Регистратор антирадар навигатор 3 в 1: Видеорегистратор 3 в 1 антирадар gps навигатор: рейтинг 2021

Содержание

GVR706HD-Rcam — GPS навигатор с видеорегистратором, радар-детектором и камерой заднего вида Bellfort™

 

 

  Bellfort GVR706 Hunter HD — 3 в 1 : GPS навигатор, встроенный HD видеорегистратор, встроенный радар-детектор.

 

Bellfort GVR706 Hunter HD

 

Bellfort GVR706 Hunter HD  — 7-дюймовый навигатор со встроенными видеорегистратором и радар-детектором.

 

GVR706 Hunter HD – многофункциональное автомобильное устройство предназначенное для осуществления навигации, обнаружения радаров  ГАИ и видеосъемки дорожной обстановки.

 

Основные функции :

— GPS навигация

— Обнаружение стационарных и мобильных радаров ДПС

— Видеорегистрация дорожной обстановки

Дополнительные функции:

 

— GPS логгер (фиксирование GPS координат и скорости автомобиля в процессе видеосъемки)

— подключение камеры заднего вида (AV-IN)

— FM-трансмиттер (беспроводная трансляция звуковой информации через радиоволну )

-G-sensor (датчик удара – защита видеозаписи)

 

Особенности Bellfort GVR706 Hunter HD:

—          Операционная система Windows CE 6.0

—          Одновременная работа всех устройств: навигатора, видеорегистратора и радар-детектора

—          ультра-сенсорный HD экран высокой четкости (800 * 480)

—          инновационная керамическая антенна GPS модуля нового поколения SiRF Star V: (время позиционирования: теплый старт – до 0,5 сек, холодный старт – до 5 сек, точность позиционирования до 10 м)

—          широкий угол обзора камеры 140 °

—          многодиапазонный радар-детектор с углом детектирования: 360°

—          качественная 720P HD съемка видеорегистратора

—          инфракрасная подсветка
для ночной съемки

—          поддержка карт памяти видеорегистратора до 32 Гб microSD

Bellfort GVR706 Hunter HD  — 7-ми дюймовый

GPS навигатор с встроенным видеорегистратором и радар-детектором.  Позволяет во время движения ориентироваться на местности и прокладывать маршрут с помощью навигации, детектировать стационарные и мобильные радары ГАИ, производить видеосъемку дорожной обстановки. К характерной особенности устройства относится, прежде всего, удобство пользования – не требуется трех источников питания и креплений для трех
приборов. Теперь все три устройства — навигатор,  видеорегистратор, антирадар- расположены в одном корпусе и связаны между собой программным обеспечением.

Благодаря современным технологическим решениям, комплектующим высокого качества (экран, камера регистратора, процессоры, радио-модули), высокому качеству сборки  устройство аттестовано

«Национальным  Центром контроля качества Китайской ассоциации по контролю качества»   и «Инспекцией контроля качества КНР»

В устройстве применен высокотехнологичный принимающий GPS модуль в керамическом исполнении (High end ceramics GPS receiver), что значительно ускоряет время GPS позиционирования навигатора при холодном и  теплом старте, а также повышает точность местонахождения на местности до 10 м.

Широкий угол обзора видеокамеры 140° дает дополнительное преимущество при съемке, позволяя захватывать больший  горизонтальный участок съемки дорожной обстановки. GVR706 Hunter HD   оборудован высококачественной 5-мегапиксельной камерой, что позволяет снимать видео с качество съемки 720Р ( при 30 кадрах в секунду).  Инфракрасная подсветка с четырьмя излучателями способствует съемке в условиях недостаточной освещенности.

 

 

 

 

 

 

 

 

 

 

 

Бесперебойную одновременную работу трех функционалов – GPS навигации, обнаружения радаров ГАИ, съемки видеорегистратора обеспечивает  производительный процессор с частотой 500 MHz.  Оперативная память: 128M. Внутренняя память: 4GB. Слот micro SD позволяет увеличить объем памяти устройства до 32 Гб.

 

 

В настройках устройства вы можете выставить желаемую скорость, после которой радар-детектор будет оповещать вас о радарах ГАИ.До достижения данной скорости все срабатывания (в том числе ложные) не будут вас беспокоить .

 

 

Наличие видеовхода (AV-IN)  позволяет подключить к GVR706 Hunter HD  внешнюю камеру заднего вида (включается при движении автомобиля задним ходом).

Комплектация:  1 x Навигатор
  1 x Автомобильный адаптер (100cm)
1 х Сетевой адаптер 220 в
  1 x Кронштейн крепления к лобовому стеклу
  1 x USB кабель (70cm)
 
2 x Инструкция по эксплуатацииl
1 х Гарантийный талон

 

Bellfort GVR706 Hunter HD

Тип устройства

Комбинированный навигатор

Размер экрана

7,0 дюймов

Тип экрана

Сенсорный экран  ультра-высокой четкости

Разрешение экрана

800 * 480

Тип сенсора

резистивный

Операционная система

Windows CE.NET 6.0

Процессор

двухядерный процессор A5  Dual Core, 500 MHz

Встроенная память

4 Гб

Оперативная память

128MByte DDR

Динамик

8 Ом 1 Вт

Внешний интерфейс

Наушники USB TF AV-IN

Навигационный модуль

GPS чип SIRF Star V Search

Точность позиционирования

10 м

Голосовые подсказки навигации

Поддерживается

Подключение камеры заднего вида

Поддерживается

Функции радар-детектора

Широкополосный радар, 360-градусный полнодиапазонный.

X 10.41-10.62GHz±20MHz / K 23.8-24.3GHz±20MHz / KU 13.41-13.54GHz±20MHz / KA 34.1-35.82GHz±20MHz;

Видеоплеер

Поддержка MP4 , ASF, WMV, AVI, DivX, XviD, MPEG4, Divx 5.0,4.0,3.11, MPEG2, ASF видео форматов

Воспроизведение аудио

Поддержка MP3 , WMA9, AAC, WAV аудио форматы

Электронная книга

Да

Просмотр фото

Да

FM-трансмиттер

Да

Другие функции

Запись, календарь, игры

Антенна GPS

18 × 18 керамическая антенна

Характеристики видеорегистратора

Матрица: 5000000 пикселей,

функция ночного видения

720p HD качество 30 кадров в секунду

30 кадров в секунду

Разрешение видезаписи

1280х720 px

Угол обзора камеры

140

G-sensor

да

Гарантия

1 год

 

Bellfort GVR706 Hunter HD  — один из лучших представителей многофункциональных автомобильных приборов  серии 3 в 1 и  занимает высшую ступеньку в сегменте 7-дюймовых автомобильных комбинированных навигаторов. Приобретая GVR706 Hunter HD,  пользователь получает удобное устройство, которое заменяет три отдельных прибора: 7-ми дюймовый GPS навигатор, радар-детектор, HD- видеорегистратор.

 

Пример записи видео камерой видеорегистратора (Киев, Крещатик, утро, ясно)
Не забудьте изменить при просмотре качество видео  на 720p !

(по умолчанию Youtube показывает 360p)

Детальные фотографии GVR706 Hunter HD

Отслеживание GPS трека на карте Google

Bellfort GVR706 Hunter HD-Rcam — GPS навигатор с видеорегистратором, радар-детектором и камерой заднего вида

  Модель Hunter-GVR706HD может поставляться в комплекте с камерой заднего вида

Характеристики камеры заднего вида:

Cенсор  OV7950
Система цветности  NTSC
Количество эффективных пикселей  510 × 496
Горизонтальное разрешение  380 ТВЛ
Угол обзора  120°
Минимальное освещение  0,2 люкс / F=1.8
Видеовыход  1.0Вp-p,75 Ом
Корпус  Водонепроницаемый
(класс IP67 и IP68)
Рабочее напряжение  8 ∼ 12 В
Рабочая температура  от -20°C до +75°С
Температура хранения  от -40°C до +80°С
Размеры (Ш×Г×В)  24.5 мм × 36.5 мм ×  24.5 мм
Диаметр отверстия  22,5 мм
Длина кабеля питания  1,5 м
Длина видеокабеля  5 м

 

 

 

 

какой выбрать, отзывы, характеристики, цена

12 Фев 2016   autofuct   2 657   Нет

Сегодня мы рассмотрим самые интересные комбинированные устройства, которые включают в себя регистратор навигатор антирадар, другими словами, 3 в 1. Все модели рекомендуем к покупке.

