Როგორ ასრულებს უკონტროლო ავიატრანსპორტის (UAV) აღმოჩენის რადარი თავის მისიონს მაღაროების გარემოში?

UAV-ის აღმოჩენის ელექტრომაგნიტური გამოწვევები მაღაროებში

Საერთო ხალხური შეფარება, მრავალგზიანი დამახინჯება და თერმული ინვერსიის ეფექტები

Მაღაროების ტერიტორიები ქმნის UAV-ის აღმოჩენისთვის უნიკალურად მტრულ ელექტრომაგნიტურ გარემოს. სამი ერთმანეთთან დაკავშირებული მოვლენა — საერთო ხალხური შეფარება, მრავალგზიანი დამახინჯება და თერმული ინვერსია — სისტემურად ამცირებს რადარის ეფექტურობას:

• Საერთო ხალხური შეფარება სტატიკური და მოძრავი ტექნიკის სიმჭიდროვე — ლომბერები, ტრანსპორტირების ტრაქტორები, საჭრელი მოწყობილობები — ერთად არსებული არეგულარული რელიეფით იწვევს მუდმივ და დინამიურ რადარულ რეფლექსიებს, რომლებიც მასკირებენ დაბალი RCS-ის დრონების სიგნალებს.
• Მრავალი გზით გადაცემული ხმაური რადარული სიგნალები არეკლებიან მკვეთრად დახრილ ვერტიკალურ მაღალ კედლებზე და ღრმა ჩაღრმავების კედლებზე, რაც ქმნის მცდარ ექოებს, რომლებიც ჩნდებიან როგორც დუბლირებული სამიზნეები აზიმუტისა და ელევაციის სიბრტვილებში — რაც ართულებს სამიზნეების დაკვეთას და კლასიფიკაციას.
• Თერმული ინვერსია ღრმა ღარებსა და საღარებში ტემპერატურის გრადიენტები რადიოტალღებს არეკლებიან რადარული სენსორების მიმართულებიდან. კვლევებმა დაადასტურეს აღელვების 50%-მდე შემცირება 200 მეტრზე მეტი სიღრმის შემთხვევაში.

Ეს ეფექტები გაძლიერდება ქარის ან ნალექების დროს, რაც შეამცირებს ეფექტურ აღმოჩენის მანძილებს 30–60%-ით ღია ტერიტორიებზე მიღებული საბაზისო მაჩვენებლების შედარებით.

Დაბალი RCS-ის და ნელა მოძრავი უპილოტო ავიატრანსპორტის (UAV) სიგნალები მძიმე მანქანების ხმაურში

Ახალგაზრდა მიკრო-UAV-ები ფიზიკური და სპექტრალური სტელთის საშუალებით კიდევე უფრო ართულებენ აღმოჩენის ამოცანას აქტიურ მაღაროებში:

• Მათი რადარული კვეთები (RCS) ხშირად 0,01 მ²-ზე ნაკლებია — ჩიტების ტოლფასობით — ხოლო მძიმე ტრანსპორტირების საშუალებები 100 მ²-ს აღემატებიან, რაც აბრუნების ძალაში 4–5 რიგის მასშტაბის განსხვავებას ქმნის.
• 15 მ/წმ-ზე ნაკლები სიჩქარით მოძრავი საშუალებების სიჩქარე სატრანსპორტო ბელტის მოძრაობასა და ლომბერის სვინგის ციკლებს ეფარება, რაც კინემატიკურ განსხვავებებს გაურკვევლობაში ყრის. მექანიკური ვიბრაციები კი დამატებით ჰარმონიულ შეფარებას იწვევს, რომელიც ნელა მოძრავი საჰაერო უპილოტო აპარატების (UAV) მიკრო-დოპლერის სიგნალებისგან განურჩევლად გამოიყურება.
• Დრეგლაინების, ბურღილების და კრუშერების მაღალი სიმძლავრის რადიოსიხშირის (RF) გამოსხივება მნიშვნელოვან FMCW სიხშირის დიაპაზონებს ავსებს, რაც მოითხოვს სიგნალების დამუშავების სისტემას, რომელიც 5 ჰც-ზე ნაკლები მიკრო-დოპლერის ცვლილებების გამოსარჩევად შესაძლებელია.

Სპეციალიზებული შეფარების მოხსნის და ადაპტური ზღვარგადაჭარბების გარეშე, აქტიური მანქანების 500 მეტრის რადიუსში მოძრავი დრონების აღმოჩენის ალბათობა 40%-ზე დაბალდება.

