မိုင်းထုတ်လုပ်ရေး ပတ်ဝန်းကျင်များတွင် UAV စောင်းဖော်မှု ရေဒါ၏ စွမ်းဆောင်ရည်မည်သည့်အခါများတွင် ဖော်ပြသနည်း။

မောင်းသူမဲ့ လေယာဉ်များအား မိုင်းတွင်းတွင် ရှာဖွေရန် လျှပ်စစ်သံလိုက် စိန်ခေါ်မှုများ

မြေပြင်အရှုပ်ထွေးမှု၊ လမ်းကြောင်းပေါင်းစုံကို ဖောက်ပြန်ခြင်းနှင့် အပူချိန် ပြောင်းပြန်သက်ရောက်မှု

မိုင်းတွေ တူးဖော်ရာ နေရာတွေဟာ UAV တွေကို ရှာဖွေဖို့ အထူးတလည် ရန်လိုတဲ့ လျှပ်စစ်သံလိုက် ပတ်ဝန်းကျင်ကို ဖန်တီးပေးပါတယ်။ ဆက်စပ်နေတဲ့ ဖြစ်စဉ် သုံးခုက မြေပြင်အရှုပ်ထွေးမှု၊ လမ်းကြောင်းစုံရဲ့ အပြောင်းအလဲနဲ့ အပူပိုင်း ပြောင်းပြန်မှုတွေဟာ ရဒါရဲ့ စွမ်းဆောင်ရည်ကို စနစ်တကျ ကျဆင်းစေပါတယ်။

• မြေပြင်အညစ်အကြေးများ စတေတစ်နှင့် လှုပ်ရှားနေသော စက်ကိရိယာများ— ချောက်ဖောက်စက်များ၊ ပို့ဆောင်ရေး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကုန်သုံး ကုန်တင်ကု......
• များပြားသော လမ်းကြောင်းပျောက်ခြင်း ရေဒါအချက်ပေးမှုများသည် ထောင်လောက်သော အမြင့်မားသော ဘေးတွင်းနံရံများနှင့် တွင်းဖောက်နံရံများပေါ်သို့ ပေါ်လောက်စေပြီး အဇီမုသ်နှင့် အီလီဗေရှင်း အများအပျော်တွင် နှစ်ထပ်သော ပစ်မှတ်များအဖြစ် အမှားအမှင်ဖော်ပေးသည်— အသိအမှတ်ပြုခြင်းနှင့် ခွဲခြားသတ်မှတ်ခြင်းကို ရှုပ်ထွေးစေသည်။
• အပူခွဲခြမ်းမှု တွင်းများနှင့် နက်ရှိုင်းသော တွင်းများတွင် အပူခါးခါးများသည် ရေဒါစက်များမှ ရေဒီယိုလှိုင်းများကို ရေဒါစက်များမှ ဝေးကွာသော ဦးတည်ချက်သို့ ကွေးခေါက်စေသည်။ လေ့လာမှုများအရ ၂၀၀ မီတာထက် ပိုမိုနက်ရှိုင်းသော နေရာများတွင် အချက်ပေးမှုအား ၅၀% အထ do လျော့နည်းမှုကို မှတ်တမ်းတင်ခဲ့ကြသည်။

ဤအကျိုးသက်ရောက်မှုများသည် မှုန်ရောင်ခြမ်းများ သို့မဟုတ် မိုးရွာသောအချိန်များတွင် ပိုမိုပြင်းထန်လာပြီး ဖွင့်လှစ်သော မြေပုံနှင့် နှိုင်းယှဉ်ပါက အသုံးဝင်သော ရှာဖွေမှုအကွာအဝေးများကို ၃၀–၆၀% အထ do လျော့နည်းစေသည်။

အလွန်နိမ့်သော RCS နှင့် နှေးကွေးစွာ ရှုပ်ထွေးနေသော UAV အများအပျော်များသည် အလွန်များပြားသော စက်ကိရိယာများ၏ အသံများကြောင့် လုပ်ဆောင်နေသော တွင်းများတွင် ရှာဖွေရေးစွမ်းရည်ကို ပိုမိုခက်ခဲစေသည်။

