Anti-drone-radars zijn voornamelijk ontworpen om het luchtruim op lage hoogte onder de 1.000 meter boven de grond (AGL) nauwkeurig te monitoren. Door speciale signaalverwerkingsmodules en antennes met hoge versterking te integreren, kunnen ze op efficiënte wijze signalen opvangen die worden gegenereerd door grondobjecten, luchtdoelen en verschillende omgevingsinterferenties (zie figuur 2), waardoor hoogwaardige basisgegevensondersteuning wordt geboden voor daaropvolgende doelidentificatie, het volgen van trajecten en het nemen van beslissingen over tegenmaatregelen. Volgens de algemene luchtruimclassificatienormen op luchtvaartgebied wordt het luchtruim onder de 1.000 meter duidelijk gedefinieerd als lage hoogte, waarbij het bereik onder de 100 meter ultralage hoogte is. Dit gebied wordt beïnvloed door factoren zoals terreinocclusie en reflecties van gebouwen, waardoor er sprake is van een complexere omgevingsrommel. Ondertussen komt het overeen met het uithoudingsvermogen en de operationele behoeften van kleine drones, waardoor het een primair activiteitsscenario wordt voor drones voor consumentenluchtfotografie, drones voor industriële inspectie en zelfs enkele kwaadwillig gebruikte drones. Als we de pulse Doppler-radar, de meest gebruikte en technologisch volwassen radar in het huidige anti-droneveld, als voorbeeld nemen, zullen de typische Low, Slow en Small (LSS)-kenmerken van drones de detectienauwkeurigheid, continue stabiliteit en anti-interferentievermogen van radarsystemen vanuit meerdere dimensies aanzienlijk beperken, waaronder signaalsterkte, bewegingstraject, Radar Cross Section (RCS) en stabiliteit van de vlieghouding (zoals weergegeven in figuur 3). Dit is ook een technische kernuitdaging die prioriteit moet krijgen bij het ontwerp, het onderzoek en de ontwikkeling en de prestatie-optimalisatie van anti-drone-radars.
Ten eerste stelt het kernkenmerk van drones – ‘vluchten op lage hoogte’ – strikte eisen aan het aanpassingsvermogen in meerdere scenario’s en het vermogen om doelen te onderscheiden van anti-drone-radars. Ze moeten verschillende bewegende doelen op de grond nauwkeurig identificeren, op lage en ultralage hoogte in verschillende complexe terreinen en omgevingen zoals stedelijke gebouwen, bergachtige heuvels en open gebieden, waaronder voetgangers, grondvoertuigen, migrerende vogelkoppels, evenals drones van verschillende groottes en vliegmodi (bijvoorbeeld multi-rotor, vaste vleugels en verticaal opstijgen en landen). Om de interferentie van grondruis (zoals reflecties van bouwmuren, interferentie van terreingolvingen en verstrooiing van grondvegetatie) op detectieresultaten te verminderen, hanteren sommige anti-drone-radars een optimalisatiestrategie door de pitchhoek dynamisch aan te passen. Door in realtime de bestralingsrichting, dekkingshoek en energieverdeling van radarstralen te veranderen, vermijden ze actief gebieden met geconcentreerde grondruis en verbeteren ze de signaal-ruisverhouding van doelsignalen. Deze passieve vermijdingsmethode heeft echter duidelijke technische beperkingen en is gevoelig voor een hoog ‘fout-negatief percentage’ bij dronedetectie. Omdat het conventionele operationele luchtruim van de meeste kleine consumenten- en industriële drones geconcentreerd is onder de 100 meter (ultralage hoogte), kunnen radarstralen nauwelijks een niet-dodehoekdekking van dit gebied bereiken na het aanpassen van de pitchhoek. Vooral op complexe terreinen, zoals stedelijke gebouwen met hoge dichtheid en berggeulen, worden de blinde vlekken verder uitgebreid en neemt het risico op valse negatieven aanzienlijk toe. Daarom moet een efficiënt en betrouwbaar anti-droneradarsysteem worden uitgerust met volwassen automatische doelherkenningsmogelijkheden (ATR). Door middel van deep learning-algoritmen extraheert, classificeert en verifieert het de vastgelegde signalen, waardoor dronedoelen nauwkeurig worden onderscheiden van rommel, vogels en andere interferentiebronnen, waardoor de risico's van valse negatieven en valse positieven fundamenteel worden verminderd en de betrouwbaarheid van de detectieresultaten wordt gegarandeerd.
