprezintă orice retur care nu este ținta de interes. Cele trei surse dominante de clutter în radarul de supraveghere terestră și aeriană sunt terenul (clutter terestru de la suprafața iluminată), vremea (ploaie, zăpadă, grindină producând retururi volumetrice distribuite) și chaff-ul (nori de dipoli metalici desfășurați de aeronave ca măsură de contracarare). Fiecare necesită o abordare diferită de respingere, deoarece fiecare are o structură spectrală și spațială distinctă, iar un filtru de respingere a clutter-ului reglat pentru un tip poate înrăutăți de fapt performanța față de altul.

Clutter-ul terestru este concentrat spectral în jurul Doppler-ului zero pentru un radar staționar. Abordarea clasică de respingere -- un filtru notch Doppler -- funcționează bine pentru țintele cu mișcare lentă la viteze peste viteza minimă detectabilă (MDV), dar eșuează pentru țintele care se mișcă la viteză redusă sau care planează în banda Doppler a clutter-ului. Respingerea augmentată cu AI a clutter-ului terestru utilizează o rețea neuronală care învață textura spațială a clutter-ului terestru în harta range-Doppler -- structurile de creastă caracteristice ale elementelor de teren extinse, vârfurile discrete ale clădirilor și copacilor -- și le suprimă menținând energia țintei în celulele Doppler suprapuse. Acest lucru este deosebit de important pentru detectarea vehiculelor cu mișcare lentă și a combatanților demonotorizați pe care filtrarea MTI convențională i-ar anula împreună cu clutter-ul.

Clutter-ul meteorologic și chaff-ul prezintă provocări diferite. Ploaia produce un retur distribuit, spațial uniform, al cărui spectru Doppler este centrat pe viteza vântului mai degrabă decât la zero, făcând notch-ul Doppler ineficient fără cunoașterea câmpului de vânt. Norii de chaff derivă cu vântul și se extind pentru a acoperi un volum mare range-Doppler pe parcursul zecilor de secunde. Clasificatoarele neuronale antrenate pe evoluția spațială și temporală a norilor de chaff pot urmări limita norului și suprima retururile din interiorul acestuia menținând detecția în spațiul aerian clar adiacent. Clasificatorul exploatează caracteristici pe care filtrele adaptative proiectate de oameni nu le pot codifica cu ușurință: forma elipsoidală caracteristică a unui nor de chaff în expansiune, deriva Doppler treptată pe măsură ce norul se echilibrează cu vântul și profilul de densitate de putere care diferă atât de retururile aeronavelor, cât și de vreme. Pentru fiecare dintre aceste tipuri de clutter, abordarea neuronală atinge rapoarte de îmbunătățire a respingerii comparabile sau superioare celor mai buni filtre adaptive clasice, generalizând în același timp pe un interval mai larg de condiții de mediu.

Integrarea ECCM: detectarea și caracterizarea bruiajului la margine

Contramăsurile electronice de contraatac (ECCM) sunt tehnicile pe care un radar le utilizează pentru a menține performanța de detecție sub atac electronic deliberat. ECCM-ul clasic se bazează pe un set de tehnici -- agilitate de frecvență, câștig de compresie a pulsului, design de antenă cu lobi laterali reduși, anulare a lobilor laterali și excizarea coerentă a interferenței în bandă îngustă -- fiecare proiectată pentru a contracara un tip specific de bruiaj. Limitarea acestei abordări constă în faptul că necesită ca radarul să știe ce tip de bruiaj întâmpină înainte de a selecta contramăsura adecvată. Împotriva unui adversar sofisticat care utilizează un bruiaj adaptiv ce își schimbă forma de undă ca răspuns la comportamentul radarului, o strategie ECCM fixă este insuficientă.

Edge AI schimbă arhitectura ECCM prin activarea caracterizării în buclă închisă a bruiajului în cadrul propriului lanț de procesare al radarului. Un clasificator neuronal care monitorizează ieșirea receptorului radarului -- în special nivelul de zgomot, regiunea lobilor laterali și reziduul clutter-ului anulat -- învață să recunoască semnăturile diferitelor forme de undă de bruiaj: bruiaj de zgomot în bandă largă (nivel de zgomot ridicat în toate celulele de distanță), bruiaj spot baleiat (o creastă de interferență în bandă îngustă care baleiază prin dimensiunea Doppler), bruiaj coerent repetor (ținte false care apar la distanță și Doppler fizic consistente, dar eșuează verificările încrucișate de viteză) și tragere înșelătoare a porții de distanță (ținte care derivă treptat în distanță față de poziția lor inițială). Fiecare semnătură se mapează la o etichetă de clasă neuronală și declanșează un răspuns ECCM corespunzător în cadrul controlerului de mod al radarului.

