【技术解析】反无人机雷达ATR技术-第三章

3  ATR

雷达在目标识别方面需要特定技术 。ATR 技术被定义为一种利用雷达获得的信息 ,通过信号处理和信息解译手段 ,以获取目标的物理特性、散射特性等详细信息 ,并最终确定目标属性的过程。

目标识别是雷达信号处理的核心步骤 ,但也是传统雷达工程所忽视的关键。将“探测”定义为一个包含2个步骤的过程:首先是信号检测(signal extraction),采用基本的门限检测原理;其次是回波识别(echorecognition),需要解答过门限的回波代表什么目标的问题。因此,雷达探测是从“信号检测”到“回波识别”的过程。ATR 技术被广泛认为是雷达领域的前沿技术。 由于其敏感性 ,许多关于 ATR 的技术细节并不公开 。然而 ,参考表 1 可知 , 许多反无人机雷达方案具备目标识别功能。

3. 1  目标特点

就反无人机雷达探测目标而言 ,小型无人机具备独特的特征,包括较低的雷达截面(RadarCross Section,RCS)、慢速和低飞行高度;因此,这些无人机也被称为 LSS目标。但是,仍旧需要一个量化参考来描述无人机的类型,否则难以指导反无人机雷达设计。2008年,中国相关部门提出了 LSS雷达目标的概念,用于描述具有通常 RCS值低于2 m2、飞行速度低于 200 km/h、在 1000 m以下高度操作的小型空中物体。

与此同时 ,也可以参考美国国防部所指定无人机分类标准,即 Group 1&2无人机[10] ,如表 2所示。Group 1&2 无人机通常具有 的雷达截面范 围在0. 01 ~0. 1 m2 ,其大小约为典型飞机的 1/10 000~1/1 000(如图 4所示)。Group 1&2无人机通常轻便、紧凑,并用于短程侦察和监视任务。此外,它们在民用领域有着广泛的应用,例如航拍、制图和检测。这些远程操控的无人机能够搭载各种传感器、摄像头和有效载荷,以便收集数据并完成特定任务。总体而言,Group1&2无人机在当代军事和民用运用中扮演着重要角色,为各种应用提供了经济实惠且多功能的平台,也是反无人机雷达主要的探测对象。

3. 2  识别方法

1958 年，美国 Barton教授使用雷达回波信号分析成功识别了前苏联 Spark-II 上 的角反射器结构［ 12-13］，这标志着雷达ATR技术的开端。一般来说，雷达 ATR功能通常被视为集成到现有雷达系统中的额外模块，这意味着 ATR模块必须在雷达参数所施加的限制内运行。值得注意的是，英国BAE公司学者 PeterTait编写了一本涵盖雷达ATR解决方案基本原理的书籍，详细介绍了这一主题［ 14］。类似地，David Blacknell和HughGriffiths 合著了一本关于雷达 ATR的综合书籍［ 15］，深入探讨了地面目标、空中目标和海上目标的各个方面。在过去的几十年里，多个 ATR学派都认识到了在特定情况下实现成功的 ATR应用所需的雷达特征的重要性［14-17］。雷达ATR技术根据特征可以分为多个流派，包括RCS、高分辨率距离像（HighRangeResolutionProfile，HRRP）、多极化、微多普勒和航迹判别等。

关于反无人机雷达应用，值得注意的是，利用HRRP检测和识别小型无人机存在一些挑战，因为需要亚厘米级的距离分辨率来捕捉长度小于 1 m 的无人机目标的结构［ 16-17］，这就要求雷达发射带宽在GHz级别，传统反无人机雷达难以满足。常见的反无人机雷达采用窄带、低距离分辨力，迫使RCS特性、微多普勒和运动学特征等成为识别的主要选择之一。

理论上，目标的固有频率是由其形状和材料成分决定的函数，由于固有频率不受距离和高度的影响，因此具有增强目标识别鲁棒性的特点［ 17 -22］。假设雷达发射的Shv = Svh ，那么目标的后向散射矩阵S可以表示为［ 17 ］：

散射矩阵的统计分布展示了一定的目标信息，但需要注意的是，利用这种方法需要对“极点”理论中谐振区域的散射极化理论有基本的了解。然而，提取固有频率并将其与特定物体联系起来是有挑战的。目前市场上实际采用这种方法的实用雷达非常罕见。由于谐振区域的散射机制缺乏明确性，大多数关于这个主题的研究仍然停留在实验室阶段。多极化可能更常见地适用于密集集群类目标，例如一定规模鸟群、云雨和箔条等。

