摘要：针对航迹判别能力的局限性 ,理论上 ,它能够区分目标类型 ,但在实际应用中其识别性能等级有限,可能仅限于那些能稳定跟踪的目标,例如鸟类和无人机等 ,即达到“Tier-2 分类 (Classification)”的能力。为了提升目标识别性能,在反无人机雷达领域,
4. 2 识别能力
针对航迹判别能力的局限性 ,理论上 ,它能够区分目标类型 ,但在实际应用中其识别性能等级有限,可能仅限于那些能稳定跟踪的目标,例如鸟类和无人机等 ,即达到“Tier-2 分类 (Classification)”的能力。为了提升目标识别性能,在反无人机雷达领域,相对航迹判别,“微多普勒雷达”(如图 7(b)所示)是主要研究方向。
微多普勒特征虽然在传统上被视为运动学特 征,但实际上也捕捉了目标的特定结构特征。考虑到结构特征,光学区雷达波段比谐振区更为有利。微结构是附着在目标主体上的小结构,相比主体本身要小。因此,谐振区内的谐振效应可能会放大主体的散射能力,但却压制了微多普勒的散射信号。其次,较短的波长将产生更好的多普勒频移,更高的多普勒分辨率将增强微多普勒特征,提高主体多普勒频移与微多普勒频移之间的差异。因此,更短的波段、更长的雷达驻留时间和更高的频率分辨率有助于获得更好的多普勒分辨率,或带来更好的微多普勒信号。
从识 别 的 角 度 来 看 ,“ 微 多 普 勒 雷 达 ”( 如图 7(b)所示)采用了 X波段来探测无人机目标,采用Frequency Continuous Wave Modulation(FCWM)体制,峰值功率低至 1 W,成本较低,但可以获得很高的频率分辨率。通过对微多普勒图像(基于 STFT 算法或其他算法得到的时频图、倒谱图等)应用深度学习分类器(如卷积神经网络(CNN)、长期短期记忆循环神经网络(LSTM-RNN)等),除了区分鸟类和无人机这一基础之外,也能够实现无人机类型的区分,例如直升机无人机、固定翼无人机和多旋翼无人机等[41-42](如图 9(b)所示)。此外,还具备一定的系统识别性能自适应和升级能力。然而,微多普勒方案也存在着一些问题。首先,为了获得较好质量的微多普勒成像,需要较短的探测距离(大概在几千米以内),并要求较高的回波 SNR。这意味着在实际的雷达系统布置中,雷达需保持在跟踪凝视状态,具有足够长的驻留时间,进行足够多次的跟踪与非相参累积,才能保证图像质量,否则将无法获得有效的微多普勒 图像,降低识别性能。其次,基于深度学习算法的分类器是隐式地提取特征,无法提供有效解释,其训练结果依赖于样本质量,可能存在系统风险。
4. 3 态势感知
目前 ,由于成本限制 ,大多数反无人机雷达方案无法采用多面阵天线 ,而只能利用单面阵监视特定区域。因此,针对需要全方位 360°覆盖的情况,这些反无人机雷达面临着一个不完美的三角形问题,即在检测、跟踪和识别之间如何取得平衡。一方面,为了提高检测概率,需要较长的雷达驻留时间;另一方面,为了提高跟踪效率,需要更快的重访速率。这二者存在相互制约的关系,快速的 360°周视扫描意味着单位雷达驻留时间更短,这将降低检测概率,反之亦然。此外,如果使用跟踪信息和微多普勒特征等多维信息进行目标识别,快速的航迹更新将有利于目标识别,但较短的雷达驻留时间则会降低频率分辨率,影响微多普勒信号的质量,进而影响目标识别性能,反之亦然。这种不平衡三角关系严重限制了反无人机雷达的系统性能。“航迹雷达”和“微多普勒雷达”在实际应用中,都在识别单元引入了航迹信息,无法达到平衡,可能不是最佳的反无人机雷达方案,仍然存在性能升级空间。