Avantajul operațional al identificării ECCM condusă de AI față de un proces manual cu operator uman în buclă este timpul de reacție. Un ofițer de război electronic experimentat care analizează un ecran poate identifica un tip de bruiaj în 5-30 de secunde. Un clasificator neuronal care rulează pe procesorul de semnal al radarului identifică tipul de bruiaj în sub 100 ms de la debutul atacului, selectează modul ECCM optim și raportează direcția estimată de sosire a bruiajului în rețeaua C2 pentru direcționarea altor senzori. Pentru radarele de achiziție cu staționare scurtă utilizate în apărarea aeriană, un decalaj de identificare de 30 de secunde poate face diferența dintre o interceptare reușită și o fereastră de angajare ratată. Modulul ECCM neuronal oferă, de asemenea, o înregistrare de caracterizare persistentă -- fiecare eveniment de bruiaj este înregistrat cu parametrii formei sale de undă și gradul de încredere al clasificatorului -- care alimentează baza de date a ordinii de luptă electronice menținute de stiva hardware edge AI care sprijină rețeaua de senzori.

Desfășurarea hardware: platforme DSP, FPGA-uri și inferență GPU pentru AI radar

Alegerea hardware-ului pentru procesarea semnalului radar augmentată cu AI este mai constrânsă decât pentru alte domenii AI la margine, deoarece procesorul de semnal radar trebuie să efectueze și procesarea FFT, compresia de puls și CFAR în timp real, care nu pot fi amânate la un GPU de uz general. Cele trei categorii principale de hardware fac fiecare compromisuri diferite între determinism, putere și debit de inferență neuronală.

FPGA-urile ocupă capătul determinist, cu latență scăzută, al spectrului. Un MPSoC Xilinx Zynq UltraScale+ integrează întregul lanț range-Doppler în logică programabilă alături de inferența rețelei neuronale INT8 implementată pe matricea de secțiuni DSP a fabric-ului, oferind o latență de la eșantionul ADC până la evenimentul de detecție sub 1 ms pentru o hartă de 256 celule de distanță și 64 celule Doppler. Complexitatea de programare este substanțială -- implementarea chiar și a unei rețele CNN compacte pe un FPGA necesită instrumente de sinteză de nivel înalt cum ar fi Vitis AI -- dar rezultatul este un lanț de procesare fără jitter de sistem de operare, latență deterministă în cel mai rău caz și un consum de putere în gama de 5-25 W adecvat pentru radar terestru montat pe vehicul sau fix. Generația Agilex 7 extinde această capacitate cu blocuri tensor AI integrate care accelerează în continuare convoluția INT8 fără a consuma resursele generale de secțiuni DSP.

SoC-urile de clasă GPU cum ar fi NVIDIA Jetson Orin AGX (275 TOPS la 60 W) și Orin NX cu putere mai redusă (100 TOPS la 25 W) oferă cel mai ridicat debit de inferență neuronală pentru clasificatoare complexe și analiza micro-Doppler cu staționări multiple. Modelele INT8 optimizate cu TensorRT rulează la 5-15 ms per apel de inferență pentru clasificatoare la scara MobileNetV2, iar motorul hardware DLA (Accelerator de Învățare Profundă) al Orin poate procesa o inferență în paralel cu iGPU care rulează alta, permițând clasificarea cu adevărat concurentă a mai multor ținte urmărite fără bule în lanț. Comparația hardware pentru edge AI de apărare arată Jetson Orin ca platforma preferată atunci când debitul de clasificare și diversitatea modelelor contează mai mult decât latența absolută în cel mai rău caz. Pentru aplicațiile radar, o arhitectură hibridă care combină un front-end FPGA (generarea hărții range-Doppler, CA-CFAR) cu un back-end Jetson Orin (CFAR neuronal, clasificare micro-Doppler, caracterizare ECCM) captează punctele forte ale ambelor: latența deterministă a lanțului de procesare a semnalului la front, inferență neuronală flexibilă cu debit ridicat la back.

Platformele DSP de la Texas Instruments (seria TMS320C7x) și Analog Devices (SHARC+) rămân relevante pentru programele radar moștenite și pentru aplicațiile în care modelul de programare determinist pe un singur nucleu este impus de cerințele de certificare. Arhitectura C7x include o unitate vectorială SIMD de 512 biți și un accelerator de multiplicare matriceală care poate executa convoluția INT8 la un debit competitiv pentru rețele de până la 2-3 milioane de parametri. Plafonul practic este lățimea de bandă a memoriei disponibilă pentru a alimenta motorul de convoluție: memoria cache L2 on-chip a C7x poate susține lățimea de bandă necesară pentru straturile cu dimensiuni spațiale mici (convoluții 1x1 și 3x3 pe hărți de caracteristici mici), dar nu atinge nivelul necesar pentru hărțile de caracteristici mai largi produse de straturile inițiale ale unui MobileNet complet aplicat pe o hartă range-Doppler radar. Aceasta face ca platformele DSP să fie cel mai potrivite pentru straturile finale de clasificare care operează pe vectori de caracteristici compacți extrași în amonte de FPGA, mai degrabă decât pentru inferența neuronală de la capăt la capăt din date brute range-Doppler.