目标RCS的统计特性是常见的分类特性之 一 。RCS 度量目标的散射能力大小，σ 的表达式为：

式中：r 为距离，Es  为散射场，Ei  为入射场。因此，RCS是一个统计平均值。例如，喷气式飞机通常具有约 100 m2的 RCS，而小型四旋翼无人机的 RCS约为0.1m2 。目标的测量RCS随时间、波段和目标姿态等因素会波动，可以表示为波形或时间序列。此外 , 目标 RCS 的统计特性可以提供有关目标的宝贵信息 ,例如大小、形状等 ,有助于目标的识别。

另一类特征是运动学特征 ,包括速度和轨迹。考虑目标的速度为Vb ,这是通过雷达系统中的多普勒测量确定的 。多普勒频移可表示为 :

式中:D(r,t)表示一般的运动学特征,R 表示目标的侦测距离,r 表示雷达的距离分辨率。这些特征也称为轨迹分类,长期以来已在雷达系统中使用,特别用于对空中目标进行分类。当雷达系统探测到空中目标时,会生成一个轨迹,记录了目标在时间上的移动。通过对这些轨迹进行轨迹分类算法的分析,可以确定各种目标特征,包括其大小、速度和飞行模式[23]。这些信息在目标分类中起着重要的作用,理论上能够区分无人机、飞机、直升机或其他类型的空中目标。然而,在利用运动学特征时需要考虑一些因素。首先,成功的目标检测对提取运动学特征至关重要。由于无人机通常发出较弱的雷达信号,检测概率显著影响着轨迹分类的性能,存在鸟类等其他干扰,其轨迹模式与无人机相似,这为 ATR 性能带来了额外的挑战。此外,航迹判别需要更长的处理时间,并且具有较短的识别范围,因为运动学特征并不具有鲁棒性。

微多普勒效应是指目标表现出的微小运动所产生的额外多普勒频移,例如直升机旋转的叶片运动或鸟类翅膀的振动[24]。假设无人机的速度为 Vb ,微多普勒频移可以近似为考虑到叶片速度在雷达视线上的径向分量。其关系可以表示为:

式中 :R为雷达距离,L为叶片长度,ω为叶片的旋 转速率,α为方位角,β为俯仰角。根据上式,微多普勒频移由2个正弦函数调制。因此,对微多普勒特征的全面描述包括调制函数,其本质上取决于观测时间。微多普勒分析能够提取微结构信息,可用于目标识别 。虽然微多普勒特征通常被视为运动学特征 ,但在这种情况下 ,将一些特定的微多普勒特征 视为结构/几何特征。

微多普勒理论之父 ,Chen博士提出了微多普勒方法所面临的关键挑战是对提取特征的有效解释以及这些特征与目标结构方面的相关性[24] 。在无人机微多普勒的情况下,微多普勒现象主要源于叶片的一致旋转运动或旋转结构的存在,如图 5(b)所示。这种典型现象使得能够提取与无人机相关的独特雷达特征,例如叶片数量和旋转速率,大大促进了对无人机的识别。因此,如表 1所示,许多反无人机雷达利用微多普勒分析来识别无人机信号。

尽管微多普勒分类具有优势 ,但也面临着一些挑战。首先,微多普勒更多的是一种现象而不是特征。微多普勒现象的3种形式(如图 6所示):喷气发动机调制(JetEngineModulation,JEM)或直升机旋翼调制  (HelicopterEngineRotorModulation, HERM)线在频谱中的调制,通过短时傅立叶变换(ShortTime Fourier Transform,STFT)获得的“桨叶反射信号(bladeflash)”图案的谱图,以及距离-微多普勒像。JEM谱指的是频谱中具有一定相邻间隔和类似幅度的谱峰[25] ,而 bladeflash模式描述了谱图上的微多普勒频率正弦迹;其次,增强微多普勒信号是有代价的,并非所有的雷达停留时间都适合检测无人机雷达信号中旋转叶片产生的微多普勒信号。雷达停留时间既不能太长也不能太短,以有效地检测微多普勒信号[26] 。同时,需要足够高的采样频率以获取足够的微多普勒信息以分离微多普勒信号。微多普勒数据不足可能会导致叶片数量的错误估计[27] 。此外,利用机器学习算法获得微多普勒图像的高信噪比(Signalto Noise Ratio,SNR)对于准确识别无人机至关重要[28] 。综合而言,微多普勒方法识别无人机回波具有挑战性。

