随着消费级无人机的泛滥“低小慢” (LSS - Low altitude, Small RCS, Slow speed)目标的探测成为了国防和安防的头号难题。这不仅是技术的挑战更是物理极限的挑战。因为在雷达眼里一架大疆无人机和一只飞鸟几乎长得一模一样。10.1 挑战为什么大雷达看不见小无人机传统的防空雷达是为打飞机设计的它们的检测逻辑、波形设计、滤波算法都是针对大、快、高目标的。面对“低小慢”它们往往束手无策这就好比用打大象的猎枪去打蚊子。1. 低 RCS (Small RCS) —— 隐身的物理学物理数据战斗机3∼5 m23∼5 m2。巡航导弹0.1∼0.5 m20.1∼0.5 m2。大疆 Mavic仅约0.01 m20.01 m2。这相当于一只鸽子甚至更小。更糟的是大部分无人机是塑料做的只有电机和电池反射电磁波。后果根据雷达方程 R∝σ4R∝4σRCS 缩小 100 倍探测距离缩小到原来的 ≈30%≈30%。原本能看 100 公里的雷达看无人机只能看 30 公里如果还没被杂波淹没的话。2. 低速 (Slow Speed) —— 多普勒的盲区速度特征无人机可以悬停速度为 0。巡航速度慢5~15 m/s。杂波重叠地杂波静止0 m/s。云/雨/树叶在风的吹动下速度也在 5~15 m/s 之间。后果雷达的MTI/MTD 滤波器通常会切掉低速区域以消除杂波。这一刀下去把慢速飞行的无人机也一起切掉了。如果不过滤屏幕上全是飘动的云和摇摆的树虚警率爆炸。3. 低空 (Low Altitude) —— 地球的背景噪声贴地飞行无人机通常飞行在 100 米以下甚至在大楼之间穿梭。多径效应 (Multipath)雷达波打到地面反射后再打到无人机。雷达会同时看到两个目标一真一假导致测高严重错误。遮挡 (Shadowing)城市里的高楼、野外的树林都会挡住视线。这要求雷达必须具备多站组网的能力从不同角度弥补盲区。总结反无人机雷达的核心难点不在于“看不见”而在于**“分不清”。在低速、低空的多普勒域里充满了鸟、风筝、气球、塑料袋。雷达必须进化出“火眼金睛”**微多普勒识别才能把真凶揪出来。既然无人机的宏观运动飞得慢、RCS小和鸟太像了那我们就必须从微观运动入手。无人机和鸟的动力系统有着本质区别一个是刚性旋翼的高速旋转一个是柔性翅膀的低频扑动。这种微小的差异会在雷达回波中留下独特的指纹这就是微多普勒特征。10.2 微多普勒特征 (Micro-Doppler)旋翼的指纹微多普勒效应是指目标主体运动产生多普勒频移的同时其部件的微动旋转、振动产生的额外频率调制。1. 旋翼闪烁 (Rotor Blade Flash) —— 时域特征物理现象想象一个正在旋转的螺旋桨。在绝大多数时间里叶片是侧对着雷达的RCS 很小。但在某个极其短暂的瞬间叶片会转到与雷达波束垂直的位置。此时叶片变成了一面镜子产生极强的镜面反射。这就是“闪烁”。信号特征在时域波形上回波幅度不再是平坦的而是出现了一连串周期性的尖峰脉冲。周期性闪烁的频率 fflashN×RPM/60fflashN×RPM/60 (NN 为叶片数)。应用通过计算尖峰的间隔可以直接反推出无人机的旋翼转速。这是识别无人机型号大疆、道通等的重要依据。2. 时频图 (Spectrogram) —— 频域特征单纯看时域还是太粗糙我们用STFT (短时傅里叶变换)把信号展开成时间-频率 (t-f) 图像。(1) 无人机的微多普勒指纹主体线 (Body Line)一条较强的、随时间缓慢变化的线。代表机身的平动速度多普勒频移。旋翼调制带 (Rotor Modulation)在主体线的两侧对称分布着许多条平行线或光带。来源高速旋转的叶片尖端。叶片尖端速度极快甚至接近音速会产生很大的正/负多普勒频移。