BELLFORT GVR710 Compay: характеристики, цена

BELLFORT GVR710

Тип –навигатор + антирадар + регистратор;

Экран – 7 дюймов;

Расширение – 800*480;

Процессор – 1500 Мгц;

ОЗУ – 512 Мб;

Встроенная память – 8 ГБ;

АКБ – 2100 ед;

Цена – 260 долларов;

BELLFORT GVR710 Compay: отзывы

— Наличие сенсорного экрана;

— Качественная картинка причем, благодаря фильтрам в любое время суток и при любой погоде;

— Довольно простое управление, другими словами, не придется много тратить времени;

— Если вы хотите выбрать  регистратор, навигатор и антирадар, 3 в 1, то это один из лучших вариантов;

— Что характерно, устройство воспроизводит большинство форматов видео;

— Отличная работа GPS;

— Навигатор правильно прокладывает маршрут;

— Радар детектор зарекомендовал себя с положительной стороны;

Sho-Me Combo 1: характеристики, цена

Sho-Me Combo 1

Видеорегистротор + радар детектор + поддержка GPS;

Датчик удара;

Матрица – 2,7Мп;

Угол обзора- 120 гр;

АКБ -530 ед;

Экран – 2,3 дюйма;

Встроенная память – около 128 Мб;

Цена – 170 долларов;

Sho-Me Combo 1: отзывы

— Комбинированное устройство, которое зарекомендовало себя с положительной стороны;

— Просто громадное количество отзывов  преимущественно положительных;

— Быстрый поиск GPS спутников;

— Крепление далеко не самое удобное;

— Радар детектор работает практически без ложных срабатываний, что не может не радовать;

— Качественная картинка, причем, и в ночное время суток;

— Пишет координаты на видео;

— Компактные размеры;

— Широченные углы обзора;

— Настройки довольно просты;

— В целом, качественная сборка;

Sho-Me Combo 3: характеристики, цена

Sho-Me Combo 3

Видеорегистротор + радар детектор + поддержка GPS;

Датчик удара, GPS;

Угол обзора- 140 гр;

АКБ -280 ед;

Экран – 2,4 дюйма;

Встроенная память – около 1024Мб;

Цена –210  долларов;

Sho-Me Combo 3: отзывы

— Мощное встроенное железо, которое позволяет устройству работать довольно шустро и без глюков;

— Постоянное обновление прошивки;

— Замечает заранее все радары на дорогах, причем, оповещение практически не раздражает;

— Широкий угол обзора видеорегистратора;

— Качественная сборка устройства;

— Ценовая политика компании как плюс;

— Встроенные фильтры на видео, которые делают картинку значительно лучше;

— При желании, в процессе записи можно отключить запись звука;

— В целом, довольно неплохое комбинированное устройство;

Street Storm STR-9970 Twin: характеристики, цена

Street Storm STR-9970 Twin

Видеорегистротор + радар детектор + поддержка GPS;

Датчик удара, GPS, ГЛОНАСС, детектор движения;

Угол обзора- 140 гр;

Матрица -4 Мп;

АКБ -280 ед;

Экран – 1,5 дюйма;

Встроенная память – около 256 Мб;

Цена –425  долларов;

Street Storm STR-9970 Twin: отзывы

— Огромное количество настроек;

— Качественная картинка;

— Радар детектор отбивает вложенные средства практически сразу;

— Видит практически все радары на дорогах;

— Работает как с GPS, так и с ГЛОНАСС;

— Постоянное обновление прошивок устройства;

— Голосовое оповещение не раздражает;

— Замечает препятствия на дорогах заранее;

— Не занимает много места;

—  Поддержка сд карт большого размера;

— Устройство оставляет после себя только положительные эмоции;

Mystery MRD-820HDVS: Характеристики, цена

Mystery MRD-820HDVS

Датчик удара, GPS;

Угол обзора- 120 гр;

АКБ -140 ед;

Экран – 2 дюйма;

Встроенная память – около 256 Мб;

Цена –145  долларов;

Mystery MRD-820HDVS: отзывы

— Включает в себя несколько устройств;

— Качество съемки на высоком уровне;

— Замечает все радары, при этом, ложных срабатываний практически нет;

— Угол обзора видеорегистратора мог быть и получше;

— Относительно недорогой;

— На картинке хорошо видны номера проезжающих автомобилей;

— Качественная корейская сборка, а не китайская;

— Положительные отзывы в интернете;

— Легко подключается к компьютеру или телевизору;

 

Навигатор видеорегистратор и антирадар 3 в 1 Incar SDR-20

Технические характеристики*

Видеорегистратор-радар Incar GPS SDR-20 объединяет автомобильный видеорегистратор и радар-детектор с модулем GPS. Видеорегистратор оснащён цифровой видеокамерой высокого разрешения и позволяет снимать видео высокой чёткости. Радар-детектор имеет увеличенную рупорную антенну с современным фильтром помех для повышения чувствительности и избирательности приёма современных радаров. Есть голосовое оповещение на русском языке, специальный сигнал оповещения о радаре «Стрелка» и «Автодория». Встроенный GPS-модуль позволяет обновлять базу координат стационарных измерителей скорости и радаров и просматривать записи видеорегистратора на картах Google. Есть возможность обновления версии ПО и базы данных, подключив регистратор к PC через USB порт.

Процессор Ambarella A2S60
Формат видео MP4
Встроенный дисплей: 4:3/ 2’’, 320×240 с автовыключением;
Поддержка карт до 32 GB (не ниже 10-го класса)
Встроенный GPS-модуль имеется
Встроенный G-сенсор также имеется (DMARD007)
Разрешение камеры Full HD [email protected] 30fps (1920×1080) / Full HD [email protected] 30fps (1280×720)
Выход HDMI есть
Порт USB для обновления есть
Маркировка времени и даты есть
Интерфейс mini USB 2.0
Питание встроенный аккумулятор или внешний источник питания 10-16V
Запись звука есть (функция может быть отключена)
Язык меню русский / английский
Автоматическая запись трека GPS есть
Автовыключение есть

*Характеристики могут быть изменены без предварительного уведомления.

Для питания устройства используйте идущий в комплекте поставки адаптер, подключающийся к прикуривателю.

ВНИМАНИЕ!

Внимание! Перед установкой видеорегистратора обновление базы обязательно!

Несмотря на стандартный mini-USB разъём штатного адаптера, напряжение на его выходе отличается от обычного USB. Используйте штатный кабель питания только с данным устройством! Подключение данного кабеля к любым другим приборам может вывести их из строя!

Как правильно выбрать регистратор 3 в 1

Качественные видеорегистраторы 3 в 1 предназначены не только для записи окружающей обстановки во время движения. Такие устройства выполняют функции популярного радар-детектора и GPS-навигатора. Расширенный функционал универсального устройства позволяет сократить статью расходов на дополнительную автоэлектронику. На странице https://avtocifra.ru/catalog/kombo-3-v-1 представлен большой выбор комбо-устройств по самой низкой цене в регионе. Ассортимент продукции, собранный в каталоге интернет-магазина Avtocifra.ru, позволяет купить видеорегистратор 3 в 1 с оптимальным набором возможностей.

Плюсы видеорегистраторов 3 в 1

Большое количество опций этого устройства не влияет на легкость управления и корректировки параметров работы. Благодаря ряду положительных качеств навигатор 3 в 1 для автомобиля пользуется повышенным спросом у автолюбителей. Преимущества этого прибора заключаются в следующем:

  • купив комбо-устройство 3 в 1, владельцы авто не будут нуждаться в дополнительных электронных девайсах;
  • простота подключения питания с помощью шнура через прикуриватель обеспечивает бесперебойную работу прибора;
  • несмотря на расширенный функционал, устройство имеет компактный размер и не загромождает лобовое стекло.

Универсальный навигатор, антирадар и видеорегистратор 3 в 1, цена которого в специализированном интернет-магазине Avtocifra.ru доступна каждому покутелю, повышает безопасность дорожного движения и комфорт водителя. Заказать интересующую модель можно с доставкой по всей России.

Как выбрать регистратор 3 в 1

При покупке этой автоэлектроники профессионалы рекомендуют обращать внимание на такие параметры:

  1. Разрешение дисплея. От этого показателя зависит стоимость продукта и качество итогового изображения. Бюджетные модели комбо 3 в 1 имеют формат HD, отдельные экземпляры Full HD. Дорогостоящие регистраторы этого типа обеспечивают пользователя картинкой в формате Super HD.
  2. Скорость съемки. Для получения качественного видео специалисты рекомендуют приобретать модели с показателем скорости записи в диапазоне 40-60 кадров.
  3. Угол обзора объектива. Для записи изображения без потери подробностей следует выбирать модели комбо-устройств 3 в 1 с широкоугольными объективами. Это позволит фиксировать обстановку под углом 140-160 градусов.

Крупнейшая сеть интернет-магазинов Avtocifra.ru, специализирующаяся на продаже автомобильной электроники предлагает регистраторы с функцией навигатора и радар-детектора от популярных мировых брендов по самой низкой цене в регионе. Доступная стоимость, доставка в любой город РФ и широкий выбор продукции позволяют быстро заказать интересующую модель автомобильной электронной техники.

Купить Junsun L2 Ambarella A7 Автомобильный видеорегистратор Радар-детектор Gps 3 в 1 LDWS HD 1080P Видеорегистратор Регистратор онлайн

Описание продукта

Внимание!!

