Radargeräte liefern uns täglich wichtige Informationen über sich bewegende Objekte, z. B. über deren Position und Flugbahn. Traditionell scannt der Radar zu diesem Zweck kontinuierlich ein ganzes Gebiet, doch die neuen kognitiven Radarsysteme konzentrieren sich stattdessen auf bestimmte Regionen und nutzen kontextbezogenes Wissen.
Die kognitive Radartechnologie maximiert zwar die Ressourcennutzung, hat aber auch eine schwerwiegende Einschränkung: Die Systeme verwenden Informationen über die Umgebung, um ihre Erfassungsstrategien festzulegen, die sie selbst sammeln, wodurch ein zirkulärer Prozess entsteht, der die Endergebnisse erheblich beeinträchtigen kann.
Aktives Lernen, eine Art iteratives Lernparadigma, könnte dazu beitragen, diesen Kreislauf zu schließen. Aktives Lernen versorgt Radargeräte mit zuverlässigem Kontextwissen, z. B. mit Informationen über statische Elemente in ihrer Umgebung. Dabei kann es sich um alles Mögliche handeln, von bestehenden Gebäuden und Bäumen bis hin zur Topografie und vielem mehr. Aktives Lernen erfolgt durch die effektive Analyse und Kennzeichnung von Daten über die Umgebung, die Trennung der Daten von Störfaktoren und die weitere Verbesserung relevanter Daten. Auf diese Weise werden die Radarressourcen auf ein Minimum reduziert, so dass sich das Radar auf das Wesentliche konzentrieren kann: die Erkennung und Parameterschätzung.
Dank eines neuen Zuschusses des European Office of Aerospace Research & Development, das zum US Air Force Office of Scientific Research gehört, arbeitet ein Team von Forschern am Interdisziplinären Zentrum für Sicherheit, Zuverlässigkeit und Vertrauen (SnT) der Universität Luxemburg an diesem Forschungsproblem. Das Projekt mit dem Titel Björn Ottersten steht unter der Leitung von Prof. Bhavani Shankar, dem Direktor des SnT, als Principal Investigator, mit Prof. Signal Processing and Application Research group, Leiter der Active Learning for Cognitive Radar (SPARC), als Vice Principal Investigator. Der Forschungszuschuss, mit dem das Projekt drei Jahre lang finanziert wird, befasst sich mit den zivilen Anwendungen und Herausforderungen im Zusammenhang mit kognitiven Radaren.
Zu den praktischen Anwendungen dieser Technologie gehören der Automobilsektor und die Belegungsüberwachung. Während der Pandemie verlangten beispielsweise einige staatliche Vorschriften, dass Geschäfte die Anzahl der Personen, die sich zu einem bestimmten Zeitpunkt in ihrem Geschäft aufhalten, überwachen. Neue hochauflösende Radarsysteme können diese Art von Daten liefern, indem sie fortschrittliche Algorithmen verwenden, ohne dass eine Videoüberwachung erforderlich ist, die Bedenken hinsichtlich der Privatsphäre aufwirft.
Diese Systeme benötigen jedoch kontextbezogene Daten, um genaue Messungen durchführen zu können, z. B. um einen Mitarbeiter von der großen Palette mit den von ihm getragenen Waren zu unterscheiden. Mit einem aktiven Lernalgorithmus und Daten über das Geschäft, seinen Grundriss und seine Größe, Objekte usw. muss sich ein kognitives Radar nur auf die Zählung der Personen im Geschäft konzentrieren. Dies vereinfacht die Gestaltung und den Betrieb und maximiert so die Effizienz.
Das Projekt baut auf der zuvor im AGNOSTIC-Projekt entwickelten Idee auf, Signalverarbeitung mit maschinellem Lernen zu kombinieren, um Radare in die Lage zu versetzen, Informationen zu filtern und das Rauschen effektiv zu durchbrechen. AGNOSTIC erhielt 2017 einen ERC Advanced Grant und 2020 einen ERC Proof of Concept grant. Dieses Projekt entwickelt diese Forschung weiter, indem es sein Kernkonzept auf den Bereich des kognitiven Radars anwendet.
„Active Learning for Cognitive Radar bietet SnT einen dedizierten Kanal für die Forschung über die Integration von aktivem Lernen in kognitive Radare, ein grundlegendes Thema in der Radarsignalverarbeitung“, sagte Prof. Bhavani Shankar.
Zusätzlich zu diesem Projekt forscht die Gruppe Signal Processing Applications in Radar and Communications (SPARC), die ihre Tätigkeit im Januar 2022 aufgenommen hat, an Themen wie Entwurf und Optimierung von vernetzten MIMO-Radarsystemen, integrierter Sensorik und Kommunikation, Kfz-Radar und Innenraumsensorik, aber auch an neuen und zukünftigen Anwendungen der Radarsignalverarbeitung in Bereichen wie Biomedizin und Umweltsensorik.
Interessieren Sie sich für unsere Forschung im Bereich der Signalverarbeitung? Entdecken Sie SPARC.