Обробка радарних сигналів за допомогою ШІ: класифікація цілей і придушення завад на межі мережі

Радар залишається основним сенсором усепогодного повітряного та наземного спостереження з часів Другої світової війни, проте класичний конвеєр обробки сигналів -- стиснення імпульсу, перетворення Фур'є дальність-Доплер, виявлення з постійною частотою хибних тривог та фільтрація трас -- розроблявся для світу з кооперативними цілями та передбачуваними завадами. Сучасне поле бою вводить малопомітні БПЛА, що витрачають більшу частину енергії в зонах завад, сигнали радіоелектронного нападу, що насичують приймач, і неоднорідні фони місцевості, які порушують припущення про однорідність завад, покладені в основу традиційного CFAR. Нейронні мережі, навчені на великих бібліотеках виміряних і синтетичних радарних даних, здатні безпосередньо характеризувати ці середовища за потоком I/Q-сигналів, доповнюючи класичний конвеєр там, де він найслабший. У цій статті розглядається, де саме ШІ входить у конвеєр обробки радарних сигналів, яке апаратне забезпечення його виконує і як розпізнавання та класифікація цілей безпосередньо на пристрої змінюють оперативне рівняння для радарних систем, розгорнутих на межі мережі.

Чому обробка радарних сигналів потребує доповнення ШІ

Фундаментальне обмеження класичної обробки радарних сигналів полягає в тому, що кожен алгоритм припускає статистичну модель для завад та перешкод. CA-CFAR передбачає, що потужність завад є рівномірною в опорному вікні. Фільтр Калмана передбачає лінійну динаміку цілі та гаусівський шум процесу. Проектування зондуючого сигналу імпульсно-доплерівського режиму передбачає, що ціль перебуває в чистому доплерівському елементі, незабрудненому наземними відбиттями. Кожне з цих припущень є розумним наближенням для сценарію, для якого розроблявся алгоритм, і джерелом деградації продуктивності в усіх інших випадках. Коли малий квадрокоптер зависає в зоні завад від основної пелюстки радара наземного спостереження, або коли завадник вводить когерентний сигнал ретранслятора, що імітує реальну ціль, класичний конвеєр не має принципового способу відновлення -- він не був спроектований для таких умов.

Доповнення ШІ усуває цю прогалину, замінюючи або доповнюючи фіксовані статистичні моделі навченими функціями, навченими на даних реального операційного середовища. Нейронний CFAR, навчений на даних про неоднорідну місцевість, навчається функції порога виявлення, що адаптується до градієнтів завад, поодиноких розсіювачів і смуг дощу без необхідності явного моделювання кожного з них. Класифікатор мікро-Доплера, навчений на підписах БПЛА, вчиться розрізняти квадрокоптер, БПЛА з нерухомим крилом і птаха за характерними патернами частотної модуляції, які кожен з них виробляє, -- патернами, які жоден фіксований поріг не може чітко розділити. Ключовий висновок полягає в тому, що ШІ не замінює фізику радара; він замінює розроблені людиною евристики, що відображають фізику у рішення, замінюючи їх навченими відображеннями, які краще узагальнюють реальну різноманітність операційного середовища.

Практичне обґрунтування для виконання цих нейронних модулів на межі мережі -- безпосередньо на радарній платформі, а не на віддаленому вузлі обробки -- ґрунтується на затримці та доступності. Радар наземного спостереження, якому потрібно передавати кожну карту дальність-Доплер до хмарного процесора для нейронного інференсу, вносить 200-500 мс затримки в обидва кінці, що неприйнятно для наведення перехоплювачів або попередження наземних сил. Більш критично те, що канал передачі даних є єдиною точкою відмови: радіоелектронний напад, маскування місцевістю або перевантаженість мережі вимикають можливості ШІ саме тоді, коли вони найбільш необхідні. Інференс на межі мережі зберігає можливості ШІ в умовах радіоелектронного придушення та деградації зв'язку -- саме в тих сценаріях, що і були мотивацією для доповнення ШІ.