1. Радар может работать ТОЛЬКО в России, Белоруссии, Украине и т. д. Его можно использовать только как видеорегистратор в других странах. Пожалуйста, внимательно проверьте перед заказом.

2. Затухание радара не может быть на 100% точным для разных местных диапазонов и обнаружения чипа. Дата радара может не охватывать все данные, и мы будем стараться обновлять дату каждый год.Пожалуйста, поймите и терпеливо ждите. Попробуйте сделать POI самостоятельно, когда это необходимо. Спасибо.

3. Радар должен использовать оригинальное автомобильное зарядное устройство. Вы можете успешно использовать функцию позиционирования.

 

 

Это устройство 3 в 1, которое содержит радар-детектор, автомобильный видеорегистратор и GPS. Оно создано для защиты вашего вождения, чтобы быть в безопасности и избежать штрафа полиции. Благодаря Ambarella A7LA50D и OmniVision OV4689 он обеспечивает сверхчеткое видео и изображение.Радар-детектор может обнаруживать почти все диапазоны для России, такие как X, K, Ka, La и CT. Кроме того, встроенная функция GPS может обнаруживать камеру полиции по спутнику и базе данных GPS. В результате он может обнаруживать фиксированные Скорость или скорость потока. Прежде всего, это хороший продукт по очень разумной цене. Покупка у нас будет лучшим выбором!

 

 

Внимание :

1. Затухание радара не может быть на 100% точным для разных местных диапазонов и обнаружения чипа.Дата радара может не охватывать все данные, и мы будем стараться обновлять дату каждый год. Пожалуйста, поймите и терпеливо ждите. Попробуйте сделать POI самостоятельно, когда это необходимо. Спасибо.

2. Радар должен использовать оригинальное автомобильное зарядное устройство

.

Вы можете успешно использовать функцию позиционирования

 

 

 

Предупреждение о движении колеи: при отклонении автомобиля от исходной колеи система быстро обнаруживает и оценивает, выдает «голосовой» сигнал.

 

 

 

Отличный чипсет — качественная картинка, 1920х1080 30 кадров в

второе настоящее 1080p для удовлетворения стремления к высокому качеству

Автомобильный видеорегистратор использует камеру с широким углом обзора 170 градусов

автоматически открывает видео, устанавливать не нужно,

автоматически перезаписывает оригинальное видео разблокировки

При возникновении конфликта видео автоматически блокируются, чтобы видео не было удалено, а доказательства инцидента остаются

 

 

Общая информация
Размер дисплея  2.7″
Чипсет процессора Амбарелла A7LA50D
Датчик изображения ОВ4689
пикселей 300мега
Максимальный объем внешней памяти 64G
Разрешение камеры  1920×1080
Радарные диапазоны  Х/К/Ка/Ла/КТ
GPS-логгер  Внутренний
Язык экранного меню  Русский, Россия, Английский
Разрешение видео  Full HD 1920 x 1080p 30 кадров в секунду
ЛДВС Опора
Мониторинг парковки  Поддержка
Специальные функции Дисплей времени и даты, GPS-трекер, циклическая запись, G-сенсор, циклическая запись, радар-детектор

 

границ | Распределение учебных ресурсов в активно-пассивных сетях радиолокационных датчиков

1 Введение

Обычные сети радиолокационных датчиков (RSN) состоят из нескольких активных радаров (называемых узлами), используемых для передачи сигналов для обнаружения и сопровождения воздушных целей.Целью RSN является максимизация охвата наблюдения и минимизация как помех между отдельными узлами, так и общего энергопотребления RSN (Бейкер и Триммер, 2000 г.) (Бейкер и Хьюм, 2003 г.). В нашем случае мы намерены минимизировать использование активных радаров за счет максимального использования пассивных радаров в РСН, что предпочтительнее для сценариев скрытных операций 1 . Широко используемые подходы к решению этой проблемы включают теоретико-игровые подходы (Bacci et al., 2012) и стратегии, основанные на стоимости сети (Jiang et al., 2019). Хотя такие подходы очень эффективны для RSN, состоящих исключительно из активных радиолокационных датчиков, долгожданная интеграция систем пассивной когерентной локации (PCL) создает проблемы, которые еще предстоит решить.

Системы PCL в последние годы вызвали большой интерес как в исследованиях, так и в промышленности. Коммерческие системы в настоящее время находятся на пороге ввода в эксплуатацию для различных целей обороны и гражданского наблюдения. Системы PCL привлекательны из-за их экономической эффективности и возможности скрытой работы.Однако эффективное развертывание пассивных радаров относительно сложно из-за их зависимости от так называемых передатчиков возможности (ToO). Особенно в высокогорной местности на работу системы PCL могут сильно влиять топографические условия и свойства ToO. В альпийской местности многие ToO демонстрируют сильно направленное усиление передачи, чтобы оптимизировать схемы передачи в соответствии с топологическими и городскими требованиями. Мощность передачи и ограничения передачи по вертикали/горизонтальной антенне для TOO делают планирование миссии перед развертыванием систем PCL и особенно оптимизацию местоположений приемников (Mathews et al., 2015) (Mousel, 2017) или выбор ToO для стационарных приемников, требующих больших вычислительных ресурсов. Кроме того, количество пригодных для использования ToO для каждого датчика PCL ограничено ограниченными вычислительными ресурсами, доступными на месте датчика, и полосой пропускания приемника, что делает неизбежным определение наиболее полезных ToO для каждого датчика PCL. Доступные в настоящее время системы PCL в основном используют эвристику, измерения сигналов на месте и человеческий опыт для решения вышеуказанных проблем.

Следовательно, эффективная интеграция систем PCL в существующую активную радиолокационную систему RSN, хотя и является предметом текущих исследований, создает несколько операционных и логистических проблем развертывания.Эти проблемы еще не решены ни теорией игр, ни исследовательскими сообществами. Здесь мы предлагаем подход, основанный на моделировании, для онлайн-обучения полезным ToO для каждого датчика PCL, а также оптимального бюджета мощности и сектора обнаружения активных датчиков. Online относится к тому факту, что наш подход, если он будет развернут в работающей сети датчиков, будет изучать эффективную топологию развертывания и активный контроль радиолокационного излучения с течением времени с целью нахождения оптимальных ToO для каждого датчика PCL и наиболее полезных интервалов дальности-сектора. для каждого активного радиолокационного датчика.Предлагаемая методология выходит за рамки обычных расчетов радиолокационного покрытия для заданных высот и предлагает временной механизм онлайн-обучения. В нашем пакете моделирования используются модели пассивного и активного обнаружения радаров, топографии, распространения волн и реальных задач в континентальной Европе. Наш подход предлагает использовать обучение Hebbian для эффективного определения наиболее полезных ToO для каждого датчика PCL, чтобы максимизировать добавленную стоимость системы PCL для покрытия в активно-пассивной RSN. В то же время предлагаемая нейронная сеть также изучает оптимальный баланс активной мощности радара и сектора.Мы снабжаем симуляцию записанными данными наблюдения за воздушным пространством в реальном мире, чтобы адаптировать пластичность Хебба используемой нейронной сети. Таким образом, наш подход предлагает эффективный механизм онлайн-обучения для вычисления оптимального пространственно-временного охвата комбинированной активно-пассивной сенсорной сети.

2 Исследовательский вопрос

Обычно сравнение статических диаграмм покрытия систем PCL с диаграммами активных радаров используется для ручного выполнения миссии и планирования развертывания. Это очень часто приводит к локально или частично оптимальным решениям, которые нельзя легко масштабировать или адаптировать к новым сценариям.В связи с предстоящей интеграцией систем PCL в действующие гражданские и военные сенсорные сети возникает необходимость оптимизации топологии и бюджета мощности таких многодиапазонных активно-пассивных систем. В текущей работе мы предлагаем методологию, основанную на моделировании, для изучения эффективного развертывания каждого узла в активно-пассивной радиолокационной сети. Наш подход был мотивирован высокими ограничениями передачи ToO и серьезными топологическими проблемами в альпийской местности.

Имея набор активных радаров и датчиков PCL в определенных местах, мы решаем проблему одновременного определения наиболее полезных ToO для каждого датчика PCL и наиболее эффективной стратегии бюджета мощности для каждого активного радара.Под «полезными» ToO мы подразумеваем ToO, которые обеспечивают больше обнаружений по сравнению с другими. Такие полезные ToO для каждого датчика PCL могут различаться в зависимости от целевого сценария и доступного набора активных радаров и других датчиков PCL. Точно так же оптимальный бюджет мощности (состоящий из наиболее полезных элементов дальности-сектора) для каждого активного радара в сети датчиков зависит от целевого сценария и доступных датчиков PCL и активных радаров. Здесь мы исследуем целевой сценарий над континентальной Европой вокруг Швейцарии в обычный день.Ежедневное воздушное движение над континентальной Европой в периоды отсутствия напряженности в значительной степени остается постоянным. Учитывая этот реальный сценарий цели и набор PCL и активных радиолокационных датчиков с их расположением в Швейцарии, мы решаем проблему поиска наиболее полезных ToO для каждого датчика PCL (из сотен доступных реальных ToO) и наиболее полезных бины секторов дальности для активных радаров. Наша цель состоит в том, чтобы одновременно свести к минимуму излучение активных радаров или даже полностью исключить их использование и определить наиболее полезные инструменты PCL.Вместо традиционных теоретико-игровых подходов с относительно упрощенными сенсорными узлами и вероятностными моделями обнаружения целей мы предлагаем метод обучения Хебба, использующий модели датчиков, топографии, целей и распространения волн для прогнозирования покрытия активных и пассивных радиолокационных систем для воспроизводимого реального воздушного движения. сценарий.

