Verteidigung

BEWEGTZIELDETEKTION MIT COMPRESSED SENSING

Beispielhafte CS-Rekonstruktion eines Winkel-Doppler-Diagramms
© Fraunhofer FHR

Beispielhafte CS-Rekonstruktion eines Winkel-Doppler-Diagramms

Detektionen von acht Bewegtzielen, eingetragen in einer Karte. Detektionen des 1., 4. und 7. Ziels sind zur besseren Sichtbarkeit markiert
© Fraunhofer FHR

Detektionen von acht Bewegtzielen, eingetragen in einer Karte. Detektionen des 1., 4. und 7. Ziels sind zur besseren Sichtbarkeit markiert

SAR-Bild der unbewegten Bodenanteile einer Szene
© Fraumhofer FHR

SAR-Bild der unbewegten Bodenanteile einer Szene

Die Entdeckung bewegter Ziele ist eine Kernaufgabe von Radar. Eventuell liegen aber nicht genügend Messungen vor, um aus diesen eindeutige und hinreichend genaue Aussagen abzuleiten. Dann kann zusätzliches Wissen aus anderen Quellen hilfreich sein. Ein Beispiel dafür ist Compressed Sensing.

Seit Jahrzehnten werden Informationen zu Bewegungen am Boden aus luftgestützten Radarmessungen extrahiert (Ground Moving Target Indication, GMTI). Diese geben unabhängig von Bewölkung und Tageslicht die Möglichkeit, militärische oder illegale Aktivitäten zu entdecken. Die beobachtete Szene wird allerdings dominiert von Beiträgen nicht bewegter Objekte am Erdboden, die sich mit den Messdaten der Bewegtziele überlagern. Moderne GMTI-Methoden wie STAP (Space Time Adaptive Processing) nutzen kurze Folgen von Radarpulsen, sodass Geschwindigkeits- und Positionsänderungen des Ziels keinen Einfluss haben. Auf der anderen Seite benötigt STAP mehrere nebeneinander angeordnete Empfangskanäle sowie zusätzliche Vergleichsdaten aus Gegenden ohne Bewegtziele.

Ein aktives Forschungsfeld in diesem Kontext ist die Nutzung externer Informationen, um die Detektionen zu verbessern, aber auch um nicht gemessene Daten zu ersetzen. Natürlich ist letzteres nur im begrenzten Rahmen möglich, aber notwendig, da Messungen nicht zu allen Zeitpunkten möglich und opportun sind. Eine auf den ersten Blick triviale, aber sehr mächtige Zusatzinformation ist die Beobachtung, dass nur an sehr wenigen – allerdings im Voraus unbekannten – Orten starke, menschengemachte Bewegungen auftreten, während der Großteil der Szene maximal durch den Wind bewegt wird.

Eine solche, als „sparse“ bezeichnete Verteilung ist Grundlage von Compressed Sensing (CS). Diese relativ neue mathematische Theorie wird zwar immer noch verfeinert und weiterentwickelt, aber mittlerweile zeigt sich, für welche Anwendungen sie einen wirklichen Mehrwert bietet; eine davon ist GMTI. Am Fraunhofer FHR wurde das Potential von CS schon sehr früh erkannt. Daher hat das Institut auch den bisher viermal stattfindenden „International Workshop on Compressed Sensing Theory and its Applications to Radar, Sonar, and Remote Sensing“ (CoSeRa) mitinitiiert und -organisiert.

Ein bekannter Nachteil von CS ist seine erhöhte Rechenzeit gegenüber klassischen Verfahren, da es eine Szene erst aus den Messdaten rekonstruiert, bevor sie weiterverarbeitet wird, und nicht, wie klassische Methoden, die Daten filtert, sodass nur die Bewegtziele übrig bleiben. Zwar haben moderne Computersysteme die notwendige Rechenleistung, aber trotzdem ist es hilfreich, die Messdaten in möglichst kleine Teilstücke zu zerlegen und diese einzeln zu verarbeiten. Dafür hat es sich als effektiv erwiesen, analog zum klassischen STAP-Ansatz nur kurze Folgen von Radarpulsen in mehreren Empfangskanälen zu betrachten und diese nach dem Abstand zum Radar aufzuteilen. Aus den Daten kann dann mittels CS ein Diagramm rekonstruiert werden, das für jede Blickrichtung und Dopplerfrequenz die Streustärke eines entsprechenden Objekts am Boden darstellt. Dabei ist die Dopplerfrequenz proportional zur Entfernungsänderung zwischen dem betrachteten Objekt und dem Radar.

Da sich das Radar selbst bewegt, hat auch jeder unbewegte Ort am Boden relativ zu diesem eine vom Blickwinkel abhängige Geschwindigkeit. Dadurch stellt sich der unbewegte Boden als das rot markierte Band dar. Da der CS-Ansatz in seiner ursprünglichen Form nur auf zufällige Verteilungen ausgelegt ist, wurden am Fraunhofer FHR erfolgreich verschiedene Modifikationen erprobt. Erst diese erlauben, trotz der Bandstruktur, eine stabile Rekonstruktion.

Durch die Kenntnis verschiedener Parameter der Messung ist es möglich für ein Diagramm zu berechnen, wo Beiträge des Bodens rekonstruiert werden. Dementsprechend ist eine gute Trennung zwischen Boden- und Bewegtzielanteil bereits möglich, ohne mit statistischen Methoden das Band in der Rekonstruktion finden zu müssen. Die aus allen Entfernungen und Positionen des Radars gesammelten Detektionen von Bewegtzielen sind in einer Karte eingezeichnet. Gut zu erkennen ist ein Konvoi aus acht Fahrzeugen, der sich entlang einer blau eingezeichneten Straße bewegt. Außerhalb des Konvois gibt es nur sehr wenige Fehlalarme.

Auf der anderen Seite ist es auch möglich, die Bodenanteile der Rekonstruktionen zu sammeln und daraus ein SAR-Bild zu berechnen. Dieses ist ungestört von Bewegtzielen, die ansonsten als helle Flecken das Bild auch außerhalb der Straßen überlagern und so interessante Informationen maskieren würden. Auch ist durch die CS-Verarbeitung der Rauschanteil im Bild reduziert, was eine weitere Auswertung vereinfacht.