Fraunhofer-Institut für Hochfrequenzphysik und Radartechnik FHRKognitive Radarsysteme reagieren auf ihre Umgebung und ändern ihre Parameter ändern in Echtzeit. Das Fraunhofer FHR arbeitet mit an der Entwicklung eines Demonstrators mit weltraumtauglicher Hardware, der diese Fähigkeiten darstellen soll. Das Institut liefert dafür ein vortrainiertes neuronales Netz sowie Entscheidungskriterien, um Störungen in einem Radarsignal vor der Aufnahme eines Synthetic Aperture Radar (SAR)-Bilds zu erkennen und zu verhindernvermeiden. Radarsatelliten mit SAR liefern Tag und Nacht hochaufgelöste Bilder der Erdoberfläche. Bisher werden die Rohdaten meist zur Erde übertragen und am Boden mit klassischen Algorithmen verarbeitet und ausgewertet.
Neue Systeme ermöglichen Datenverarbeitung und Anpassung an Bord
Moderne On-board Rechner eröffnen nun eine neue Klasse „intelligenter“ Instrumente: kognitive Radarsysteme, die ihre Arbeitsweise selbstständig an die aktuelle Situation anpassen.
Ein kognitives Radar beobachtet die Szene, bewertet die empfangenen Signalen und passt seine Betriebsart in Echtzeit an, beispielsweise durch:
- Veränderung der Frequenz, Pulsbreite oder Sendeleistung
- Anpassung der Ausrichtung und Form der Radarstrahlen (Beamforming)
- Wechsel der Bildmodi (z.B. breite Übersicht vs. kleine, hochaufgelöste Ausschnitte)
- Interaktion in Formationen mit anderen Satelliten oder der Plattform selbst.
Entscheidend ist, dass dies im geschlossenen Regelkreis („closed loop“) direkt an Bord erfolgt – ohne dass ein Bediener am Boden eingreifen muss.
Künstliche Intelligenz erweitert Fähigkeiten des Radarsystems
Machine Learning (ML) und Deep Learning werden seit einigen Jahren erfolgreich zur Auswertung von Erdbeobachtungsdaten am Boden eingesetzt etwa für Objekterkennung, Umwelt‑ und Katastrophenmonitoring. Noch weitgehend ungenutzt ist das Potenzial von KI im eigentlichen Radarsystem. Hier setzen die Forschenden an: Untersucht wird, wie ML direkt in der Radarsignalkette eingesetzt werden kann, um ein wirklich kognitives SAR zu ermöglichen. Die KI analysiert dazu Roh- oder vorverarbeitete SAR Daten an Bord und entscheidet, wie das System seine Ressourcen – Sendeleistung, Bandbreite, Beobachtungsmodus, Datenrate – optimal einsetzt. Für Betreiber bedeutet dies: höhere Datenqualität bei effizienterer Nutzung knapper Missionsressourcen.
Kognitive SAR-Lösung zur Unterdrückung von Störungen
Als Anwendungsfall wurde die Unterdrückung von Störungen (Radio Frequency Interference Mitigation, RFI) im operativen Einsatz gewählt. Diese Störungen der Frequenzbereiche und Radarimpulse von SAR Satelliten durch externe Quellen treten immer häufiger auf und können SAR-Bilder teilweise oder vollständig unbrauchbar machen.
Ziel des Projekts ist die Entwicklung einer kognitiven SAR-Lösung, die RFI an Bord selbstständig erkennt, bewertet und wirksam unterdrückt. Der Ansatz besteht aus:
1. Echtzeit Erkennung: ML Modelle analysieren die empfangenen Rohdaten und identifizieren typische Interferenzmuster, etwa schmale Spektrallinien, impulsartige Signale oder wiederkehrende Muster in bestimmten Frequenz- und Zeitbereichen.
2. Autonome Anpassung (Closed Loop): Auf Basis dieser Bewertung passt das Radar seine Betriebsparameter an, z. B. durch Verschiedung der genutzten Bandbreite.
So kommt die gesamte Leistungsfähigkeit des SAR-Instruments dort zum Tragen, wo sie wirklich genutzt wird und Anwender profitieren von robusten, hochwertigen Datensätzen und erhöhter Missionssicherheit – selbst bei wachsender Konkurrenz im Frequenzspektrum.
In dem von der European Space Agency (ESA) geförderten Projekt „Closed Loop Artificial Intelligence Cognitive Synthetic Aperture Radar“ arbeitet das Fraunhofer FHR gemeinsam mit dem Deutschen Zentrum für Luft- und Raumfahrt (DLR) als Unterauftragsnehmer für Airbus.