3 Модели активных и пассивных датчиков

В этом разделе мы обсудим модели PCL и активные модели обнаружения радаров, используемые в нашем пакете моделирования RSN.

3.1 Пассивный когерентный датчик местоположения

Мы предполагаем, что передатчики и приемники заданы со следующими параметрами соответственно:

3.1.1 Вычисление бистатического доплеровского сдвига

Мы рассматриваем движущуюся цель и стационарные передатчики и приемники. Каноническим определением бистатического доплеровского сдвига f D , игнорирующим релятивистские эффекты, является скорость изменения общей длины пути передаваемого сигнала, нормированная на длину волны λ (Jackson, 1986).Общая длина пути представляет собой сумму диапазонов ‖RT⃗‖+‖RR⃗‖.

Бистатический доплеровский сдвиг может быть записан с использованием производных суммы дальностей как:

fD=1λd‖RT⃗‖dt+d‖RR⃗‖dt(1) RT⃗ и RR⃗) имеет величину v и угол обзора δ относительно бистатической биссектрисы (угол аспекта положителен при измерении по часовой стрелке от бистатической биссектрисы). Рисунок 1 для иллюстрации.

РИСУНОК 1 . Визуализация геометрии для бистатического доплеровского вычисления ( λ — длина волны сигнала).

Член d‖RT⃗‖/dt представляет собой проекцию вектора скорости цели на линию прямой видимости передатчик-цель:

d‖RT⃗‖dt=v⋅cosδ−β/2(2)

‖/dt — проекция вектора скорости цели на линию прямой видимости между приемником и целью: смещение, вызванное движением цели, как:

fD=vλcosδ−β/2+cosδ+β/2(4)

Об обнаружении цели с использованием смоделированного датчика PCL сообщается при превышении бистатического доплеровского порога.Это означает, что в нашем моделировании учитывается бистатическая геометрия для обнаружения PCL. Помимо бистатического допплера, также вычисляется и пороговое значение отношения сигнал-шум (SNR). Конкретные пороговые значения как для бистатического допплера, так и для SNR обсуждаются ниже в разделе 3.1.2.

3.1.2 Модель обнаружения PCL

Мы используем известное бистатическое радарное уравнение для расчета отношения сигнал-шум (SNR):

SNR=PrPn=PtGt4πr12σb14πr22Grλ24πGpkT0BFL(6)

, где мы определяем следующее:

45 Вычислительная обработка усиление

г P P как B * T * T INT INT INT , где B — пропускная способность получателя и T int — это время интеграции.Кроме того, мы устанавливаем порог обнаружения доплеровского сдвига 5 Гц и ОСШ 14 дБ.

Для иллюстрации пассивного радиолокационного покрытия мы используем понятие минимального обнаруживаемого RCS. Вместо поиска достижимого SNR мы вычисляем минимальное необходимое RCS σ B , min , необходимое для обнаружения. Для этого мы перепишем уравнение ОСШ. (6) такое, что оно не зависит от бистатического RCS σ B :

Теперь, потребовав, чтобы отношение сигнал/шум цели было больше порогового значения SNR thr , мы получаем выражение давая нижнюю границу RCS цели:

σB>SNRthrSNRσB=σB,min(8)

Выражение SNR в дБ дает уравнение.(8) как:

σB>10SNRthr,dB−SNRσB,dB/10=σB,min(9)

Чтобы цель была обнаруживаемой, она должна иметь RCS, превышающую минимальную RCS, необходимую для обнаружения, σ B , мин . Это позволяет изобразить покрытие пассивного радара как минимальное обнаруживаемое RCS, как показано в разделе 7.

Полное обсуждение прогнозирования характеристик с использованием уравнения бистатического радара можно найти в (Griffiths and Baker, 2005). Моделирование прогнозирования эффективности пассивного радиолокационного обнаружения с использованием диаграмм направленности антенн и эффектов распространения выполняется и сравнивается с реальными измерениями в Malanowski et al.(2022). Подход к оптимизации местоположения пассивного радиолокационного приемника был предложен в Mathews et al. (2015), а комбинаторная оптимизационная модель для совместного размещения передатчиков и приемников была предложена в Yi et al. (2017).

3.2 Модель активного радара

Мы принимаем следующие параметры для данного активного радара:

Мы рассматриваем неизменяющиеся цели (модель Swerling V) и шум, моделируемый как гауссовский. Хотя здесь используется Swerling V, это не является ограничивающим фактором для предлагаемого метода.Учитывая это, а также если промежуточный фильтр (IF) и детектор можно смоделировать как узкополосный фильтр, то функция плотности вероятности (PDF) огибающей шумового напряжения после обнаружения может быть смоделирована как функция Рэлея (Barton, 2013):

, где R — амплитуда огибающей выходного фильтра, а Ψ 0 — дисперсия шумового напряжения. Это имеет вид функции плотности вероятности Рэлея.

Учитывая приведенную выше модель шума и заданную постоянную частоту ложных срабатываний (обычно <10−6), теперь мы рассматриваем вероятность обнаружения pd .В качестве сигнала рассматривается синусоида с амплитудой A и частотой f 0 . Этот сигнал присутствует вместе с шумом на входе фильтра ПЧ. Частота синусоиды равна центральной частоте фильтра ПЧ f 0 , тогда выход детектора огибающей будет иметь распределение Райса как PDF (Barton, 2013):

psR=RΨ0exp−R2+ A22Ψ0I0RAΨ0(11)

Учитывая шум, распределенный Рэлеем, как в уравнении 10, и определенное отношение сигнал-шум (SNR), распределение Райса для выходного сигнала детектора огибающей, как в уравнении.(11) определено. Мы определяем порог обнаружения таким образом, чтобы ложная тревога возникала всякий раз, когда напряжение шума превышает определенное пороговое напряжение Vt . Теперь вероятность обнаружения может быть выражена как:

pd=∫Vt∞RΨ0exp−R2+A22Ψ0I0RAΨ0dR(12)

Приведенное выше уравнение можно решить численно, используя Q-функцию Маркума. Мы используем реализацию Matlab, предоставленную в (Schreiner, 1999), для вычисления p d с учетом вышеприведенной модели шума, постоянной частоты ложных срабатываний и SNR .Таким образом, отношение сигнал/шум нефлуктуирующей цели было рассчитано с использованием известного радиолокационного уравнения (Сколник, 1980; Бартон, 2013): время выдержки (= n p * PRI ), n p количество импульсов для когерентной обработки, R184 интервал повторения 108 PRI это цель радара расстояние и все остальные параметры такие же, как в разделе 3.1.2. Мы предполагаем фиксированную ЭПР цели ( σ = 10 м 2 ). Использовался порог, соответствующий вероятности обнаружения pd > 0,8. Доплеровский сдвиг вычисляется и пороговое значение аналогично PCL в разделе 3.1.1. Для иллюстрации расчетов активного радиолокационного покрытия (как в разделе 7) мы используем только пороговое значение p d , равное 0,8, что является другим способом построения графика радиолокационного покрытия, чем иллюстрация минимального обнаруживаемого RCS, рассмотренная в разделе 3.1.2 для пассивного радара.

3.3 Сеть радиолокационных систем (RSN)

В результате достижений в технологии PCL в последние годы многие страны рассматривают возможность интеграции систем PCL в существующие активные радиолокационные сети. Предполагается, что системы PCL выполняют одно или несколько требований, таких как заполнение пробелов в активном радиолокационном покрытии (заполнение пробелов), скрытое наблюдение и раннее предупреждение. Однако эффективная интеграция систем PCL в значительной степени еще не изучена. Наша текущая работа предлагает методологию для оптимизации эффективности как PCL, так и активных радиолокационных систем в такой RSN.