ခေတ်မှီ မိုက်ခရို UAV များသည် ရုပ်ပိုင်းဆိုင်ရာနှင့် စပက်ထရမ်အရ လျှို့ဝှက်မှုများဖြင့် လုပ်ဆောင်နေသော တွင်းများတွင် ရှာဖွေရေးစွမ်းရည်ကို ပိုမိုခက်ခဲစေသည်။

• ၎င်းတို့၏ ရေဒါဖြန်းခြင်းအပိုင်း (RCS) သည် မကြာခဏ ၀.၀၁ စတုရန်းမီတာအောက်သို့ ကျဆင်းလေ့ရှိပြီး အများအားဖြင့် ငှက်များနှင့် နှိုင်းယှဉ်နိုင်သည်။ ထို့အတူ အလေးချန်းယာဥ်များသည် ၁၀၀ စတုရန်းမီတာကို ကျော်လွန်သည်။ ထို့ကြောင့် ပြန်လာသည့် အားကောင်းမှုတွင် ၄ မှ ၅ အဆ ကွာဟမှုရှိသည်။
• ၁၅ မီတာ/စက္ကန်းအောက် အမြန်နှုန်းဖြင့် ပျံသန်းနေသည့် အမြန်နှုန်းများသည် ကုန်ပစ္စည်းပို့ဆောင်ရေးဘောင်းဘောင်းများ၏ လှုပ်ရှားမှုနှင့် ခေါင်းလှီးမှု စက်ဝိုင်းများနှင့် အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါအတိုင်း အောက်ပါ......
• ဒရက်လိုင်းများ၊ အဖောက်စက်များနှင့် ခြုံသည်များမှ ထွက်ပေါက်သည့် အမြင့်အားကောင်းသည့် RF အသံလွှင့်မှုများသည် FMCW ဘန်းများကို ပြည့်နေစေပြီး ၅ Hz အောက်ရှိသည့် micro-Doppler ရှိဖြစ်မှုများကို ဖော်ထုတ်နိုင်ရန် လိုအပ်သည့် အသံလွှင့်မှု စနစ်များကို လိုအပ်သည်။

အထူးသဖြင့် အနှောင်အဖေးများကို ဖယ်ရှားရန်နှင့် အဆင်ပေးသည့် ခြုံငုံမှုများကို အသုံးပြုရန် မရှိပါက အလုပ်လုပ်နေသည့် စက်ကိရိယာများမှ ၅၀၀ မီတာအတွင်း ပျံသန်းနေသည့် ဒရုန်းများကို ဖမ်းမိနိုင်မှု အခဲမှုသည် ၄၀% အောက်သို့ ကျဆင်းသည်။

ယုံကြည်စိတ်ချရသည့် UAV ဖမ်းမိမှုအတွက် ရေဒါနည်းပညာ အညီအမျှပြုလုပ်မှုများ

မိုင်းတွင်းအခြေအနေများအတွက် အထူးသဖြင့် ပြုလုပ်ထားသည့် Pulse-Doppler နှင့် FMCW ရေဒါများ မွမ်းမူမှုများ

မိုင်းတွင်းလုပ်ငန်းနှင့်သက်ဆိုင်သော အဟန့်အတားများကို ကျော်လွှားရန်အတွက် ခေတ်မှီရေဒါစနစ်များသည် ရူပဗေဒအခြေပြု အဆောက်အဦးဖွဲ့စည်းပုံနှင့် များပြားသော လှိုင်းအုပ်စုများဖြင့် လုပ်ဆောင်သည့် စနစ်များကို ပေါင်းစပ်ထားပါသည်။