Доплерівська обробка та селекція рухомих цілей: класичні базові лінії

Карта дальність-Доплер є фундаментальним продуктом даних імпульсно-доплерівського радара. Збирається інтервал когерентної обробки з N імпульсів, здійснюється стиснення імпульсу по дальності, потім виконується N-точкове ШПФ по вимірюванню у повільному часі (по імпульсах) для отримання двовимірної карти ефективної площі розсіювання як функції дальності та радіальної швидкості. Роздільна здатність по дальності визначається смугою сигналу (зазвичай 1-100 МГц для радарів наземного спостереження, що дає роздільну здатність 1,5-150 м), а роздільна здатність по Доплеру визначається тривалістю інтервалу когерентної обробки (зазвичай 0,05-2 секунди, що дає роздільну здатність швидкості 0,5-10 м/с в X-діапазоні). Ця карта є вхідними даними для всієї подальшої обробки виявлення та класифікації, а її якість -- рівень бічних пелюсток, динамічний діапазон, чутливість -- встановлює жорстку стелю для того, що будь-який подальший алгоритм може відновити.

Селекція рухомих цілей (MTI) та імпульсно-доплерівська фільтрація є класичними інструментами для відокремлення рухомих цілей від нерухомих завад. MTI використовує схеми з лінією затримки або фільтри з кінцевою імпульсною характеристикою для придушення доплерівської зони завад поблизу нульової частоти в доплерівському спектрі, досягаючи зазвичай 30-50 дБ придушення завад у сприятливих умовах. Обмеженням є ширина режекторного фільтра: радар на рухомій платформі (повітряній, колісній або корабельній) повинен застосовувати просторово-часову адаптивну обробку (STAP) для врахування того факту, що рух платформи розмиває доплерівський спектр завад по ряду доплерівських елементів залежно від кута огляду. STAP вирішує спільну задачу просторово-часової оптимізації по просторових каналах антенної решітки та вимірюванням у повільному часі, вимагаючи оцінки матриці коваріантності завад за навчальними даними -- оцінки, що деградує, коли завади нестаціонарні або коли навчальні дані містять забруднення від цілей.

Нейронне доповнення етапу доплерівської обробки зазвичай набуває однієї з двох форм. У першій нейронна мережа замінює обчислення просторово-часових вагових коефіцієнтів STAP, навчаючись прогнозувати оптимальні ваги з компактного представлення локального середовища завад, а не з явного обертання матриці коваріантності. Цей підхід особливо цінний у режимах з малим обсягом навчальної вибірки, коли оцінка коваріантності є погано обумовленою, -- постійна проблема для радарів з великими антенними решітками та швидко мінливими середовищами завад. У другій формі нейронна мережа працює нижче за потоком від класичного STAP як постфільтр, досліджуючи карту дальність-Доплер після придушення завад і подавляючи залишкові відбиття завад, які лінійний фільтр не зміг скасувати, знижуючи щільність хибних тривог, що надходять до CFAR, на 30-50% у неоднорідній місцевості.

CFAR-виявлення та його обмеження: де допомагають нейронні детектори

Виявлення з постійною частотою хибних тривог (CFAR) є стандартним методом встановлення порога виявлення в карті дальність-Доплер, що підтримує задану ймовірність хибної тривоги незалежно від локальної потужності завад. Класичний CA-CFAR оцінює потужність завад за вікном опорних елементів навколо елемента, що перевіряється (CUT), виключаючи невелику захисну зону навколо CUT, щоб запобігти впливу енергії цілі на оцінку завад. Поріг встановлюється як кратне оціненої потужності завад, де кратне вибирається для досягнення бажаної ймовірності хибної тривоги за умови розподілу завад за Релеєм. Це обґрунтований підхід, коли завади просторово однорідні -- але поле бою не є однорідним середовищем.

Три режими відмови CA-CFAR добре задокументовані. На межах завад -- елементах дальності, де радар переходить від ділянки з низькою відбивністю до ділянки з вищою відбивністю, такої як лісосмуга, будівля або берег річки -- опорне вікно перетинає межу, і оцінка завад є завищеною на стороні низьких завад, що спричиняє маскування реальних цілей, та заниженою на стороні високих завад, що породжує сплеск хибних тривог. За наявності сильних поодиноких розсіювачів (металеві огорожі, транспортні засоби, високі споруди), один потужний відбиток в опорному вікні завищує оцінку завад і маскує сусідні слабші цілі. А в дощі або хмарах дипольних відбивачів об'ємні завади заповнюють багато елементів карти дальність-Доплер одночасно, створюючи нестаціонарне, просторово корельоване середовище перешкод, у якому припущення CA-CFAR про незалежність та однакову розподіленість серйозно порушуються.