4 Модель мишени

Для наших целей мы используем неколеблющиеся мишени с постоянной ЭПР 10 м 2 для активного и пассивного радиолокационного моделирования обнаружения на лету. Наш инструмент моделирования BURST способен воспроизводить записанные воздушные изображения, состоящие из сотен целей, в течение нескольких часов. Для текущей работы использовались исключительно записи ADS-B. В качестве альтернативы можно также использовать более полные источники записи изображений с воздуха, такие как военные системы наблюдения. BURST позволяет настроить скорость воспроизведения в зависимости от доступных вычислительных ресурсов. На испытательном стенде моделирования, использованном для этой работы, мы смогли достичь скорости записи, в четыре раза превышающей реальную, т. е. воспроизведенные цели летели в четыре раза быстрее, чем были записаны изначально. Это означает, что активная и пассивная радиолокационная обработка также выполнялась со скоростью, в четыре раза превышающей реальную скорость обработки смоделированных датчиков (например, использовалось время вращения активного радара 1 с вместо 4 с). Максимальная скорость воспроизведения ограничена доступными вычислительными ресурсами и количеством активных и пассивных датчиков, которые необходимо смоделировать за пропорционально правильное время обработки, как в реальном мире.В случае используемой нами вычислительной архитектуры и сценария цель/датчик ускорение в четыре раза было максимальным.

5 Оптимизация на основе моделирования

5.1 Архитектура моделирования

Мы используем собственный пакет моделирования под названием BURST для моделирования всех необходимых модулей. BURST — это набор слабосвязанных модульных программных модулей, которые можно запускать независимо на нескольких компьютерах или на одном компьютере с несколькими ядрами.Архитектура клиент-сервер позволяет пользователю использовать независимый от данных и программного обеспечения HMI на основе браузера для доступа ко всем доступным функциям BURST . Каждый модуль BURST использует многопроцессорность, чтобы использовать многоядерность на каждой машине. Например. каждый датчик PCL и каждый активный радар запускаются как единый процесс. Для нашего текущего моделирования мы использовали 12-ядерный процессор Intel ® Xeon (R) E5-2620 v3 @ 2,40 ГГц с памятью 15,6 ГБ и четырехъядерный процессор Intel ® i7-4600U @ 2.Процессор 1 ГГц с памятью 11,6 ГиБ. Обе машины работали под управлением операционной системы Ubuntu 18.04 Bionic Beaver LTS . Все модули BURST , кроме HMI, были запущены на первой машине. HMI был использован от последней машины.

5.2 База данных реального времени и распределенная обработка

Мы используем систему объектно-реляционных баз данных с открытым исходным кодом PostgreSQL 4 для связи в реальном времени между распределенными модулями нашего пакета моделирования.На рис. 2 представлен обзор основных модулей распределенного пакета моделирования BURST и межпроцессного взаимодействия через базу данных в режиме реального времени. Межпроцессное взаимодействие с базой данных было реализовано для одновременного динамического обновления данных о движениях целей и обнаружениях датчиков. Помимо этого BURST также позволяет осуществлять обмен данными между процессами с использованием технологии Websocket .

РИСУНОК 2 . База данных в реальном времени и параллельное моделирование активно-пассивных модулей обработки датчиков, целей, обучения и HMI.Для простоты многие вспомогательные модули, такие как распространение волн, цифровые модули возвышения и т. д., не показаны.

5.3 Возможные передатчики для датчиков PCL

Мы используем свободно доступные данные о передатчиках FM и DAB, которые были согласованы в соответствии с Женевским планом (GE84) и лицензированы Федеральным управлением связи Швейцарии 2 . Эти данные доступны в машиночитаемой форме в форматах «.csv» и «.xml» и включают атрибуты передатчика, такие как положение в географических и национальных координатах, имя, частота, ширина полосы, эффективная излучаемая мощность (ERP), диаграмма горизонтальной антенны, вертикальная схема антенны и т.д.Мы используем диаграммы горизонтальной и вертикальной антенны для аппроксимации трехмерной диаграммы направленности. При отсутствии схем антенн предполагалась всенаправленная антенна.

5.4 Топографическая модель

Мы используем топографические данные Global Multi-Real Elevation Data 3 с разрешением 7,5 угловых секунд и диапазоном среднеквадратичной ошибки от 26 до 30 м.

5.5 Модель распространения электромагнитных волн

Мы интегрировали библиотеку 5 с открытым исходным кодом в наш пакет моделирования BURST для моделей распространения RF Лонгли-Райса и ITWOM для расчета потерь при распространении на местности для спектра от 20 МГц до 20 ГГц. .Атмосферная рефракция рассматривается с использованием модели радиуса Земли 4/3.

6 Hebbian Learning of Sensor Efficiency

Hebbian Learning of Sensor Efficiency

Hebbian Learning широко применяется в области психологии, неврологии и нейробиологии как нейронаучная теория синаптической пластичности, основанная на предположении, что повторная стимуляция пре- и постсинаптических клеток приводит к увеличению синаптической активности. эффективность (Hebb, 1949). В качестве метода обучения без учителя модели обучения Хебба и их варианты широко использовались в инженерии и вычислениях (Gerstner and Kistler, 2002).В отличие от методов обучения, которые полагаются на большие объемы размеченных данных для построения начальной структуры сети (например, с использованием обратного распространения ошибки в обучении с учителем), обучение по Хеббу не контролируется и больше похоже на наблюдательную модель, используемую мозгом животных в любой учебная деятельность.

Здесь мы формулируем хеббовское обучение для наших целей следующим образом [адаптировано из (Gerstner and Kistler, 2002)]. Общая формула синаптической пластичности может быть записана как:

, где ddtwij — скорость изменения синаптической силы, а F — функция, которую необходимо определить. v i и v j — соответственно пост- и пресинаптические импульсы нейронов (для наших целей нет необходимости моделировать мембранные потенциалы). Чтобы смоделировать одновременную активность пре- и постсинаптических нейронов и последующее изменение синаптического веса, мы разложим функцию F в ряд Тейлора примерно v i = v j = 0:

ddtwij=c0wij+ciprewijvj+c1postwijvi+c2prewijvj2+c2postwijvi2+c11corrwijvivj+Ov3(15)

Член c11corr(wij)vivj в уравнении.15 реализует условие И для совместной деятельности. Самый простой выбор правила обучения Хебба в расширении Тейлора уравнения. 15, было бы зафиксировать c11corr как положительную константу (скорость обучения) и установить все остальные члены равными нулю. Таким образом, мы получаем прототип правила обучения: 17)

Таким образом, мы получаем правило обучения

ddtwij=γ11−wijvivj−γ2wij(18)

, где синаптические веса ограничены и затухают до нуля в отсутствие стимуляции.Таким образом, γ i являются нормировочными коэффициентами (в соответствии с так называемым правилом Ойи), которое решает типичные проблемы устойчивости правила обучения Хебба. Кроме того, в случае изучения топологии PCL нам необходимо разрешить конкуренцию между ToO, поскольку вычислительные ресурсы на один сайт датчика PCL ограничены и необходимо выбирать лучшие ToO. Чтобы учесть это, мы нормализуем синаптические веса w ij для каждого приемника PCL.В левой части рисунка 3 показана нейронная сеть для оптимизации топологии PCL. Каждый приемник PCL моделируется как пресинаптический нейрон, соединенный через синапс со всеми потенциально доступными ToO. Синаптические веса w ij будут изучены в соответствии с приведенным выше правилом. В правой части рисунка 3 показана нейронная сеть для оптимизации баланса мощности активного радара и сектора. Каждый активный радар моделируется пресинаптическим нейроном, который связан со всеми узлами в двумерной постсинаптической нейронной матрице.Два измерения двумерной постсинаптической нейронной матрицы представляют все потенциально доступные сектора и диапазоны активных радаров, используемых в моделировании. Обратите внимание, что при необходимости можно добавить дополнительные размеры.

РИСУНОК 3 . (A) Однослойная нейронная сеть PCL для обучения по Хеббиану. И входной (приемники PCL, как синие кружки), и выходные слои (ToOs, как красные кружки) являются одномерными. (B) Активный бюджет мощности радара и нейронная сеть обучения полезности сектора для обучения Hebbian.Входной слой имеет в качестве узлов активные радары (синие кружки). Выходной слой (красные кружки) является двумерным с учетом диапазона сенсора и секторов.

Учитывая рассмотренную выше нейронную архитектуру для обучения по Хеббу, мы теперь обсудим функции пре- и постсинаптической активации. Используя пакет моделирования BURST , представленный в разделе 5.1, мы одновременно моделируем цели и их обнаружение с использованием PCL и активных радаров в RSN. Смоделированные цели записываются в реальном воздушном движении с использованием либо ADS-B, либо комбинированных военных и гражданских радаров наблюдения за воздушным пространством.Всякий раз, когда датчик обнаруживает цель, в нейронной сети запускается следующая функция активации как для пре-, так и для постсинаптических нейронов PCL для приемника j и ToO i :

, где S — сигмовидная функция, а x a определенная обнаруженная цель определяется как:

x=fi,j,target=1.0-ab-cdifReceiverjandToOidetectstarget0otherwise(20)

, где a — общее количество обнаружений PCL, b — общее количество датчиков PCL (где каждый PCL пара приемник-ToO определяется как датчик), c — общее количество обнаружений активных радаров и d — общее количество активных радаров.Эта функция активации утверждает, с одной стороны, что чем более уникальным является обнаружение цели данной парой приемник-передатчик (т. е. датчиком PCL), тем выше активность. Таким образом, уникальность обнаружения датчиком PCL определяется как 1−ab, которое будет равно 0, если все датчики PCL обнаружат эту же цель, и близко к 1, если ее обнаружит только текущий датчик PCL. С другой стороны, уравнение (20) также утверждает, что чем выше количество активных радиолокационных обнаружений одной и той же цели ( c ), тем меньше активность этого датчика PCL.Эта формулировка функции активности поощряет наиболее полезные (то есть уникальные) обнаружения PCL, поскольку эти обнаружения не могут быть обеспечены другими пассивными или активными датчиками в RSN.