Საიმედო UAV-ების აღმოჩენისთვის რადარული ტექნოლოგიის ადაპტაციები

Საბანაო პირობების მიხედვით გაუმჯობესებული პულს-დოპლერისა და FMCW რადარები

Სამორეო სპეციფიკური შეფერხებეის გადალახვისთვის სამოდერნო რადარული სისტემები ფიზიკის ცოდნას მიმართულ არქიტექტურას აერთიანებენ მრავალბანდიანი მუშაობის ტექნოლოგიასთან:

Პალს-დოპლერის რადარული სისტემა მუშაობს სიჩქარის მიხედვით სიგნალების სხვადასხვა დოპლერის ბინებში დაჯგუფებით, რაც ხელს უწყობს სტაციონარული ობიექტებისა და بطი მოძრავი მოწყობილობების ხმაურის ფილტრაციას, ხოლო უავ-სიგნალები უცვლელად რჩება. ფმცვ რადარი ამ ადგილას კიდევა ერთ დამატებით შესაძლებლობას აძლევს, რომელიც მისცემს სიზუსტით მანძილის გაზომვებს და საშუალებას აძლევს მიკრო-უავ-ების აღმოჩენას, თუნდაც მათი რადარული კვეთის ფართობი 0,01 კვადრატული მეტრის მიდამოში იყოს. როდესაც ამ ტექნოლოგიებს რამდენიმე სიხშირის დიაპაზონში ერთად ვიყენებთ, სიტუაცია საინტერესო ხდება. L/S-ბენდის სიხშირეების გამოყენება უკეთეს შედეგებს აძლევს მტვერიან გარემოში და ტენიან პირობებში, ხოლო X-ბენდი უზრუნველყოფს მკაცრ საკვების დაკვეირებას. ამ კომბინაციას 50 მეტრზე დაბალ სიმაღლეზე მინის ტრანსპორტირების ბელტებსა და ღრმა ჭაობებში დრონების აღმოჩენის 93%-იანი წარმატების მაჩვენებელი აქვს, სადაც ხილვადობა რთულია. და აქ კიდევა ერთი მნიშვნელოვანი ფაქტი უნდა აღინიშნოს — საკმაოდ სრულყოფილი სიგნალების დამუშავება ფაქტიურად ამოხსნის იმ პრობლემას, როდესაც მიზნები მინის კედლებსა და სხვა სტრუქტურებზე არეკლილი სიგნალების გამო დუპლიკატებად ჩნდებიან.

Ხელოვნური ინტელექტით ოპტიმიზებული CFAR დამუშავება კონვეიერის ჰარმონიკებისა და მაღალი კედლების გამოწვეული მცდარი შეტყობინებების ჩახშობისთვის

Ტრადიციული CFAR ალგორითმები მართლაც არ მუშაობენ კარგად მაღაროების გარემოში, რადგან ამ გარემოში მრავალრიცხოვანი მაღალი ამპლიტუდის ჰარმონიკები წარმოიქმნება მაგალითად დამხსნელებიდან, კონვეიერებიდან და დრაგლაინებიდან. ეს იწვევს მცდარი სიგნალების მრავალრიცხოვან გამოძახებას, რაც რეალური დრონების სიგნალების აღმოჩენას ძალზე რთულდება. ახალი, ხელოვნური ინტელექტით გაძლიერებული CFAR მიდგომა ამოაცვლის ფიქსირებული ზღვრების პარამეტრებს მანქანური სწავლების მოდელებით, რომლებიც მაღაროების მოწყობილობების სპექტრების რეალური მსოფლიოს მონაცემების საფუძველზე არის განათლებული. ამ მოდელების განსაკუთრებული მახასიათებელი ის არის, რომ ისინი შეძლებენ დრონების უჩვეულო მოძრაობის ნიმუშების გამოყოფას გარშემო მყოფი მანქანების რეგულარული ციკლებისგან. ამასთანავე, ისინი თავისთვის ადაპტირდებიან თითოეული კონკრეტული ადგილის პირობებს მიხედვით, მათ შორის მაღალი კედლების ფორმა და ბელტის მოძრავე სისტემების ელექტრომაგნიტური შეფერხება.

Ველური გამოცდების შედეგებმა დაადასტურეს ყოველდღიური CFAR-ის შედარებით შეცდომითი სიგნალების 41%-იანი შემცირება, ხოლო ქვიშის შტორმების დროს მოწყობილობის ეფექტურობა შენარჩუნდა, როდესაც ოპტიკური და რადიოტალღური ალტერნატივები ვერ ახერხებენ ამოცნობიერებას.

Საერთაშორისო პრაქტიკაში გამოყენებული უმაღლესი ავტომატური საჰაერო საშუალებების ამოცნობიერების ეფექტურობა და ვალიდაცია

Რიო ტინტოს პილბარაში განხორციელება: 92% ამოცნობიერების სიხშირე ¤1.2 კმ მანძილზე ქვიშის და ინვერსიის პირობებში