ပัစ်-ဒေါ်ပလာ ရေဒါစနစ်သည် အမြန်နှုန်းအလိုက် အချက်အလက်များကို အသီးသီးသော ဒေါ်ပလာဘင်များသို့ စီထားခြင်းဖြင့် လုပ်ဆောင်ပါသည်။ ထိုသို့ပြုလုပ်ခြင်းဖြင့် နေရာတက်နေသော အရာများနှင့် နှေးကွေးစွာ ရွေ့လျားနေသော ပစ္စည်းများမှ အသံညစ်များကို စီစဥ်ဖော်ထုတ်နိုင်ပြီး UAV အချက်အလက်များကို မပျက်စီးစေဘဲ ထိန်းသိမ်းပေးပါသည်။ FMCW ရေဒါသည် ဤနေရာတွင် အခြားတစ်မျှော်မှုကို ထည့်သွင်းပေးပါသည်။ ၎င်းသည် အကွာအဝေးကို အလွန်တိကျစွာ တိုင်းတာနိုင်ပါသည်။ ထို့ကြောင့် ရေဒါဖြတ်ကုန်ပြား (Radar Cross Section) သည် စတုရန်းမီတာ ၀.၀၁ အထိ နိမ့်ကျနေသည့် အသေးစား micro-UAV များကိုပါ ရှာဖွေတွေ့ရှိနိုင်ပါသည်။ ဤနည်းပညာများကို မတူညီသော အက frequency band များတွင် ပေါင်းစပ်အသုံးပြုလျှင် စိတ်ဝင်စားဖွယ်ရာများ ဖြစ်ပေါ်လာပါသည်။ L/S-band အက frequencies များကို အသုံးပြုခြင်းဖြင့် မှုန်ရေများနှင့် စိုစွတ်သော အခြေအနေများတွင် ပိုမိုကောင်းမွန်သော စွမ်းဆောင်ရည်ကို ရရှိနိုင်ပါသည်။ X-band သည် အလွန်တိကျသော ခြေရာခံမှုအသေးစိတ်များကို ပေးစေပါသည်။ ဤနည်းပညာများကို ပေါင်းစပ်အသုံးပြုခြင်းဖြင့် မိုင်းတွင်းမှ ပိုက်လိုင်းများနှင့် မိုင်းတွင်းအက်က်များအနီးတွင် မျက်စိဖြင့် မြင်ရခဲသော အခြေအနေများတွင် ၅၀ မီတာအထက်မှုန်းအောက်ရှိ ဒရုန်းများကို ရှာဖွေတွေ့ရှိနိုင်မှုနှုန်း ၉၃% အထိ ရရှိနိုင်ပါသည်။ ထို့အပြင် ထောက်ထားစေလိုသည့် အချက်တစ်ခုမှာ အဆင့်မြင့် အချက်အလက်စီမံမှုနည်းပညာများသည် မိုင်းနံရံများနှင့် အခြားဖွဲ့စည်းပုံများမှ ပုံပေါ်လာသော အရှိန်ပေးမှုများကြောင့် ပစ်မှတ်များ နှစ်ခါပေါ်လာသည့် ပြဿနာများကို အမှန်တကယ် ဖြေရှင်းပေးနိုင်ပါသည်။

ကုန်စည်သယ်ဆောင်ရေးစက်ပစ္စည်းများ၏ ဟာမောနစ်များနှင့် မြင့်မားသော တောင်စောင်းများမှ အမှားအမှင် အသိပေးချက်များကို ဖျောက်ဖျက်ရန် AI ဖြင့် အထူးပြုမွမ်းမူထားသော CFAR စီစဉ်မှု