Аналогично активным радарам, активная функция активации радара i определяется следующим образом: обнаруживать цели, которые не обнаруживаются другими датчиками PCL и активными радарами.Кроме того, активное обнаружение радаров считается полезным там, где нет обнаружения PCL. Это позволяет использовать вышеупомянутую дополнительную ценность датчиков PCL, которые заполняют пробелы в активно-пассивной RSN.

В случае активных радаров используется та же формула, что и в уравнении. (20) используется для взаимного вознаграждения диапазонов и секторов, в которых каждый активный радар вносит наиболее уникальный вклад в обнаружение. Обратите внимание, что если значение x в уравнении. (20) ниже нуля, правило обучения в уравнении.(18) приводит к депрессии соответствующего синаптического веса, что можно сравнить с забыванием в биологическом мозге. Это полезно как отрицательные значения x в уравнении. (20) возникает, когда множество датчиков обнаруживают одну и ту же цель в ее положении, что является излишне избыточным, когда целью является максимальное покрытие RSN в пространстве.

Формулировка нашей задачи обучения в виде сети Хебба, показанной на рисунке 3, позволяет нам показать географическое распределение синаптических весов активного радара на графиках азимутальной дальности с активным радаром в центре (диапазон = 0).Такие результаты будут обсуждаться в разделе 7 на рисунках 8–10.

7 результатов

Мы сравнили три следующих сценария друг с другом, чтобы количественно оценить добавленную стоимость нашего подхода. Сначала мы рассмотрели сценарий только с тремя активными радарами (дальше названный сценарием один). Во-вторых, мы рассмотрели те же три активных радара и один пассивный ЧМ радар (второй сценарий). В качестве третьего сценария рассматривались те же активные и пассивные радары, что и во втором сценарии, но только с иностранными (т.е. нешвейцарские) FM-передатчики возможности для пассивного радара (сценарий третий). Во-первых, это позволяет показать возможность оптимизации распределения ресурсов при интеграции пассивного радара в заданную активную радиолокационную установку (сценарий один по сравнению со сценарием два). И третий сценарий позволяет продемонстрировать универсальность нашего подхода, чтобы продемонстрировать снижение достигнутой выше экономии ресурсов, если швейцарские FM-передатчики будут отключены в ближайшие годы, как в настоящее время планируют швейцарские регулирующие органы.

Все параметры и местоположения PCL и активного радара являются произвольными и несекретными. Датчик PCL использует одиннадцать FM-передатчиков в Швейцарии и за ее пределами (второй сценарий) и шесть нешвейцарских FM-передатчиков (третий сценарий). Из общедоступного набора данных БАКОМ (БАКОМ) были выбраны одиннадцать самых сильных ЧМ-передатчиков. Атрибутами FM-передатчика, доступными из набора данных, были положение (широта, долгота), высота антенны над землей, частота, мощность, ширина полосы, диаграмма направленности по горизонтали, диаграмма направленности по вертикали и поляризация.Вычисленное покрытие для датчика PCL с использованием всех одиннадцати объектов ToO показано на рисунке 4. Вычисленное покрытие для датчика PCL с использованием только внешних объектов ToO показано на рисунке 5.

РИСУНОК 4 . Пассивное радиолокационное покрытие с использованием всех инструментов: FM-датчик показан желтым кружком, а реальные FM-передатчики — красными цифрами. Расчет покрытия показан как минимальная обнаруживаемая RCS (от 0,1 синего до 150 м 2 красного) для высоты 3000 м над уровнем моря.

РИСУНОК 5 . Пассивное радиолокационное покрытие с использованием нешвейцарских инструментов: FM-датчик обозначен желтым кружком, а реальные FM-передатчики за пределами Швейцарии — красными цифрами.Расчет покрытия показан как минимальная обнаруживаемая RCS (от 0,1 синего до 150 м 2 красного) для высоты 3000 м над уровнем моря.

Для оптимизации ресурсов с помощью Hebbian Learning ADS-B записи воздушного движения в течение 2 часов над континентальной Европой использовались для имитации реальных целей.

Активными параметрами радара, используемыми для обнаружения целей, были: широта, долгота, высота, мощность, диаметр антенны, частота, ширина импульса, количество интегрированных импульсов и ширина полосы. Вероятность ложного срабатывания и время оборота всех активных радаров были установлены равными 10 –6 и 4 с соответственно.Вышеупомянутые активные параметры радара были установлены таким образом, чтобы была достигнута дальность обнаружения около 80 км для цели 10 м 2 RCS. На рис. 6 показан прогноз покрытия всех трех активных радаров на высоте 3000 м над уровнем моря.

РИСУНОК 6 . Три активных радара (номера 524, 525, 526) с иллюстрациями зоны покрытия как вероятность обнаружения больше 0,8 для цели на расстоянии 10 м 2 ЭПР на высоте 3000 м над уровнем моря.

На рис. 7 показаны диаграммы антенн двух реальных FM-передатчиков.

РИСУНОК 7 . Два реальных FM-передатчика (красные кружки) с соответствующими диаграммами направленности горизонтальной антенны.

На рисунках 8–10 показаны результаты предлагаемого механизма обучения для минимизации бюджета активной мощности радара для обеспечения покрытия цели для упомянутого сценария реальной цели продолжительностью 2 часа. На рисунках 8–10 показаны синаптические веса активных радаров после сходимости механизма обучения Хебба. Цветовое кодирование тепловой карты указывает на высокие синаптические веса и низкие синаптические веса от красного до синего соответственно.На каждом из этих рисунков показаны три активных радара, обсуждаемых на рис. 6, в середине каждого подграфика. Например, высокий синаптический вес после обучения (обозначенный красным цветом) на заданном азимуте и расстоянии от радара указывает на то, что вклад этого конкретного радара в обнаружение целей на этом азимуте и расстоянии высок. Точно так же низкий синаптический вес (синий) указывает на несущественный вклад этого радара на этом азимуте и расстоянии.

РИСУНОК 8 . Сценарий 1: Только активный радар: показаны полученные нормализованные веса трех активных радаров на полярной диаграмме азимутального диапазона.Получен средний вес 80% (83 + 84 + 73)/3, что означает, что в среднем обнаруживаются цели в 80% бинов сектора дальности.

РИСУНОК 9 . Сценарий 2: Активный радар и пассивный радар со всеми 11 ToO: показаны полученные нормализованные веса трех активных радаров на полярном графике азимутального диапазона. Получается средний вес 33% (61 + 22 + 16)/3, что более чем вдвое уменьшает средний синаптический вес активного радара в сценарии 1. Таким образом, холодные (синие) области указывают на низкие синаптические веса, где активное радиолокационное обнаружение становится ненужным. благодаря обнаружениям датчика PCL.

РИСУНОК 10 . Сценарий 3: Активный радар и пассивный радар только с шестью не швейцарскими ToO: показаны полученные нормализованные веса трех активных радаров на полярном графике азимутального диапазона. Для трех активных радаров получен средний вес 46 % (65 + 48 + 27)/3, что означает увеличение на 13 % по сравнению со сценарием 2.

При сравнении рис. 8 (сценарий 1) с рис. ) мы видим, что относительный вклад всех трех активных радаров во втором сценарии намного ниже, чем в сценарии 1.Количественно это показано средним значением синаптического веса 33 % в сценарии два по сравнению с 80 % в сценарии 1. Это означает, что, добавив один датчик PCL к трем активным группам RSN, мы можем резко уменьшить критическое требование покрытия активных радаров для обеспечение той же воздушной картины (т.е. при сохранении чувствительности обнаружения). Следует отметить, что типичная реальная система PCL, возможно, не может обеспечить такую ​​же точность 3D-позиционирования, как активный 3D-радар, в зависимости от используемой полосы пропускания сигнала ToO и относительной геометрии приемника, объектов ToO и целей.Кроме того, следует отметить, что синпатический вес в более низком диапазоне не имеет значения, когда вес в более широком диапазоне высок. В таких случаях активный радар должен действительно освещать все диапазоны в секторе. Дополнительная ценность механизма обучения заключается в том, что можно выделить целые сектора, которые не нужно освещать (например, на рис. 9 средний азимут 0–90°).