Ten tweede resulteert het inherente kenmerk van drones – 'klein formaat' – in een extreem lage Radar Cross Section (RCS). De RCS-waarde van de meeste kleine drones, vooral consumentendrones met meerdere rotors, is slechts 0,01-0,1 vierkante meter, veel lager dan die van traditionele vliegtuigen zoals straaljagers en helikopters. De radarsignalen die ze weerspiegelen zijn zwak en worden gemakkelijk gemaskeerd door omgevingsruis en elektromagnetische interferentie, wat grote uitdagingen met zich meebrengt voor het opvangen van signalen. Deze eigenschap stelt extreem hoge eisen aan de detectiegevoeligheid van radardetectoren, die sterke capaciteiten moeten hebben op het gebied van zwakke signaalextractie, versterking en filtering. Hoewel ze effectief elektromagnetische interferentie en omgevingsruis filteren, moeten ze ook een breed detectiebereik bestrijken om de tweeledige prestatiedoelen van 'detectie op lange afstand en nauwkeurige positionering op korte afstand' te bereiken. De realisatie van dit kernprestatiedoel moet gebaseerd zijn op een hoge detectie- en herkenningsgeloofwaardigheid, waarbij de constructie van een 'hardware + algoritme'-samenwerkingssysteem vereist is door middel van multidimensionale technische optimalisatie. Op hardwareniveau upgrade je kerncomponenten zoals hooggevoelige antennes en ontvangers met weinig ruis om de signaalontvangst en conversie-efficiëntie te verbeteren. Op algoritmeniveau introduceert u geavanceerde technologieën zoals adaptieve filtering, pulscompressie en Constant False Alarm Rate (CFAR)-detectie om het herkenningsvermogen van zwakke doelsignalen te verbeteren. Dit zorgt voor een nauwkeurige registratie, kenmerkherkenning en stabiele vergrendeling van zwakke doelsignalen, waardoor de impact van verkeerde beoordeling van het signaal en een gemist oordeel over de verwijderingsefficiëntie en nauwkeurigheid van daaropvolgende tegenmaatregelen wordt vermeden, en wordt voldaan aan de behoeften van praktische toepassingsscenario's.
Ten slotte vormt de eigenschap van drones – de lage vliegsnelheid – ook aanzienlijke uitdagingen voor de stabiele volgfunctie van radarsystemen. De vliegsnelheid van de meeste kleine drones varieert van 10 tot 50 kilometer per uur, en sommige drones die op lage hoogte vliegen, hebben een snelheid van bijna nul. In deze vluchttoestand met lage snelheid zijn hun bewegingskenmerken nauwelijks te onderscheiden van die van interfererende doelen zoals zwevende rommel, langzaam vliegende vogels en vallende voorwerpen. Traditionele volgalgoritmen kunnen nauwelijks effectieve discriminatie bereiken door snelheidsverschillen, die er niet alleen niet in slagen drone-doelen continu en stabiel te vergrendelen, maar ook het oordeel van hulpsensoren zoals optische en infraroodsensoren kunnen misleiden, wat kan leiden tot gegevensafwijkingen en besluitvormingsfouten in multi-sensorfusiesystemen. Dergelijke afwijkingen zullen verder worden doorgegeven aan de tegenmaatregelen in Counter-Unmanned Aircraft System (C-UAS)-oplossingen, zoals directionele jammingapparatuur, fysieke onderscheppingsapparatuur en laser-tegenmaatregelen. Dit zal resulteren in vertraagde tegenmaatregelen en onvoldoende nauwkeurigheid, waardoor drones niet tijdig en effectief kunnen worden onderschept en mogelijk zelfs verstoring van omliggende onschuldige doelen kan worden veroorzaakt. Om dit probleem aan te pakken, moeten radarsystemen hoge scanupdatesnelheden en snelle doelherkenningsmogelijkheden hebben. Door de bundelscanfrequentie te verhogen, dynamische volgalgoritmen en doeltrajectvoorspellingsmodellen te optimaliseren, kunnen ze doelbewegingsparameters (snelheid, traject, houding, vluchttrend) in realtime bijwerken, snel drones met lage snelheid onderscheiden van verschillende interfererende doelen, en real-time, nauwkeurige en continue doelgegevensondersteuning bieden voor daaropvolgende tegenmaatregelen. Dit garandeert de nauwkeurigheid en tijdigheid van de tracking- en tegenmaatregelen, waardoor volledig wordt voldaan aan de snelle verwijderingsbehoeften van praktische scenario's zoals veiligheid, militairen en bescherming van gebeurtenissen.