关键特征即使无人机悬停主体线在零频这些旋翼调制带依然存在这是雷达发现悬停无人机的唯一线索。(2) 飞鸟的微多普勒指纹扑翼特征鸟的翅膀扑动频率很低2~10 Hz而且是非正弦的。在时频图上谱线呈现出周期性的起伏波动像正弦波或者锯齿波。不对称性鸟扑翅膀时向下扑的速度快向上收的速度慢。这种不对称性在频谱上清晰可见。3. AI 分类器的介入虽然人眼能看懂时频图但要让雷达自动识别必须靠 AI。数据集收集各种无人机4旋翼、6旋翼和各种鸟类鸽子、老鹰的雷达回波数据。CNN 网络把时频图当作一张图片喂给 CNN卷积神经网络。CNN 会自动提取纹理特征比如旋翼线的间隔、扑翼波动的幅度。效果在信噪比较好的情况下识别准确率可以达到95% - 98%。不仅能分清是鸟还是无人机甚至能分清是大疆 Mavic 还是 Phantom。总结微多普勒是反无人机雷达的显微镜。它透过表象位置、速度直击本质动力结构。这是目前区分 LSS 目标最硬核的技术手段。发现了疑似无人机的点迹只是第一步真正的挑战在于**“跟住它”**。无人机极其灵活能做急转弯、急停、甚至空中悬停倒车。传统的跟踪算法如卡尔曼滤波往往假设目标做匀速或匀加速运动面对这种“乱飞”的目标很容易跟丢。更麻烦的是由于信噪比低检测门限不得不调低导致屏幕上全是虚警噪点。如何在满屏噪点中把那条隐隐约约的航迹连起来10.3 航迹起始与跟踪不仅要看见还要跟住1. 航迹起始 (Track Initiation)在噪声中画线航迹起始是跟踪的第一步也是最难的一步。如果起始判据太严目标进不来如果太松全是假航迹。经典逻辑法M/N 逻辑规则在连续 NN 次扫描中如果至少有 MM 次在预测的位置附近出现了点迹就建立航迹。常用值3/4 或 4/5。局限对于低信噪比目标可能 10 次扫描里只有 3 次能过门限。经典逻辑法会直接把它丢掉。TBD (Track Before Detect - 检测前跟踪)颠覆性思想不要先做门限检测把数据变成 0 和 1而是保留所有原始数据能量值。原理利用时间积分。虽然单帧看目标的能量可能淹没在噪声里。但如果把连续 10 帧的数据叠加起来只有沿着真实轨迹的方向能量才会相干累积变得很亮。而噪声是随机的叠加后依然是背景。算法实现动态规划 (Dynamic Programming)像走迷宫一样寻找能量和最大的一条路径。霍夫变换 (Hough Transform)在参数空间投票寻找直线的存在。代价计算量巨大通常需要专用 FPGA 或 GPU 加速。2. 高机动跟踪跟住“乱飞”的苍蝇一旦建立了航迹就需要滤波器来平滑和预测位置。面对无人机的急转弯单一模型是不够的。卡尔曼滤波 (Kalman Filter) 的失效标准 KF 假设目标状态变化是线性的。当无人机突然 90 度转弯KF 的预测位置还在直线上残差瞬间变大滤波器发散航迹断裂。IMM (Interacting Multiple Model - 交互多模型)原理如果不确定它怎么飞那就多猜几种。多模型并行模型 1匀速直线 (CV)。适合巡航。模型 2匀加速 (CA)。适合起飞/加速。模型 3协同转弯 (CT)。适合盘旋。交互机制算法会根据当前的回波数据实时计算每个模型的似然概率 (Likelihood)。如果数据符合直线模型 1 的权重变大。如果数据突然偏离模型 3 的权重瞬间变大迅速修正预测。效果像变色龙一样自适应目标的机动模式死死咬住目标。总结反无人机雷达的跟踪层是一场算力换性能的战斗。用TBD换取低信噪比下的发现能力。用IMM换取高机动下的保持能力。这使得雷达不再是一个简单的探测器而是一个具备推理能力的智能体。总结反无人机雷达是一场精细化的战争。我们不再把目标看作一个质点而是看作一个有结构的物体旋翼。我们不再仅仅依赖单帧检测而是依赖多帧的时间积累TBD。