3. 3  识别等级

对于一个 ATR 系统或者一个 ATR 方法而言 ,ATR 识别性能首先是需要量化指标来约束 。北约(North Atlantic Treaty Organization,NATO)提供了一个全面的框架,用于理解 ATR并评估目标属性。目标获取被定义为涉及检测、识别和精确定位目标的过程,旨在实现有效的武器利用。相反,识别涉及确 定被探测到的人员、物体或现象的性质、类别、类型以及在可行的情况下亚类别。根据 NATOAAP-6术语和定义词汇表[33] ,“识别(Recognition)”这一术语具有更具体的含义。这个过程可以想象成一个分类树,在这个树状结构中,目标按照逐步细化的子类别进行系统分类,包括:

① 检测(Detection) :将目标与场景中的其他物体分离。

② 分类(Classification) :将一个元类别赋予目标 ,比如飞机或轮式车辆。

③ 识别(Recognition) :确定目标的类别 , 比如战斗机或卡车。

④ 确认(Identification) :指定目标的子类别 ,例如米格 29 战斗机或 T-72 坦克。

⑤ 描述(Characterization):考虑子类别变种 ,例如 带有燃料桶的米格 29 PL 或没有燃料桶的 T-72 坦克。

⑥ 指纹(Fingerprinting) :进行更精确的技术分析 ,例如带有侦察吊舱的米格 29 PL。

必须承认的是 ,这些分解步骤之间的界限可能对所有问题和目标并非普遍严格。但是,在现有研究中,通常存在 ATR性能层级划分的不准确性,有 时在讨论主题时会非正式地滥用“分类”“识别”这些术语。这种缺乏清晰度可能会导致对雷达 ATR 解决方案的有效性产生困惑。此外,仅依赖单一雷达能力可能无法实现更高级别的功能,比如“Finger-printing”。因此,面向反无人机雷达需求,针对雷达ATR技术层级,提议对 NATO的识别层级进行以下修订,仅依靠雷达这个单一传感器,ATR技术能判别目标的性能为:

① 检测 ( Detection ) :提取场景中目标的雷达信号。

② 分类(Classification) :为目标分配一个元类别 ,比如无人机或鸟类。

③ 识别(Identification) :确定目标的子类别 ,比如固定翼无人机或四轴飞行器无人机。

④ 描述(Description) :进行更精确的技术分析 , 比如四轴飞行器无人机 DJI Phantom 4、配备 Go-Pro 相机的有效负载。

4  分析与讨论

尽管很少有反无人机雷达厂商公开承认 ,但是实际上 ATR 技术在一定基础上指导了反无人机雷达设计方案 。本节基于 ATR 观点来研究表 1 中典 型反无人机雷达设计思路。

在某种程度上 ,反无人机雷达的性能直接影响着整个 C-UAS的效能,因为它负责执行早期的探测预警和目标位置导引等2 项任务。选择英 国AVEILLANT公司的 Gamekeeper雷达和法国 Thales 公司的 SQUIRE雷达作为比较的典型代表。在本文中,基于不同 ATR方法视角,前者被称为“航迹雷达”和“微多普勒雷达”。此外,还将课题组开发的多功能雷达(如图7所示)作为第 3个参考雷达。

2019 年,英国 AVEILLANT公司推出用于保护民用敏感设施的 C-UAS方案 Eagle-SHIELD。其中,雷达采用了 Gamekeeper雷达,全息(Holographic)雷达体制,接收通道为 4×16个,工作在L波段,PRF 为 18 kHz,距离分辨率为 75 m,俯仰角范围为 30°,数据更新时长为0.25 s,对典型 RCS为0.01 m2的无人机探测距离 5 km[34-35] 。2022 年,法国Thales 公司在Eagle-SHIELD 框架下展示了新一代的C- UAS方案Horus-Shield。其 中,雷达是SQUIRE雷达,FMCW体制,工作在X 波段,对典型RCS为0.01 m2的无人机探测距离 3 km[16,28,36] 。自 2020年起,武汉大学 ATR课题组与合作单位共同研发了新一代多功能智能雷达方案 WHU-X001。该雷达工作在X 波段,具有 约20ms的 相 干处 理 间 隔(Coherent Pulse Integration,CPI)以及 5 kHz 的脉冲重复频率(Pulse Repetition Frequency,PRF)。传输带宽约为12.5 MHz,能提供约 12m的距离分辨率。该雷达系统配备了主动电子扫描相控阵(ActiveE-lectronically Scanned Array,AESA)天线,并安装在旋转桌上,实现 360°方位扫描覆盖。利用全系统软件可编程功能,具备实时 ATR识别能力,可在探测距离达到 12 km时识别典型 RCS为 0.01 m2  的无人机。该雷达方案可用于机场鸟类探测雷达、反无人机雷达和海岸监视雷达等领域。

