Verteidigung

Robuste Detektionsstrategien mit Machine Learning und Compressive Sensing

Die Detektion von Zielen in Radarsignalen ist ein fundamentaler Prozess. In den Bereichen, wo riesige Datenmengen zum Trainieren der Neuronalen-Netze (NN) zur Verfügung stehen, konnte in den letzten Jahren das Machine Learning (ML) große Erfolge erzielen, z. B. bei der Muster-, Bild-, und Spracherkennung. Die Kombination von Compressive Sensing (CS) und ML kann das Problem der fehlenden Datenmengen im Radarbereich beheben und somit diese Methoden auch hier anwendbar machen.

Typische neuronale Netztoplogie zur Detektion von Strukturen.
© Fraunhofer FHR

Typische neuronale Netztoplogie zur Detektion von Strukturen.

Die k.-Ebene eines Vector Approximate Message Passing (VAMP) Netzwerks, die es erlaubt iterative CS-Algorithmen nachzubilden.
© Fraunhofer FHR

Die k.-Ebene eines Vector Approximate Message Passing (VAMP) Netzwerks, die es erlaubt iterative CS-Algorithmen nachzubilden.

Bei interferometrischen SAR Aufnahmen von urbanen Gebieten befinden sich mehrere Punktstreuer in einer Entfernungs-Azimuth-Zelle. Mit dem kombinieren ML/CS-Verfahren können diese einzeln detektiert und dargestellt werden. Dargestellt sind hier die ersten beiden Detektionen mit ihren Amplituden und Höhen.
© Fraunhofer FHR

Bei interferometrischen SAR Aufnahmen von urbanen Gebieten befinden sich mehrere Punktstreuer in einer Entfernungs-Azimuth-Zelle. Mit dem kombinieren ML/CS-Verfahren können diese einzeln detektiert und dargestellt werden. Dargestellt sind hier die ersten beiden Detektionen mit ihren Amplituden und Höhen.

Die Hauptaufgabe von Radarsystemen besteht darin, bewegte Objekte zu detektieren und möglichst die dazugehörigen Parameter, wie beispielsweise Entfernung und Geschwindigkeit, zu bestimmen. Bedingt durch den gewählten Frequenzbereich der Systeme und ihrer aktiven Ausstrahlung von kodierten Signalen ist diese Fähigkeit unabhängig von Wettereinflüssen und Tageszeiten. Störsignale, wie beispielsweise Mehrfachreflexionen, Rauschen oder gar explizite Störversuche, erschweren die Detektion von schwachen Ziele dramatisch. Bei bewegten Objekten kommt die Schwierigkeit hinzu, dass durch nicht-lineare Bewegungen in Relation zum Radarsystem die Schätzung der Parameter sehr erschwert wird.

In den vergangen Jahren war ein Forschungsschwerpunkt die Verbesserung der Detektionen unter Ausnutzung zusätzlicher externer Information. Diese wurde dazu verwendet die eigentliche Messung mit weiterem Wissen anzureichern und so eventuell auch um nicht gemessene Information zu ergänzen, wie beispielsweise, dass sich in dem Beobachtungsraum nur einige wenige bewegte Objekte befinden. Dieses Wissen ist die Grundlage der »Sparse Signal Reconstruction« oder auch »Compressive Sensing« Theorie. Schon vor längerem hat das Fraunhofer FHR diesen Vorteil erkannt und aus diesem Grund den International Workshop on Compressed Sensing applied to Radar, Multimodal Sensing, and Imaging (CoSeRa) im Jahr 2012 ins Leben gerufen und ihn gleichermaßen über die folgenden Jahre intensiv begleitet. In Zusammenarbeit mit der Universität von Siegen wurde 2018 der fünfte CoSeRa Workshop durchgeführt.

Ein bekannter Nachteil der CS-Verfahren gegenüber den klassischen Verfahren, die im Gegensatz zu CS die Messdaten so filtern, dass lediglich Bewegtziele verbleiben, ist die erforderliche hohe Rechenleistung, um die Beobachtungsszene aus den Messdaten zu rekonstruieren, bevor weitere Signal Prozessierungsschritte erfolgen können.

Parallel zu CS hat in den vergangenen Jahren der Forschungsbereich Machine-/Deep-Learning (ML/DL) zu einer Renaissance der Neuronalen-Netze geführt mit beachtlichen Erfolgen in vielen kommerziellen Anwendungen wie der automatischen Gesichtserkennung, Spracherkennung, maschinellen Übersetzung, selbstfahrenden Autos und Robotik. Wichtige Bestandteile für den Erfolg von ML/DL-Methoden sind einerseits die Verfügbarkeit von großen Datenmengen, die für das Training und Konditionierung der komplexen Neuronalen-Netze notwendig sind, als auch die Weiterentwicklung der Rechnerleistung und die gegenwärtige Fähigkeit nicht-lineare Modelle zu erstellen und an die vorhandenen Daten anzupassen. Liegen die konditionierten Neuronalen-Netze vor, so haben die ML/DL-Verfahren das Potenzial, rechnerisch effiziente Ansätze zur Verbesserung der Zielerfassung, -verfolgung und -klassifizierung im Radar mit verbesserter Auflösung bereitzustellen.

Ein aktives Forschungsfeld in diesem Kontext ist die Integration von Compressive Sensing und Machine Learning für Radaranwendungen, um so die Vorteile aus beiden Verfahren zu kombinieren. Beispielsweise haben Iterationen vieler CS-Algorithmen zur Wiederherstellung spärlicher Signale die Struktur neuronaler Netzwerkschichten. Daher können numerisch effiziente ML-Modelle wie Deep-Neural-Networks verwendet werden, um die rechenintensiven Iterationen durch aus Trainingsdaten gewonnene Feedforward-Netze mit fester Tiefe zu ersetzen. Darüber hinaus ermöglicht der Lernprozess die Extraktion besserer Dictionaries/Übertragungsfunktionen für die Darstellung der Beobachtungsszene aus Trainingsdaten. CS basierte generative Modelle von Zielen und Störsignale können verwendet werden, um umfangreiche Trainingssets zu erstellen, die für die ML/DL-Algorithmen erforderlich sind. So können Lücken in den Messdaten durch Online-Vorhersagen aus einer »komprimierten« Datenbank geschlossen werden und so die Verallgemeinerung verbessern. Diese CS unterstützte Trainingsstrategie wird das Spektrum der Einsatzgebiete, bei denen ML/DL erfolgreich eingesetzt werden kann, erheblich erweitern, da im militärischen Bereich die Verfügbarkeit großer Radardatensätze nicht immer gewährleistet ist.