Нейронні варіанти CFAR усувають ці режими відмови, навчаючись локальному розподілу завад із ширшого просторового та доплерівського контексту, ніж може охопити вікно фіксованого розміру. CNN, застосована до патча карти дальність-Доплер, центрованого на CUT, навчається розпізнавати патерни меж завад, сузір'я поодиноких розсіювачів та текстури об'ємних завад і видає локально адаптований поріг, що враховує спостережувану неоднорідність. У польових оцінках проти наземних цілей у змішаній місцевості нейронний CFAR знижує щільність хибних тривог на 40-60% порівняно з CA-CFAR при узгодженій ймовірності виявлення, що безпосередньо перетворюється на зниження навантаження на оператора та скорочення затримки ініціалізації траси. Ті ж архітектурні патерни, що використовуються в edge-системах ATR -- компактні CNN з квантуванням INT8 -- безпосередньо застосовуються до розгортання нейронного CFAR на радарному обладнанні.

Нейронні класифікатори цілей за мікро-Доплеровими підписами радара

Після того як ціль проходить CFAR-виявлення, радар має елемент дальність-Доплер, що містить відбиття від чогось, що рухається. Знання того, що щось там є, цінне; знання того, що це таке -- БПЛА, транспортний засіб, людина, птах -- є оперативно вирішальним. Аналіз мікро-Доплера витягує цю класифікаційну інформацію з модуляцій, накладених на основний доплерівський зсув цілі обертовими або вібруючими підструктурами. Чотири гвинти квадрокоптера утворюють періодичні доплерівські бічні смуги на кратних частотах проходження лопатей. Руки та ноги людини, що йде, утворюють характерний синусоїдальний патерн модуляції. Двигун колісного транспортного засобу утворює гармонічні вібрації, модульовані швидкістю руху. Кожен з цих підписів виявляється як виразна структура в короткочасному перетворенні Фур'є (STFT) комплексного радарного відбиття за час накопичення 0,1-2 секунди.

Стандартний конвеєр класифікації мікро-Доплера збирає накопичення на виявленій цілі, обчислює STFT часового ряду комплексного елемента дальності для отримання часо-частотної карти та пропускає карту через CNN, навчену розрізняти класи цілей. Для задачі з чотирма класами (пішохід, колісний транспортний засіб, БПЛА, птах), CNN масштабу MobileNetV2, навчені на великих наборах даних виміряних мікро-Доплерових підписів, досягають точності класифікації 90-97% в репрезентативних операційних умовах. Вхідна карта ознак зазвичай нормалізується до нульового середнього та одиничної дисперсії попіксельно, щоб виключити залежність від абсолютної потужності сигналу, роблячи класифікатор стійким до варіацій дальності та ракурсних флуктуацій ефективної площі розсіювання. Час інференсу на Jetson Orin Nano складає 8-15 мс на накопичення, що добре вписується в цикл оновлення траси радара.

Найскладнішою задачею класифікації є розрізнення БПЛА і птахів, що зараз є критичним для радарних систем протидії БПЛА. Малі комерційні БПЛА і великі птахи займають перекривні діапазони ефективної площі розсіювання (0,001-0,1 м² в X-діапазоні) і мають схожі діапазони швидкостей польоту. Розрізняльна ознака -- в мікро-Доплері: птахи утворюють асиметричний патерн махання з повільним рухом крила вниз і швидким вверх, тоді як квадрокоптери утворюють симетричні періодичні бічні смуги на частоті обертів роторів. Навчені CNN-класифікатори досягають точності розрізнення 92-95% у безхмарному повітрі; точність деградує в дощ (вкриті водою поверхні крил змінюють мікро-Доплеровий підпис птаха) і на великих дальностях (відношення сигнал/шум падає нижче рівня, необхідного для вирішення структури модуляції). Поєднання класифікації мікро-Доплера з мультимодальним злиттям даних від оптико-електронних та акустичних каналів суттєво покращує загальну точність розрізнення в цих граничних умовах.

Придушення завад: відокремлення відбиттів від погоди, місцевості та дипольних хмар

Завади в радарі -- це будь-яке відбиття, що не є цільовим об'єктом інтересу. Три основних джерела завад у радарах наземного та повітряного спостереження -- це місцевість (наземні завади від опроміненої поверхні), погода (дощ, сніг, град, що утворюють розподілені об'ємні відбиття) та дипольні відбивачі (хмари металевих диполів, що скидаються літальними апаратами як засіб протидії). Кожне джерело вимагає іншого підходу до придушення, оскільки кожне має відмінну спектральну та просторову структуру, а фільтр придушення завад, налаштований на один тип, може фактично погіршити характеристики проти іншого.