Сравнивая рисунок 10 (сценарий 3) с рисунком 9 (сценарий 2), мы видим, что средний синаптический вес активных радаров увеличивается с 33 до 46%, когда датчик PCL использует только ToO за пределами Швейцарии.Это означает, что, несмотря на то, что использование FM ToO для CH внутри страны вносит свой вклад в эфирное изображение PCL, значительная часть этого эфирного изображения может быть обеспечена за счет использования только ToO за пределами Швейцарии. Это снова означает, что FM-датчики PCL в Швейцарии будут полезны, даже если FM-передатчики будут отключены в ближайшем будущем. Обратите внимание, что результат на Рисунке 10 благодаря третьему сценарию был достигнут динамически из второго сценария, показанного на Рисунке 9, путем простого отключения швейцарских FM-передатчиков. Этот переход в изученных синаптических весах показывает, что наш подход может динамически переучиваться.

На рисунках 11, 12 показано, как один и тот же механизм обучения Хебба используется для изучения наиболее полезных целей, то есть тех, которые способствуют наибольшему количеству обнаружений целей. Для этого мы рассмотрим сценарий 2. На рис. 11 показано, как синаптические веса отдельных ОП развиваются в течение эпох обучения. На рис. 12 эти синаптические веса ToO представлены в ящичковых диаграммах. Здесь мы видим, что есть четыре ToO со значительно большим вкладом в обнаружение целей, чем другие. Этот полученный результат может использоваться системой PCL для определения приоритетов обработки ToO, поскольку часто вычислительные ресурсы ограничены, особенно для мобильных систем PCL, работающих в суровых альпийских условиях.

РИСУНОК 11 . Нормализованы изученные веса отдельных ToO за эпохи обучения, когда используются все 11 (как швейцарских, так и зарубежных) FM-передатчиков. ToO с более высокими весами способствуют гораздо большему количеству обнаружений, чем ToO с низкими весами.

РИСУНОК 12 . Графики индивидуальных весов ToO после обучения, когда используются все 11 (как швейцарских, так и зарубежных) FM-передатчиков. ToOs с более высокими весами можно четко отличить от ToOs с низкими весами.

8 Заключение

Имея набор активных радаров и датчиков PCL на определенных локациях, мы решили задачу одновременного определения наиболее полезных ТО для каждого датчика PCL и наиболее эффективных секторов и диапазонов для каждого активного радара. Из этого можно легко вывести стратегии оптимального бюджета мощности (например, предотвращение выбросов в некоторых секторах). Мы предложили неконтролируемый подход к обучению для этой оптимизации топологии и энергоэффективного обнаружения в комбинированных активно-пассивных сетях радиолокационных датчиков.Наш подход показывает, как и где бюджет мощности активных радаров можно резко минимизировать за счет внедрения датчиков PCL. Хотя системы PCL кажутся многообещающими в качестве экономичных заполнителей пробелов в активном радиолокационном покрытии, они чувствительны к изменениям ToO. С этой целью мы продемонстрировали, как наш подход динамически перестраивается для достижения устойчивой производительности, когда происходят изменения в ToO датчиков PCL. Наиболее полезные ToO для обнаружения целей PCL изучаются, предоставляя средства для выбора секторов без излучения для активных радаров и, таким образом, для минимизации их бюджетов мощности.

Наш подход вносит решающий вклад в достижение цели минимизации бюджета активной мощности радара и вычислительных ресурсов PCL в RSN. Широко используемые подходы к оптимизации бюджета мощности атаки в RSN включают теоретико-игровые подходы и стратегии, основанные на стоимости сети, которые в основном не учитывают подробные модели активных и пассивных радаров и модели местности. Наш подход с использованием обучения Hebbian позволяет интегрировать определяемые пользователем модели PCL и активных радиолокационных систем. Кроме того, наш подход позволяет оптимизировать бюджет активной мощности радара и выбор PCL ToO в зависимости от сценария.Записи реального воздушного движения, смоделированные цели или их комбинация могут использоваться для обучения нашей модели, обслуживающей несколько сценариев военного и гражданского наблюдения за воздушным пространством.

Предусмотрена дальнейшая работа по рассмотрению более сложных моделей PCL и моделей активного обнаружения радаров, включая бистатическое моделирование RCS, моделирование помех, прямое подавление сигналов и цифровое формирование луча.

Заявление о доступности данных

Наборы данных, представленные в этой статье, недоступны из-за применимых процедур проверки данных в учреждениях авторов.Запросы на доступ к наборам данных следует направлять соответствующему автору.

Вклад автора

ЗМ разработал, смоделировал и реализовал алгоритм обучения. Структура моделирования была разработана и внедрена ZM и LQ. CS и PW внесли полезный вклад в модель и структуру моделирования. ZM провела имитационные испытания. Все авторы внесли свой вклад в написание рукописи.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Примечания издателя

Все утверждения, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций или издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.

Сноски

1 Сценарий, описанный в этой работе, включает произвольные местоположения датчиков, параметры и покрытия, которые были выбраны исключительно для объяснения предлагаемого подхода к обучению и, следовательно, не имеют оперативного значения в сценарии защиты ВВС Швейцарии.

2 (Набор данных) БАКОМ (). https://www.bakom.admin.ch/bakom/en/homepage/frequencies-and-antennas/location-of-radio-transmitters.html.

3 (набор данных) GMTED (). https://www.usgs.gov/products/data-and-tools/gis-data.

4 (набор данных) POSTGRESQL (). https://www.postgresql.org/.

5 (набор данных) SPLAT! (). https://www.qsl.net/kd2bd/splat.html.

Ссылки

Bacci, G., Sanguinetti, L., Greco, M.С. и Луис М. (2012). «Теоретико-игровой подход к энергоэффективному обнаружению в сетях радиолокационных датчиков», на 7-м семинаре IEEE по массивам датчиков и многоканальной обработке сигналов (SAM) (IEEE), 157–160. doi:10.1109/sam.2012.6250454

CrossRef Полный текст | Google Scholar

Бейкер С. Дж. и Хьюм А. Л. (2003). Сетевое радиолокационное зондирование. IEEE Aerosp. Электрон. Сист. Маг. 18, 3–6. doi:10.1109/maes.2003.1183861

Полный текст CrossRef | Google Scholar

Бейкер К.Дж. и Триммер Б.Д. (2000). Радиолокационные системы ближнего действия. Комм. англ. J. 12, 181–191. doi:10.1049/ecej:20000406

CrossRef Full Text | Google Scholar

Бартон, Д. (2013). Анализ современных радиолокационных систем . Норвуд, Массачусетс: Artech House.

Google Scholar

Гриффитс Х. и Бейкер К. (2005). Пассивные когерентные радиолокационные системы. Часть 1: Прогноз производительности. IEE Proc. Радиолокационная сонарная навигация 152, 1. doi:10.1049/ip-rsn:20045082

CrossRef Полный текст | Google Scholar

Хебб, Д. (1949). Организация поведения . Нью-Йорк: Нью-Йорк: Wiley & Sons.

Google Scholar

Джексон, М. К. (1986). Геометрия бистатических радиолокационных систем. IEE Proc. Ф коммун. Сигнал радара. Обработать. Великобритания 133, 604–612. doi:10.1049/ip-f-1.1986.0097

Полный текст CrossRef | Google Scholar

Цзян X., Йи В., Юань Ю., Чай Л. и Чжан X.(2019). «Стратегия выбора узла на основе стоимости сети для отслеживания нескольких целей в сетевой радиолокационной системе», на конференции IEEE Radar Conference (IEEE). doi:10.1109/radar.2019.8835509

Полный текст CrossRef | Google Scholar

Малановский М., Живек М., Плотка М. и Кулпа К. (2022). Прогнозирование производительности пассивного бистатического обнаружения радаров с учетом диаграмм направленности антенн и эффектов распространения. IEEE Trans. Geosci. Дистанционное зондирование 60, 1–16. doi:10.1109/TGRS.2021.3069636

CrossRef Full Text | Google Scholar

Мэтьюз З., Квирикони, Л., и Вебер, П. (2015). «Оптимизация местоположения мультистатического пассивного приемника в альпийской местности с использованием распараллеленного генетического алгоритма», Конференция по радиолокации IEEE 2015 г. (RadarCon) (IEEE), 1446–1451. doi:10.1109/RADAR.2015.7131222

CrossRef Full Text | Google Scholar

Mousel, P. (2017). «Пассивный радар: от критериев качества до оптимизации покрытия», в Master Thesis ETH Zürich (Цюрих, Швейцария: ETH Zürich).

Google Scholar

Шрайнер, Б.(1999). Уравнение дальности действия радара Matlab и инструмент оценки вероятности обнаружения . Адельфи, доктор медицины: Армейская исследовательская лаборатория.

Google Scholar

Скольник, М. (1980). Введение в радиолокационные системы . Лондон: Макгроу-Хилл.