解决这种矛盾的关键在于改变传统的雷达信号 处理流程 ,将图 8(a)中的串行、单向信号流程转变为图 8(b)中的并行、双向信号流程。首先,跟踪单元与识别单元需要分离运作,也就是说,目标识别可以专注于当前雷达波束内的回波识别,而不使用跟踪信息;接着,识别后的属性信息可以反馈到信号检测单元,进行“检测识别一体化(Integrated Detectionand Recognition,IDR)”处理,以提高检测概率,或反馈至跟踪单元,“先识别后跟踪(Track after Recogni- tion,TAR)”处理,提高跟踪效率;最后,通过这种方式 ,雷达可以在“边扫描、边识别、边跟踪”的同时操 作 ,实时展示监视区域内的全部目标 。这种方法将传统的三维测量雷达(距离、速度和位置)升级为四 维感知雷达(距离、速度、位置和属性) ,从而增强雷 达的态势感知能力 ,使其成为一个“所见即所得 ” 系统。
反无人机雷达最初的关注焦点是 LSS 无人机目标的漏警,而非虚警。因此,提高探测距离可以通过降低检测门限来实现,尽管这可能会增加虚警。但是,利用 ATR技术处理虚警,从而在保持不漏检的前提下降低虚警,进而提升探测距离。实验表明,利用 ATR功能处理虚警[44] ,可以有效地剔除大量的杂波物体,实现了雷达(图 7(c))能探测RCS在0.01~0.1 m2的小型无人机,其探测范围可延伸至12 km,甚至超过 14 km,并且可以识别包括但不限于船只、鸟类(大鸟、小鸟和鸟群)和无人机(固定翼无人机、多旋翼 无 人 机 和垂直起降无人机 ) 等[37-38,44-47] 。ATR功能有效地与跟踪信息相关联,使雷达监测区域获得全面的态势感知。图 10展示了态势感知的典型应用场景,包括鸟类追逐船只捕食鱼类的情况。白色虚线描述了对象的跟踪轨迹,图标周围的数字表示对象的跟踪编号。具体来说,跟踪编号为 6264的鸟类被观察到绕着编号为 6283的船只飞行,导致鸟类的雷达回波干扰了对船只的检测。有时,识别过程会将数据分类为鸟类或船只,特别是当它们出现在同一个雷达单元时。鸟类通常会追逐海上船只捕食被螺旋桨搅动起来的鱼类,这种态势感知展示了海鸟的生物学习性行为。此外,整个雷达检测响应时间(DetectionResponseTime ,DRT) 约 为 10 ms , 表明目标 回波返回 、检测和最 终显示之间的延迟在毫秒级 。因此，态势感知能够实现实时连续更新，提升 了雷达系统作为“所见 即所得”系统或实时感知警报系统的能力。
5.结论
反无人机雷达的重要性在于其需要比传统的防空雷达更多的ATR功能。传统雷达操作员能够凭借航迹、雷达散射截面等信息对大型、高速、高空 目标进行“人在回路”分类判别。然而，LSS无人机 目标则呈现为空中闪烁的幽灵，很难依靠传统方法从包括鸟类在内的杂波中进行有效检测、跟踪和分类。未来反无人机雷达系统的研究方向涵 盖了推动ATR技术发展的诸多方面，其中包括通过集成多模态特征、探索多样化雷达站和整合多传感器功能。这种全面的系统工程方法对于制定有效的C-UAS解决方案至关重要。本文的结论如下：
① 对于反无人机雷达而言，ATR 技术是必不可少的，尤其对于属于 Group 1&2 类别的无人机 。
② 从 ATR 技术角度出发，本文分析了 2类典型反无人机雷达设计。无论是航迹判别还是微多普勒识别，在实际应用中往往都需要雷达处于凝视、跟踪状态，这可能导致整个C-UAS 反应延迟较长，不利于提升反无人机雷达的整体性能。
③ 通过整合 ATR 功能，可以显著提升无人机的探测距离、识别能力，并增强态势感知能力。这种整合能将传统的 3D 反无人机雷达升级为 4D 反无人机雷达（提供 3D位置和1D属性），从而提高无人机探测性能。这些进步有望提高军事、民用和商业领域的反无人机雷达性能。
*声明：本文章版权属于作者，仅作为学术分享，不代表任何立场表达。如有侵权或异议，请联系小编删除。
来源：雷可达安天下