Наземні завади спектрально зосереджені поблизу нульового Доплера для нерухомого радара. Класичний підхід до придушення -- доплерівський режекторний фільтр -- добре працює для цілей, що рухаються повільно, зі швидкостями вище мінімальної відчутної швидкості (MDV), але не спрацьовує для цілей, що рухаються з малою швидкістю або зависають у доплерівській смузі завад. Придушення наземних завад з доповненням ШІ використовує нейронну мережу, що навчається просторовій текстурі наземних завад у карті дальність-Доплер -- характерним хребтовим структурам від протяжних рельєфних об'єктів, поодиноким сплескам від будівель і дерев -- і придушує їх, зберігаючи при цьому енергію цілі в перекривних доплерівських елементах. Це особливо важливо для виявлення транспортних засобів, що рухаються з малою швидкістю, і піших об'єктів, які традиційна MTI-фільтрація відкидала б разом із завадами.

Метеорологічні завади та дипольні відбивачі становлять інші виклики. Дощ утворює розподілене, просторово рівне відбиття, доплерівський спектр якого центрований на швидкості вітру, а не на нулі, що робить доплерівське режекторне фільтрування неефективним без знання поля вітру. Хмари дипольних відбивачів зносяться вітром і розширюються до великого об'єму дальність-Доплер протягом десятків секунд. Нейронні класифікатори, навчені на просторовій та часовій еволюції хмар дипольних відбивачів, можуть відстежувати межу хмари та придушувати відбиття всередині неї, зберігаючи при цьому виявлення у суміжному чистому повітряному просторі. Класифікатор використовує ознаки, які важко закодувати у фільтрах, розроблених людиною: характерну еліпсоїдну форму хмари дипольних відбивачів, що розширюється, поступовий доплерівський дрейф у міру того, як хмара досягає рівноваги з вітром, і профіль густини потужності, що відрізняється як від відбиттів літаків, так і від метеорологічних. Для кожного з цих типів завад нейронний підхід досягає коефіцієнтів покращення придушення, порівнянних або вищих за найкращі класичні адаптивні фільтри, узагальнюючи при цьому на ширший діапазон умов навколишнього середовища.

Інтеграція ECCM: виявлення та характеризація завад на межі мережі

Засоби радіоелектронної протидії (ECCM) -- це методи, що радар використовує для збереження ефективності виявлення під навмисним радіоелектронним нападом. Класичний ECCM спирається на набір методів -- перебудову частоти, підсилення стиснення імпульсу, проектування антени з низьким рівнем бічних пелюсток, бланкування бічних пелюсток і когерентне виключення вузькосмугових перешкод -- кожен з яких призначений для протидії конкретному типу завадника. Обмеженням цього підходу є те, що він вимагає від радара знання типу завадника, з яким він стикається, до вибору відповідного засобу протидії. Проти досвідченого противника, що використовує адаптивний завадник, який змінює свій сигнал у відповідь на поведінку радара, фіксована стратегія ECCM є недостатньою.

Edge-ШІ змінює архітектуру ECCM, уможливлюючи замкнуту характеризацію завадника в межах власного конвеєра обробки радара. Нейронний класифікатор, що контролює вихід приймача радара -- зокрема рівень власних шумів, зону бічних пелюсток та залишок після скасування завад -- навчається розпізнавати підписи різних завадових сигналів: широкосмугова шумова завада (підвищений рівень шуму по всіх елементах дальності), точкова перестроювана завада (вузькосмугова заважаюча гряда, що розгортається по доплерівському вимірюванню), когерентна завада ретранслятора (хибні цілі, що з'являються на фізично узгоджених дальності та Доплері, але не проходять перехресну перевірку швидкості), та оманливе відведення стробу дальності (цілі, що поступово зміщуються по дальності від початкового положення). Кожен підпис відповідає нейронній мітці класу та викликає відповідну відповідь ECCM у контролері режиму радара.

Оперативна перевага автоматичного виявлення ECCM на основі ШІ перед ручним процесом з людиною в контурі -- час реакції. Досвідчений офіцер радіоелектронної боротьби, що аналізує показання індикатора, може визначити тип завадника за 5-30 секунд. Нейронний класифікатор, що працює на сигнальному процесорі радара, визначає тип завади менш ніж за 100 мс з початку атаки, обирає оптимальний режим ECCM та повідомляє розрахунковий кут приходу завадника до мережі C2 для наведення інших датчиків. Для радарів виявлення з коротким часом накопичення, що використовуються в системах протиповітряної оборони, 30-секундна затримка ідентифікації може означати різницю між успішним перехватом і втраченим вікном залучення. Нейронний модуль ECCM також надає постійний журнал характеристик -- кожна подія завади реєструється з параметрами сигналу та довірою класифікатора -- що поповнює базу даних електронного бойового порядку, яку підтримує стек апаратного забезпечення edge-ШІ, що підтримує сенсорну мережу.