ရှေးရိုးစွဲ CFAR အယ်လ်ဂေါ်ရီသမ်များသည် ကုန်စည်သယ်ဆောင်ရေးစက်ပစ္စည်းများ၊ ကရပ်ရ်စ်များ၊ ဒရက်လိုင်းများစသည့် အရှိန်အဟောင်းများမှ ထုတ်လွှင့်လာသော ထပ်ခါထပ်ခါဖြစ်ပေါ်လာသော အမြင့်မားသော အာမ်ပလီတျူဒ် ဟာမောနစ်များကြောင့် သုတ်သိမ်းရေးနယ်ပယ်တွင် ကောင်းစွာအလုပ်မလုပ်နိုင်ပါ။ ဤသည်မှာ UAV အချက်ပေးမှုများကို တကယ်တမ်းဖော်ထုတ်ရန် ခက်ခဲစေသည့် အမှားအမှင် အသိပေးချက်များကို အများအပြားဖြစ်ပေါ်စေပါသည်။ AI ဖြင့် မွမ်းမူထားသော CFAR အသစ်သည် သုတ်သိမ်းရေးပစ္စည်းများ၏ စပက်ထရမ်များမှ စုဆောင်းထားသော အမှန်တကယ်ဖြစ်ပေါ်နေသော ဒေတာများဖြင့် လေ့ကျင်းပေးထားသော စက်သင်ယူမှု မော်ဒယ်များဖြင့် အမှန်တကယ်ဖြစ်ပေါ်နေသော ချိန်ညှိမှုများကို အစားထိုးပေးပါသည်။ ဤနည်းစနစ်သည် အထူးခြားနားသည့် အချက်မှာ UAV များ၏ ထူးခြားသော လှုပ်ရှားမှုပုံစံများကို အနီးတွင်ရှိသော စက်ပစ္စည်းများ၏ ပုံမှန် စက်ဝိုင်းများမှ ခွဲခြားမှုပေးနိုင်ခြင်းဖြစ်ပါသည်။ ထို့အပြင် မြင့်မားသော တောင်စောင်းများ၏ ပုံသဏ္ဍာန်နှင့် ဘယ်လ့်ဒရိုက်များမှ လေးလံသော လျှပ်စစ်သံကြောင်း အဟောင်းများကဲ့သို့သော နေရာတိုင်းစီတိုင်းတွင် ဖြစ်ပေါ်နေသော အခြေအနေများအပေါ် အချိန်နှင့်တွေ့လျော်စွာ ကိုယ်တိုင်ချိန်ညှိနေနိုင်ခြင်းဖြစ်ပါသည်။

ကွင်းပြင်စမ်းသပ်မှုများအရ ပုံမှန် CFAR နည်းလမ်းနှင့် နှိုင်းယှဉ်ပါက အမှားအမှင် သတိပေးချက်များ ၄၁% လျော့နည်းကြောင်း အတည်ပြုခဲ့ပါသည်။ ထို့အပြင် မှုန်ရေမှုန်မှုများအတွင်းတွင် အိုပ်တီကယ်နှင့် RF အခြေပြု အစားထိုးနည်းများ မှုန်းနေသည့်အချိန်တွင် ဤနည်းလမ်းသည် စွမ်းဆောင်ရည်ကို အဆက်မပြတ်ထိန်းသိမ်းနိုင်ခဲ့ပါသည်။

အမှန်တကယ်ဖြစ်ပေါ်နေသည့် UAV ရှာဖွေမှု စွမ်းဆောင်ရည်နှင့် အတည်ပြုခြင်း

ရီယို တင်တို ပီလ်ဘာရာ တပ်ဆင်မှု- မှုန်ရေမှုန်မှုနှင့် အပူခွဲခြမ်းမှုအခြေအနေများအောက်တွင် ၁.၂ ကီလိုမီတာအကွာတွင် ၉၂% ရှာဖွေမှုနှုန်း

ဝက်စတာန် ဩစတြေးလျ၏ ပီလဗာရာဒေသတွင် တပ်ဆင်ထားသော ရေဒါစနစ်များသည် မိုက်ခရို-UAV များကို ကီလိုမီတာ ၁.၂ အထိ ဝေးကွာစဥ်အတွင်း တိကျမှု ၉၂ ရှိသည့် အတိုင်းအတာဖြင့် ရှာဖွေတွေ့ရှိနိုင်ခဲ့သည်။ ဤဒေသသည် လေထဲတွင် အမြဲတမ်းရှိနေသော သံသောင်မှုန်များ၊ အပူခွဲခြမ်းမှုများနှင့် နေ့စဉ် ၂၄ နှစ်မှ စီးပွားရေးလုပ်ငန်းများ ပြုလုပ်နေမှုတို့ကြောင့် အလွန်ကြီးမားသော စိန်ခေါ်မှုများကို ဖော်ပေးပါသည်။ ဤစနစ်များသည် အဘယ့်ကြောင့် အလွန်ကောင်းမွန်စွာ အလုပ်လုပ်နိုင်သနည်း။ ဤစနစ်များသည် အထူးသဖြင့် Doppler နည်းပညာကို စုစုပေါင်း စပက်ထရမ်များတွင် အသုံးပြုပြီး မှုန်များနှင့် လေထုအတွင်း ရေဒီယိုလှိုင်းများ ခရီးသွားမှုပြောင်းလဲမှုများကြောင့် ဖြစ်ပေါ်လာသော နောက်ခံအသံများအကြား အလွန်သေးငယ်ပြီး နှေးကွေးသော ပစ်မှတ်များကို ရှာဖွေဖော်ထုတ်နိုင်သည်။ စမ်းသပ်မှုများအရ ဤ နှစ်များစပက်ထရမ် ချဉ်းကပ်မှုသည် ကမ္ဘာပေါ်ရှိ မိုင်းလုပ်ငန်းများအတွက် အခက်ခဲဆုံး လျှပ်စစ်သံလိုက် ပတ်ဝန်းကျင်ဟု များစွာသောသူများက သတ်မှတ်ထားသည့် ပတ်ဝန်းကျင်တွင် အမှန်တကယ် စိန်ခေါ်မှုကို ရင်ဆိုင်နိုင်ကြောင်း ပြသခဲ့သည်။

