Как противодронный радар распознаёт дроны: микродоплер, автоматическое распознавание целей и компромисс между обнаружением и распознаванием

Спросите у поставщика радара, на что способна его система, — и первое число, которое вы услышите, будет дальность обнаружения. Спросите операторов, что на самом деле отравляет им смены, — и услышите совсем другое: ложные тревоги. Птицы, насекомые, полиэтиленовые пакеты, вращающиеся механизмы — радар, который обнаруживает всё, но не распознаёт ничего, превращает каждую смену в усталость от тревог, а настоящие дроны тонут в шуме.

Именно поэтому распознавание целей стало определяющей возможностью современного противодронного радара. Обнаружение отвечает на вопрос «что-то там есть?», распознавание — на вопрос «что именно?», и в низковысотной ПВО второй вопрос обычно сложнее. В этой статье разберём, как работает радиолокационное распознавание, почему оно конфликтует с обнаружением и что покупателю следует проверить, прежде чем верить спецификации.

Почему узкое место — распознавание

Большинство развёрнутых противодронных радаров достигают того, что инженеры называют классификацией второго уровня (Tier-2): при устойчивом сопровождении они распределяют цели по грубым классам — дрон, птица, человек, машина, помехи. Звучит достаточно — пока не вспомнишь об условиях эксплуатации. Аэропорты, водно-болотные угодья, городские крыши и лесные опушки полны птиц, а маленькая птица в горизонтальном полёте имеет примерно ту же скорость и ЭПР, что и маленький дрон. Одними данными трассы их не разделить.

Следствие носит структурный характер: если классификация ненадёжна, системе приходится либо тревожиться на всё подряд (и выматывать операторов), либо задирать порог тревоги (и рисковать пропустить настоящий дрон). Ни то ни другое неприемлемо для объекта критической инфраструктуры. Именно качество распознавания определяет, от какого из этих двух сценариев отказа будет страдать система.

Микродоплер: отпечаток винтов

Признаком, изменившим эту картину, стала микродоплеровская сигнатура. Поступательное движение цели даёт один допплеровский сдвиг, но движущиеся части цели — вращающиеся винты, машущие крылья, движение конечностей — накладывают на эхо дополнительные, характерные частотные модуляции. Винты квадрокоптера дают плотные регулярные спектральные линии в виде гребёнки; взмахи крыльев птицы — более медленный возвратно-поступательный паттерн, который во временно-частотной области выглядит совершенно иначе. Подробнее о самом явлении — в доступном введении «Что такое микродоплеровская сигнатура? Именно по ней радар отличает птицу от дрона» и в более технической статье «Что такое микродоплеровская сигнатура?».

Два физических фактора определяют, насколько хорошо радар может использовать микродоплер:

1. Длина волны. Короткие волны чувствительнее к движениям сантиметрового масштаба. Радары Ku- и Ka-диапазонов разрешают маленькие винты намного лучше, чем низкочастотные системы, — одно из практических отличий, разобранных в статье «Чем отличаются радары Ku- и Ka-диапазона для обнаружения дронов?».
2. Время накопления. Чем дольше луч задерживается на цели, тем богаче микродоплеровская информация. Быстро сканирующие радары обновляют весь объём быстро, но тратят на каждую цель мало времени — прямой компромисс с качеством классификации, к которому мы вернёмся ниже.

На стороне обработки стандартный конвейер применяет оконное преобразование Фурье (STFT), строя время-частотные карты, а затем подаёт их в обученный классификатор — как правило, свёрточную нейронную сеть. На выходе — уже не голая отметка, а трасса с прикреплённым классом и уровнем достоверности: дрон, птица или прочее.