Რადარული სისტემები, რომლებიც განთავსებულია უესტერნ-ავსტრალიის პილბარას რეგიონში, მიკრო-БПЛА-ების აღმოჩენას ხერხებდნენ დაახლოებით 92 პროცენტიანი სიზუსტით, მაშინაც კი, როდესაც ისინი 1,2 კილომეტრის მანძილზე ფრენდნენ. ეს რეგიონი სერიოზულ გამოწვევებს წარმოადგენს ჰაერში მუდმივად არსებული რკის ხალხის, თერმული ინვერსიების და 24 საათიანი სამრეწველო საქმიანობის გამო. რა განაპირობებს ამ სისტემების ასეთ კარგ მუშაობას? ისინი გამოიყენებენ მრავალსპექტრულ განვითარებულ დოპლერის ტექნოლოგიას, რათა გამოყოს ის მცირე და ნელა მოძრავი სამიზნეები ფონური ხმაურის შუაგარეშე, რომელსაც მოახდენენ მტვრის ნაკრებები და რადიოტალღების გავრცელების მახასიათებლებში მომხდარი ცვლილებები. გამოცდილობები აჩვენებს, რომ ეს ორსპექტრული მიდგომა ნამდვილად გამძლეობს შემოწმებას იმ ელექტრომაგნიტურ გარემოში, რომელსაც ბევრი მოიცავს როგორც დედამიწის ყველაზე რთულ ელექტრომაგნიტურ გარემოს საბანაო სამრეწველო საქმიანობებისთვის.

Ენგლო ამერიკანის 2023 წლის გამოცდილობა: ადაპტური ზღვარის გამოყენებით შეცდომითი სიგნალების შემცირება 41%-ით

2023 წელს Anglo American ჩაატარა ტესტი, რომელიც შეისწავლიდა ხელოვნური ინტელექტის საფუძველზე აგებული ადაპტური ზღვარგადაჭარბების გავლენას მათი ერთ-ერთ დიდ მინერალების მოპოვების საწარმოზე მიმდინარე ოპერაციებზე. შედეგები აჩვენა, რომ ეს სისტემა შეამცირა შეცდომითი სიგნალები დაახლოებით 41 პროცენტით სამუდამო ზღვარგადაჭარბების რადიოლოკატორებთან შედარებით. იგი განსაკუთრებით კარგად მუშაობდა კონვეიერული ბელტებიდან მომდინარე ამინდვილი სიგნალების და მაღალი კედლებიდან მომდინარე უცნაური რეფლექსიების შეჩერებაში. მთელი სისტემა მუშაობს იმიტომ, რომ უწყვეტად ამოახსენებს თავის მასივებს რეალურ დროში, მიხედვად იმისა, თუ რას აკეთებენ მანქანები და რას აღიქვამს რადიოლოკატორი. ეს ნიშნავს, რომ სისტემა მუდმივად სწორად გამოარჩევს ნამდვილ საფრთხეებს ფონური ხმაურის შუაგარეშე და არ სჭირდება ადამიანის მიერ პარამეტრების ხელით რეგულირება. საკმაოდ შესანიშნავი მიღწევა, ვინაიდან ყველა აღჭურვილობა ხშირად ადგილს იცვლის და სამუშაო გრაფიკები სხვადასხვა სვლაში იცვლება.

Ხშირად დასმული კითხვები

Რა არის მიწის შეფარება (ground clutter) სამაღალო საჰაერო საშუალებების (UAV) აღმოჩენის კონტექსტში მაღარეობებში?

Საერთო შემცდომები არის რადარული გადატვირთვა, რომელიც გამოწვეულია სტატიკური და მოძრავი მაღაროების ტექნიკის სიმჭიდროვით განლაგებით, ასევე არეული რელიეფით, რაც შეიძლება დაფაროს დრონების დაბალი რადარული კვეთის (RCS) სიგნალები.

Როგორ ახდენს თერმული ინვერსია გავლენას უპილოტო ავიატრანსპორტის აღმოჩენაზე?

Მაღაროებში თერმული ინვერსია იწვევს ტემპერატურულ გრადიენტებს, რომლებიც რადიოტალღებს არეკლავს რადარული სენსორებისგან, რაც მნიშვნელოვნად ამცირებს სიგნალს და უფრო რთულ ხდის უპილოტო ავიატრანსპორტის აღმოჩენას.

Რატომ არის თანამედროვე მიკრო-უპილოტო ავიატრანსპორტი რთული აღსამოჩენად მაღაროებში?

Თანამედროვე მიკრო-უპილოტო ავიატრანსპორტს აქვს დაბალი რადარული კვეთის მაჩვენებელი, რომელიც შეიძლება შევადაროთ ფრინველებს, და ისინი მოძრაობენ სიჩქარით, რომელიც მსგავსია მაღაროების ექსპლუატაციის სიჩქარეს, რაც მათ რთულ ხდის გარემოს ხმაურსა და მანქანების ვიბრაციებს გამოყოფის მიზნით.

Როგორ აუმჯობესებს ხელოვნური ინტელექტით ოპტიმიზებული CFAR უპილოტო ავიატრანსპორტის აღმოჩენას მაღაროების გარემოში?

Ხელოვნური ინტელექტით ოპტიმიზებული CFAR ამოცვლის ფიქსირებულ შეძლებულობას მანქანური სწავლების მოდელებით, რომლებიც ადაპტირდებიან რეალური მსოფლიოს მონაცემებსა და გარემოს პირობებს, რაც მნიშვნელოვნად ამცირებს შეცდომით შეტყობინებებს და ამაღლებს უკარგავი ავტომატური ფრენის საშუალებების (UAV) აღმოჩენის სიზუსტეს.