အင်ဂို မေရိကန် ၂၀၂၃ စမ်းသပ်မှု – အကောင်းဆုံး အချက်အလက်အတိုင်း အသုံးပြုသော အန်တီစီပေးတ် သရ်ရှော့လ်ဒင်း နည်းဖြင့် အမှားအမှင် အသေးစိတ်အသိပေးမှု ၄၁ လျော့နည်းခဲ့ခြင်း

၂၀၂၃ ခုနှစ်တွင် အင်ဂလို-အမေရိကန်က သူတို့၏ သတ္ထုထုတ်လုပ်ရေးနေရာကြီးများထဲမှ တစ်ခုတွင် AI အခြေပြု အလိုအလျောက် ချိန်ညှိနိုင်သည့် ချိန်ညှိမှုစနစ် (adaptive thresholding) က လုပ်ဆောင်မှုများကို မည်သို့အကျိုးသက်ရောက်မုန်းသည်ကို စမ်းသပ်ခဲ့သည်။ ရလဒ်များအရ ဤစနစ်သည် ရေးရှိုးမှုများကို ရှေးရိုးစွဲ သတ်မှတ်ထားသည့် ချိန်ညှိမှုရေဒါများနှင့် နှိုင်းယှဉ်ပါက အမှားအမှင် အသိပေးချက်များကို ၄၁ ရှုံးသည်အထိ လျော့နည်းစေခဲ့သည်။ ဤစနစ်သည် ကုန်စည်သယ်ယူရေးဘောလုံးများမှ ဖော်ပေးသည့် အနှောင့်အယှက်ဖော်ပေးမှုများနှင့် မြင့်မားသည့် မြေနှုတ်နံရံများမှ ထောင်လှော်မှုများကို အထူးသဖြင့် ကောင်းမော်စေခဲ့သည်။ ဤစနစ်သည် စက်မှုလုပ်ဆောင်မှုများနှင့် ရေဒါမှ ဖမ်းယူရေးများအပေါ် အချိန်နှင့်တစ်ပါတည်း အမှုန်မှုများကို အပ်ဒိတ်လုပ်ပေးခြင်းဖြင့် အလုပ်လုပ်သည်။ ထို့ကြောင့် စနစ်သည် အမှန်တကယ်ဖြစ်ပေါ်နေသည့် အန္တရာယ်များကို နောက်ခံအသံများမှ ခွဲခြားဖော်ထုတ်ရာတွင် တိကျမှုကို ထိန်းသိမ်းပေးနိုင်ပြီး လူသားများမှ ကိုယ်တိုင် ချိန်ညှိမှုများကို လုပ်ဆောင်စေရန် မလိုအပ်ပါ။ အထူးသဖြင့် စက်ပစ္စည်းများကို နေရာမှ ရွှေ့ပေးခြင်းများနှင့် အလုပ်အမှုန်အမှုန်များကို အလုပ်အမှုန်အမှုန်အလုပ်အမှုန်အမှုန်များတွင် ပြောင်းလဲပေးခြင်းများကြောင့် ဤစနစ်သည် အလွန်ထူးခြားသည်။

မေးလေ့ရှိသောမေးခွန်းများ

မိုင်းတွင် UAV ဖမ်းယူရေးအတွက် မြေပြင်အမှုန်များ (ground clutter) ဆိုသည်မှာ အဘယ်နည်း။