Честные ограничения распознавания на основе классификаторов

Распознавание на основе классификаторов работает, но его пределы заслуживают не меньшего внимания:

• Дальность. Микродоплеровским признакам нужно хорошее отношение сигнал/шум, поэтому дальность классификации всегда короче дальности обнаружения. Радар, обнаруживающий дрон с ЭПР 0,01 м² на 5 км, может надёжно классифицировать его лишь в пределах 3–4 км. Сравнивая изделия, запрашивайте оба числа — та же дисциплина, которую мы рекомендуем в статье «Чем дальность обнаружения отличается от дальности сопровождения? Не выбирайте радар по одной цифре».
• Обучающие данные. Классификатор хорош настолько, насколько хорош его обучающий набор. Модели, обученные на горстке популярных моделей дронов, могут давать сбой на незнакомых планерах, а извлечение признаков внутри глубокой сети не поддаётся интерпретации — при ошибочной классификации она не может объяснить, почему ошиблась. Заявления поставщиков именно в этом пункте несут больше всего маркетингового преувеличения среди всех характеристик.
• Накопление против сканирования. Распознаванию нужны длинные накопления; наблюдению за широкой зоной — быстрые повторные обзоры. Радар с механическим сканированием и одной антенной панелью, который «застывает», чтобы классифицировать одну цель, в этот момент не сканирует всё остальное. То, как архитектура балансирует между накоплением для распознавания и параметрами из статьи «Частота обновления и время повторного обзора в радаре обнаружения дронов», — одно из настоящих различий между изделиями.

От последовательной схемы к параллельной: как современные архитектуры разрешают компромисс

Старые конструкции обрабатывали обнаружение, сопровождение и распознавание как последовательный конвейер: сначала обнаружить, затем сопровождать, классифицировать в последнюю очередь — и всё это время радар смотрел на одну цель. Современные решения всё чаще выполняют эти задачи как параллельные, взаимодействующие процессы. Блок распознавания обрабатывает эхо в текущем луче, не дожидаясь установившейся трассы, а результаты классификации возвращаются в обнаружение и сопровождение: подтверждённую «птицу» можно понизить в приоритете, освобождая время накопления для неизвестных отметок, а подтверждённый дрон мгновенно повышает собственный приоритет повторного визита.

Практический результат — выходная трасса, несущая не только положение, но и идентичность цели; иногда это называют 4D-восприятием: дальность, скорость, положение и атрибут. Для оператора экран показывает «дрон, 2,8 км, приближается» вместо анонимной точки, и статья «Обнаружение БПЛА и сопровождение БПЛА: в чём разница и какие требования предъявляются к системе.» естественным образом продолжается в классификацию.

Что проверять покупателю

Распознавание — та характеристика, которую чаще всего демонстрируют красиво, а развёртывают плохо. Три проверки снимают большую часть риска:

1. Требуйте живого испытания классификации. Запустите настоящие дроны — в идеале свои собственные или арендованные распространённые модели — в реальной точке развёртывания, в присутствии птиц, и измерьте точность классификации и уровень ложных тревог. Демонстрационные ролики поставщиков сняты в условиях, которые выбрал сам поставщик.
2. Запрашивайте дальность классификации отдельно. Дальность обнаружения, дальность сопровождения и дальность классификации — три разных числа. Поставщик, не желающий их разделять, продаёт вам самое красивое из них.
3. Закрепляйте распознавание в приёмке. Пункт «точность классификации птица/дрон ≥ X % на дистанции Y км в условиях развёртывания» должен стоять в программе приёмочных испытаний наряду с требованиями статьи «Как лучше формулировать требования к дальности обнаружения в тендерах», которые тендеры обычно уже включают.

Наши РЛС малых высот серии Cyrentis CR выполняют классификацию на основе микродоплера и прикрепляют класс цели и уровень достоверности непосредственно к каждой выходной трассе, так что командные платформы могут фильтровать тревоги по классу. CR-PK05B, например, выдаёт классификацию вместе с данными круговой (360°) трассы — командная система видит, что представляет собой каждая отметка, а не только где она находится.

Подводя итог

Дальность обнаружения выигрывает буклеты; распознавание выигрывает развёртывания. Физика вопроса решена — микродоплер даёт радару надёжный способ отличать винты от крыльев, — но реальная эффективность зависит от выбора диапазона, стратегии накопления, обучения классификатора и честности спецификаций. Оценивайте распознавание так же, как оцениваете дальность: на своих дронах, в своих условиях, по письменным критериям приёмки.

Дополнительное чтение

• ESP32 + LD2410: архитектуры нейронных сетей для классификации движений (Habr)
• «Ростех» в разы увеличит выпуск Системы контроля воздушного пространства — о серийных системах обнаружения и сопровождения дронов в контролируемом воздушном пространстве.