传统的雷达信号处理流程通常包括信号检测、目标跟踪以及目标识别单元 [39] 。信号处理流程呈现为串行、单向方式 :首先进行信号检测以侦测回波信号 ,随后将其传递给目标跟踪单元 ,最后才进入识  别单元进行目标识别(如图 8(a)所示)。

4. 1 探测距离

探测距离通常被认为是衡量雷达信号检测能力的一项指标,也是最重要的雷达性能参数之一。雷达方程假设目标可以被视为具有平均雷达截面积的点目标。这个方程可以计算 SNR,该比率用于衡量雷达系统在特定范围内检测特定目标的能力,方法是将目标的散射功率与背景噪声进行比较。雷达方程的数学表达式如下[40]:

式中 :Ts为系统噪声温度,Bn为接收机的噪声带宽,L为总系统损耗,k 为波兹曼常数,Pt  为发射功 率,Gr为接收增益,Gt为发射增益,R为测量范围,σ 为目标的雷达截面积,λ为雷达波长。雷达方程说明雷达设计的基本原则是雷达探测原理。对于单脉冲探测,如果检测概率超过 50%,则目标的 SNR至少应为 13.1 dB。要达到 95%的检测概率,SNR应为 16.8dB[40] 。简单来说,具有较低雷达 RCS的较小目标将具有较低的SNR,导致检测距离范围缩小。因此,雷达系统在检测具有较小雷达 RCS的无 人机和其他物体时通常会遇到“漏警”和“虚警”的挑战。

针对距离方面 ,“航迹雷达”(如图 7(a)所示)采用了 L波段用于侦测无人机目标,可能是考虑利用了谐振效应来增强无人机回波信号的能量。理论上,L 波段雷达与无人机目标 (表2中 的  Group1&2)的尺寸大致相近,因此,回波位于谐振区域。由于谐振效应的能量放大作用,无人机的 RCS会被放大。相对于 X波段雷达,L 波段雷达接收到的无人机回波信号具有更高的 SNR,或可超过 20 dB。这样的设计可以大幅提高无人机目标的探测距离。此外,基于航迹判别的 ATR方法实际上涉及 2个主要问题:①如何检测微弱信号;②如何进行航迹关联。在谐振区,无人机的 RCS被放大,因此其回波信号不再微弱。当能够稳定、快速绘制无人机回波的轨迹时,也有助于进行航迹关联,最终有助于目标跟踪,利用航迹判别也有助于目标识别。

然而 ,航迹判别方案也存在一些缺陷。首先,“航迹雷达”系统的成本较高,需要对目标坐标进行精确测量。为此,“航迹雷达”采用了多输入多输出(Multiple-InputMultiple-Output,MIMO)方案,并需要持续跟踪状态进行探测。因此,该雷达也称为“凝视(Staring)雷达”,实际上也是固定方位角,对目标进行持续扫描和连续跟踪(如图 9(a)所示)。据称,这可以高精度地测量目标的三维位置并用于目标识别。其次,许多干扰目标,尤其是鸟类,也会由于谐振效应而导致 RCS增大,进而干扰无人机回波的检测。由于鸟类的航迹往往与无人机的航迹重叠,航迹判别的鲁棒性仍然需要提高。再者,相较于X波段 (光学 区波段),L 波段 的波长大约是其10倍,在相同条件下,其多普勒分辨率大致为 X波段雷达的 1/10。较差的频率分辨率不利于检测微多普勒信号等特征,也不利于多维特征(如联合微多普勒、航迹等)识别。最后,航迹判别仍然受限于探测距离,当无人机距离较远时,其回波能量仍然很低,可能产生虚警,而且考虑到无人机飞行速度较慢,跨越距离单元也很困难。这导致在远距离情况下,很难稳定跟踪无人机,更难以进行目标识别。

下期更精彩......

*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