မြေပြင်ပေါ်တွင် စုစည်းနေသော အရှုပ်ထွေးမှုများ (Ground clutter) ဆိုသည်မှာ စက်မှုလုပ်ငန်းများတွင် အသုံးပြုသည့် စက်ကူးစက်မှုများနှင့် လှုပ်ရှားနေသည့် စက်ကူးစက်မှုများ၊ အထူးသဖြင့် မှုန်းမှုန်းမှုများရှိသည့် မြေမျက်နှာပြင်များကြောင့် ဖြစ်ပေါ်လာသည့် ရေဒါအချက်ပေးမှုများဖြစ်ပြီး ၎င်းသည် ဒရုန်းများ၏ အလွန်နိမ့်သည့် ရေဒါဖြတ်ကျော်မှု (RCS) အမှတ်အသားများကို ဖုံးကွယ်ပေးနိုင်ပါသည်။

အပူခွဲခြမ်းမှုပြောင်းလဲမှု (thermal inversion) သည် UAV များကို ခွဲခြမ်းစိတ်ဖဲ့ခြင်းကို မည်သို့သက်ရောက်မော်ပါသနည်း။

မိုင်းတွင်းများတွင် အပူခွဲခြမ်းမှုပြောင်းလဲမှု (thermal inversion) ဖြစ်ပေါ်ခြင်းကြောင့် အပူချိန်အဆင့်ဆင့်ပေါ်တွင် ရေဒါလှိုင်းများ ရေဒါစက်များမှ လွဲသွားစေပါသည်။ ထိုသို့ဖြစ်ခြင်းကြောင့် ရေဒါလှိုင်းများ၏ အားသေးသွားမှု (signal attenuation) များဖြစ်ပေါ်ပြီး UAV များကို ခွဲခြမ်းစိတ်ဖဲ့ရှာဖွေရေးကို ပိုမိုခက်ခဲစေပါသည်။

ခေတ်မှီသည့် မိုက်ခရို UAV များကို မိုင်းတွင်းများတွင် ဘာကြောင့် ခွဲခြမ်းစိတ်ဖဲ့ရှာဖွေရာတွင် ခက်ခဲသနည်း။

ခေတ်မှီသည့် မိုက်ခရို UAV များသည် ငှက်များနှင့် နှိုင်းယှဉ်လျက် ရေဒါဖြတ်ကျော်မှု (RCS) အလွန်နိမ့်ပါသည်။ ထို့အပြင် ၎င်းတို့သည် မိုင်းတွင်းလုပ်ငန်းများ၏ လှုပ်ရှားမှုနှုန်းနှင့် နှိုင်းယှဉ်လျက် လှုပ်ရှားနေပါသည်။ ထိုကြောင့် ပတ်ဝန်းကျင်ရှိ အသံများနှင့် စက်မှုလုပ်ငန်းများ၏ တုန်ခါမှုများမှ ခွဲခြမ်းစိတ်ဖဲ့ရှာဖွေရာတွင် အလွန်ခက်ခဲပါသည်။

AI-အမြှင်မှုပေးထားသည့် CFAR သည် မိုင်းတွင်းလုပ်ငန်းများတွင် UAV များကို ခွဲခြမ်းစိတ်ဖဲ့ရှာဖွေရာတွင် မည်သို့ မြှင်မှုပေးပါသနည်း။

AI-အထောက်အပံ့ပေးသော CFAR သည် စက်မှုသင်ယူမှုမော်ဒယ်များဖြင့် သတ်မှတ်ထားသော ချိန်ညှိမှုအဆင့်များကို အစားထိုးပေးပြီး ၎င်းမော်ဒယ်များသည် အမှန်တကယ်ဖြစ်ပေါ်နေသော ဒေတာများနှင့် ပတ်ဝန်းကျင်အခြေအနေများနှင့် လိုက်လျောညီထွေဖြစ်အောင် ပြောင်းလဲနိုင်ပါသည်။ ထို့ကြောင့် အမှားအမှင်သတိပေးချက်များ သိသိသာသာ လျော့နည်းသွားပြီး UAV ရှာဖွေမှုတွင် တိကျမှုများ မြင့်မားလာပါသည်။