现代智能雷达技术17——算法（3）
随着消费级无人机的泛滥“低小慢” (LSS - Low altitude, Small RCS, Slow speed)目标的探测成为了国防和安防的头号难题。这不仅是技术的挑战更是物理极限的挑战。因为在雷达眼里一架大疆无人机和一只飞鸟几乎长得一模一样。10.1 挑战为什么大雷达看不见小无人机传统的防空雷达是为打飞机设计的它们的检测逻辑、波形设计、滤波算法都是针对大、快、高目标的。面对“低小慢”它们往往束手无策这就好比用打大象的猎枪去打蚊子。1. 低 RCS (Small RCS) —— 隐身的物理学物理数据战斗机3∼5 m23∼5 m2。巡航导弹0.1∼0.5 m20.1∼0.5 m2。大疆 Mavic仅约0.01 m20.01 m2。这相当于一只鸽子甚至更小。更糟的是大部分无人机是塑料做的只有电机和电池反射电磁波。后果根据雷达方程 R∝σ4R∝4σRCS 缩小 100 倍探测距离缩小到原来的 ≈30%≈30%。原本能看 100 公里的雷达看无人机只能看 30 公里如果还没被杂波淹没的话。2. 低速 (Slow Speed) —— 多普勒的盲区速度特征无人机可以悬停速度为 0。巡航速度慢5~15 m/s。杂波重叠地杂波静止0 m/s。云/雨/树叶在风的吹动下速度也在 5~15 m/s 之间。后果雷达的MTI/MTD 滤波器通常会切掉低速区域以消除杂波。这一刀下去把慢速飞行的无人机也一起切掉了。如果不过滤屏幕上全是飘动的云和摇摆的树虚警率爆炸。3. 低空 (Low Altitude) —— 地球的背景噪声贴地飞行无人机通常飞行在 100 米以下甚至在大楼之间穿梭。多径效应 (Multipath)雷达波打到地面反射后再打到无人机。雷达会同时看到两个目标一真一假导致测高严重错误。遮挡 (Shadowing)城市里的高楼、野外的树林都会挡住视线。这要求雷达必须具备多站组网的能力从不同角度弥补盲区。总结反无人机雷达的核心难点不在于“看不见”而在于**“分不清”。在低速、低空的多普勒域里充满了鸟、风筝、气球、塑料袋。雷达必须进化出“火眼金睛”**微多普勒识别才能把真凶揪出来。既然无人机的宏观运动飞得慢、RCS小和鸟太像了那我们就必须从微观运动入手。无人机和鸟的动力系统有着本质区别一个是刚性旋翼的高速旋转一个是柔性翅膀的低频扑动。这种微小的差异会在雷达回波中留下独特的指纹这就是微多普勒特征。10.2 微多普勒特征 (Micro-Doppler)旋翼的指纹微多普勒效应是指目标主体运动产生多普勒频移的同时其部件的微动旋转、振动产生的额外频率调制。1. 旋翼闪烁 (Rotor Blade Flash) —— 时域特征物理现象想象一个正在旋转的螺旋桨。在绝大多数时间里叶片是侧对着雷达的RCS 很小。但在某个极其短暂的瞬间叶片会转到与雷达波束垂直的位置。此时叶片变成了一面镜子产生极强的镜面反射。这就是“闪烁”。信号特征在时域波形上回波幅度不再是平坦的而是出现了一连串周期性的尖峰脉冲。周期性闪烁的频率 fflashN×RPM/60fflashN×RPM/60 (NN 为叶片数)。应用通过计算尖峰的间隔可以直接反推出无人机的旋翼转速。这是识别无人机型号大疆、道通等的重要依据。2. 时频图 (Spectrogram) —— 频域特征单纯看时域还是太粗糙我们用STFT (短时傅里叶变换)把信号展开成时间-频率 (t-f) 图像。(1) 无人机的微多普勒指纹主体线 (Body Line)一条较强的、随时间缓慢变化的线。代表机身的平动速度多普勒频移。旋翼调制带 (Rotor Modulation)在主体线的两侧对称分布着许多条平行线或光带。来源高速旋转的叶片尖端。叶片尖端速度极快甚至接近音速会产生很大的正/负多普勒频移。