Апаратне розгортання: DSP-платформи, FPGA та GPU-інференс для радарного ШІ

Вибір апаратного забезпечення для радарної обробки сигналів з доповненням ШІ є більш обмеженим, ніж для інших доменів edge-ШІ, оскільки радарний сигнальний процесор повинен також виконувати в реальному часі FFT, стиснення імпульсу та обробку CFAR, які не можна відкласти на графічний процесор загального призначення. Три основні категорії апаратного забезпечення роблять різні компроміси між детермінізмом, потужністю та пропускною здатністю нейронного інференсу.

FPGA займають детерміновану, низькозатримкову частину спектра. Xilinx Zynq UltraScale+ MPSoC інтегрує повний конвеєр дальність-Доплер у програмованій логіці поряд з реалізацією нейронного мережевого інференсу INT8 на масиві DSP-секцій кристала, забезпечуючи наскрізну затримку від вибірки АЦП до події виявлення менше 1 мс для карти 256 елементів дальності × 64 елементів Доплера. Складність програмування є значною -- навіть реалізація компактного CNN на FPGA вимагає інструментів синтезу високого рівня, таких як Vitis AI -- але результатом є конвеєр обробки без тремтіння операційної системи, з детермінованою затримкою в найгіршому випадку та споживанням потужності в діапазоні 5-25 Вт, що підходить для радарів, встановлених на транспортних засобах або стаціонарних наземних. Покоління Agilex 7 розширює цю можливість вбудованими тензорними блоками ШІ, що додатково прискорюють згортку INT8 без споживання ресурсів DSP-секцій загального призначення.

GPU-клас SoC, такі як NVIDIA Jetson Orin AGX (275 TOPS при 60 Вт) та більш економний Orin NX (100 TOPS при 25 Вт), забезпечують найвищу пропускну здатність нейронного інференсу для складних класифікаторів та багатоінтервального аналізу мікро-Доплера. Оптимізовані TensorRT моделі INT8 виконуються за 5-15 мс на виклик інференсу для класифікаторів масштабу MobileNetV2, а апаратний двигун DLA (Deep Learning Accelerator) Orin може обробляти один інференс паралельно з тим, як iGPU виконує інший, уможливлюючи справжню одночасну класифікацію кількох відстежуваних цілей без пауз у конвеєрі. Порівняння апаратного забезпечення для edge-ШІ в сфері оборони показує Jetson Orin як найкращу платформу, коли пропускна здатність класифікації та різноманітність моделей важливіші за абсолютну затримку в найгіршому випадку. Для радарних застосувань гібридна архітектура, що поєднує фронтенд на FPGA (формування карти дальність-Доплер, CA-CFAR) з бекендом на Jetson Orin (нейронний CFAR, класифікація мікро-Доплера, характеристика ECCM), поєднує переваги обох: детермінована затримка конвеєра обробки сигналів спереду, висока пропускна здатність гнучкого нейронного інференсу ззаду.

DSP-платформи від Texas Instruments (серія TMS320C7x) та Analog Devices (SHARC+) залишаються актуальними для успадкованих радарних програм і для застосувань, де детерміністична модель програмування з одним ядром є обов'язковою за вимогами сертифікації. Архітектура C7x включає 512-розрядний векторний блок SIMD та прискорювач матричного множення, що може виконувати згортку INT8 з конкурентоспроможною пропускною здатністю для мереж до 2-3 мільйонів параметрів. Практична стеля -- пропускна здатність пам'яті для живлення блоку згортки: кеш-пам'ять L2 на кристалі C7x може підтримувати пропускну здатність, необхідну для шарів з малими просторовими розмірами (згортки 1×1 і 3×3 на малих картах ознак), але не достатня для більших карт ознак, що виробляються початковими шарами повного MobileNet, застосованого до карти дальність-Доплер радара. Це робить DSP-платформи найбільш придатними для фінальних шарів класифікації, що оперують компактними векторами ознак, витягнутими вище за потоком FPGA, а не для повного наскрізного нейронного інференсу з необроблених даних дальність-Доплер.