关键特征即使无人机悬停主体线在零频这些旋翼调制带依然存在这是雷达发现悬停无人机的唯一线索。(2) 飞鸟的微多普勒指纹扑翼特征鸟的翅膀扑动频率很低2~10 Hz而且是非正弦的。在时频图上谱线呈现出周期性的起伏波动像正弦波或者锯齿波。不对称性鸟扑翅膀时向下扑的速度快向上收的速度慢。这种不对称性在频谱上清晰可见。3. AI 分类器的介入虽然人眼能看懂时频图但要让雷达自动识别必须靠 AI。数据集收集各种无人机4旋翼、6旋翼和各种鸟类鸽子、老鹰的雷达回波数据。CNN 网络把时频图当作一张图片喂给 CNN卷积神经网络。CNN 会自动提取纹理特征比如旋翼线的间隔、扑翼波动的幅度。效果在信噪比较好的情况下识别准确率可以达到95% - 98%。不仅能分清是鸟还是无人机甚至能分清是大疆 Mavic 还是 Phantom。总结微多普勒是反无人机雷达的显微镜。它透过表象位置、速度直击本质动力结构。这是目前区分 LSS 目标最硬核的技术手段。发现了疑似无人机的点迹只是第一步真正的挑战在于**“跟住它”**。无人机极其灵活能做急转弯、急停、甚至空中悬停倒车。传统的跟踪算法如卡尔曼滤波往往假设目标做匀速或匀加速运动面对这种“乱飞”的目标很容易跟丢。更麻烦的是由于信噪比低检测门限不得不调低导致屏幕上全是虚警噪点。如何在满屏噪点中把那条隐隐约约的航迹连起来10.3 航迹起始与跟踪不仅要看见还要跟住1. 航迹起始 (Track Initiation)在噪声中画线航迹起始是跟踪的第一步也是最难的一步。如果起始判据太严目标进不来如果太松全是假航迹。经典逻辑法M/N 逻辑规则在连续 NN 次扫描中如果至少有 MM 次在预测的位置附近出现了点迹就建立航迹。常用值3/4 或 4/5。局限对于低信噪比目标可能 10 次扫描里只有 3 次能过门限。经典逻辑法会直接把它丢掉。TBD (Track Before Detect - 检测前跟踪)颠覆性思想不要先做门限检测把数据变成 0 和 1而是保留所有原始数据能量值。原理利用时间积分。虽然单帧看目标的能量可能淹没在噪声里。但如果把连续 10 帧的数据叠加起来只有沿着真实轨迹的方向能量才会相干累积变得很亮。而噪声是随机的叠加后依然是背景。算法实现动态规划 (Dynamic Programming)像走迷宫一样寻找能量和最大的一条路径。霍夫变换 (Hough Transform)在参数空间投票寻找直线的存在。代价计算量巨大通常需要专用 FPGA 或 GPU 加速。2. 高机动跟踪跟住“乱飞”的苍蝇一旦建立了航迹就需要滤波器来平滑和预测位置。面对无人机的急转弯单一模型是不够的。卡尔曼滤波 (Kalman Filter) 的失效标准 KF 假设目标状态变化是线性的。当无人机突然 90 度转弯KF 的预测位置还在直线上残差瞬间变大滤波器发散航迹断裂。IMM (Interacting Multiple Model - 交互多模型)原理如果不确定它怎么飞那就多猜几种。多模型并行模型 1匀速直线 (CV)。适合巡航。模型 2匀加速 (CA)。适合起飞/加速。模型 3协同转弯 (CT)。适合盘旋。交互机制算法会根据当前的回波数据实时计算每个模型的似然概率 (Likelihood)。如果数据符合直线模型 1 的权重变大。如果数据突然偏离模型 3 的权重瞬间变大迅速修正预测。效果像变色龙一样自适应目标的机动模式死死咬住目标。总结反无人机雷达的跟踪层是一场算力换性能的战斗。用TBD换取低信噪比下的发现能力。用IMM换取高机动下的保持能力。这使得雷达不再是一个简单的探测器而是一个具备推理能力的智能体。总结反无人机雷达是一场精细化的战争。我们不再把目标看作一个质点而是看作一个有结构的物体旋翼。我们不再仅仅依赖单帧检测而是依赖多帧的时间积累TBD。