Google Scholar

Йи, Дж., Ван, X., Леунг, Х., и Лю, М. (2017). Совместное размещение передатчиков и приемников для распределенных Mimo радаров. IEEE Trans. Аэросп. Электрон. Сист. 53, 122–134. doi:10.1109/TAES.2017.2649338

Полнотекстовая перекрестная ссылка | Google Scholar

RUCCESS Регистратор 3 в 1 Автомобильный видеорегистратор с радар-детектором для автомобилей для России GPS Видеорегистратор с двумя объективами Видеорегистратор 1080P

RUCCESS STR-LD600-G Комбинированные устройства 3 в 1 сочетают в себе функции видеорегистратора и радар-детектора с модуль GPS. Предназначен для пользователей, желающих приобрести не только удобный видеорегистратор для безусловно качественной фото- и видеозаписи, но и сигнализатор приближающихся мест автоматического управления скоростным режимом работы или светофора.Аппаратной основой этой модели стал набор широкоугольных стеклянных линз, оптического датчика изображения SONY IMX307 и процессора MSTAR MSC8339D. Такое оборудование позволяет записывать четкое и детализированное видео с разрешением 2304х1296 и скоростью передачи до 18 Мбит/с. Высокая чувствительность сенсорной матрицы обеспечивает качество видеосъемки в ночное время. Радар-детектор улавливает сигналы в диапазонах радара и оповещает пользователя о контроле скорости в данном районе. И, наконец, GPS-антенна позволяет предупредить пользователя о стационарных радарах и камерах, не отправляющих сигналы радаров, а также делает процесс вождения более комфортным, отключая оповещения о сигналах радаров при движении на скорости ниже выбранной.Отличный дизайн и качественная корейская материнская плата Radar делают эти модели Ruccess лидерами в своем сегменте рынка, предоставляя пользователю гарантированно высокое качество и простоту использования.

ХАРАКТЕРИСТИКА

1. АВТОМОБИЛЬНЫЙ ВИДЕОРЕГИСТРАТОР 1,1 XHD 1296P (2304X1296) Аппаратной основой этой модели стал набор широкоугольных стеклянных линз, оптического датчика изображения SONY IMX307 и процессора MSTAR MSC8339D. Такое оборудование позволяет записывать четкое и детализированное видео с разрешением 2304х1296 и скоростью передачи до 18 Мбит/с.Высокая чувствительность сенсорной матрицы обеспечивает качество видеосъемки в ночное время. 1.2 ДВУХОБЪЕКТИВНАЯ ЗАПИСЬ Это первый радар-детектор DVR 3-в-1, поддерживающий двойную запись. Разрешение фронтальной камеры — Full HD 1080P, а задней камеры — HD720P. 1.170° УГОЛ ОБЗОРА Камера оснащена объективом с углом обзора 146°, благодаря этому в кадр попадает все, что происходит впереди события на соседних полигонах, дорожные знаки, светофоры, поведение пешеходов и многое другое.Ruccess помогает уловить самые важные детали, которые на первый взгляд могут показаться не принципиальными. 1.4 ПОДДЕРЖКА МАКС. 128 Г ПАМЯТИ Все данные записываются на карту памяти microSD, объем которой может достигать 128 ГБ.

2. РАДАР-ДЕТЕКТОР 2.1 Способен работать в Х, К, Ка, Стрелках, лазерных диапазонах и информирует водителя о диапазоне, в котором был принят сигнал РЛС. Выделено 5 режимов работы: Шоссе, ГОРОД, ГОРОД 1, ГОРОД 2, ПОДПИСЬ (подпись). Это не будет привлекать внимание водителя лишними сигналами.Различные скоростные фильтры для максимально комфортной работы устройства. 2.2 Настройка скорости отключения радара предназначена для установки порога, ниже которого радар-детектор будет оповещать водителя о радаре только выводом его на дисплей. При превышении порога добавятся звуковые и голосовые оповещения. Благодаря этой функции радар-детектор STR-LD600-G привлекает внимание водителя только к значимым сигналам полицейских радаров. 2.3 Радиолокационный модуль нового поколения на базе высокопроизводительного процессора ST MicroElectronics.Встроенный южнокорейский радар четвертого поколения, обзор 360 градусов. 2.4 Возможность ручной регулировки громкости предупреждающих сигналов, автоматический режим уменьшения громкости, голосовое оповещение на русском языке. 2.5 Определение сигналов РЛС во всех актуальных диапазонах — Х, К, Ка и сигналов лазерного метра (включая ЛИСД и Амата), а также сигналов от комплекса Стрелка (более 1 км), Робот, Мультирадар, Автодория, Места, 《 «Искра», «Крис-П», «Визирь», «Сокол», «Бинар», «Радис», «Арена» и др. Определение уровня сигнала, в том числе уровня сигнала Стрелки.

3. GPS Регистратор использует модуль GPS и базу данных с координатами мест установки стационарных систем измерения скорости. Модель постоянно определяет местонахождение автомобиля в режиме реального времени. Как только он подойдет к этому вопросу, водитель своевременно получит информацию о нем. 3.1 ФУНКЦИОНАЛЬНЫЙ ИНФОРМАТОР GPS *Встроенный модуль GPS с высокой точностью определения координат. *Более 40 000 баз радаров и камер АСУ ТП по России и странам СНГ.*Обнаружение всех комплексов измерения скорости радиолокационной частью прибора и на основе GPS. *Обновления прошивки и базы данных с сайта производителя бесплатны. 3.2 GPS-ТРЕКЕР Модуль GPS значительно расширяет функциональные возможности видеорегистратора. Он может узнать местонахождение автомобиля, увидеть маршрут следования, скорость и другие данные, которые можно получить со спутника.

СПЕЦИФИКАЦИЯ

X-диапазон: 10,525 ± 100 МГц K-диапазон: 24,125 ± 175 МГц Ka-диапазон полицейской машины: 34,300 ± 1300 МГц Портативный штатив Ka: 13.450 ± 125 МГц Диапазон Ku: 13,450 ± 125 МГц Ручной лазерный луч: 904 мин ± 33 МГц Стрелка: 24,15 ГГц ± 100 МГц

Функции Обнаружение комплекса «Стрелка» (мобильное и стационарное): Да Обнаружение радаров «Мультирадар» (Robot, Jenoptik Robot): Да Обнаружение систем управления средней скоростью (Autodoria): Да Обнаружение РЛС типа «ЛИСД»: Да Настройка яркости изображения: Да

Приемник Детектор лазерного излучения: Да, 800-1000 нм Угол обзора лазерного детектора: 360° Поддерживаемые режимы: Ultra-K, POP Приемник сигнала (радиоканал): Супергетеродин Обработка сигнала (радиоканал): цифровая DSP-цифровая обработка сигналов: Да

Настройки Городской режим: Да Маршрут шоссе: Да Отключение отдельных диапазонов: Да

Вывод информации Информация о дисплее: IPS-экран Регулировка яркости: Да Регулятор громкости: Да Отключение звука: Да Автоматическое отключение звука: Да Голосовое оповещение: Да Формат видео: MOV

Дополнительно Процессор: Mstar MSC8339D Датчик изображения: SONY CMOS IMX307 Разрешение видео: 2304×[email protected]/1920×[email protected]/1280×[email protected] ЖК-дисплей IPS Диагональ: 2.31 дюйм Угол обзора: 170° Обновление: через компьютер Производство: Разработано в Южной Корее, Сделано в Китае Бесплатное обновление: Да Источник питания: 12 В Суперконденсатор: Да Температура эксплуатации: от –20 °С до + 60 °С Температура хранения: от –30 °С до + 80 °С Допустимая влажность: 93% RH (40 °С)

УПАКОВКА

>Упаковка 1 1x автомобильный видеорегистратор 1x кронштейн 1x автомобильное зарядное устройство 1x кабель для передачи данных 1x Руководство пользователя

>Пакет 2 1x автомобильный видеорегистратор 1x задняя камера 1x кронштейн 1x автомобильное зарядное устройство 1x кабель для передачи данных 1x Руководство пользователя

Тип продукта: Автомобильные видеорегистраторы

Проблемы полной автономности для датчиков в автономных транспортных средствах

Первоначально доступная только в качестве опции для автомобилей высокого класса, технология помощи водителю постепенно завоевала признание в мейнстриме.Адаптивный круиз-контроль появился в 1990-х годах, за ним последовали мониторинг слепых зон, контроль полосы движения и автоматическое торможение на основе камер и радаров. Системы предотвращения столкновений, которые тормозят автомобили для предотвращения столкновений сзади, станут обязательными для новых автомобилей в Европейском союзе в мае 2022 года и станут стандартом для многих новых моделей в США. .

Интеграция и усовершенствование этих функций казалось очевидным путем к полностью автоматизированному вождению.

Тем не менее, опрос, проведенный в августе 2021 года, показал, что только 23% взрослых будут ездить на полностью автономном автомобиле — по сравнению с 19% тремя годами ранее, но все равно это сбивает с толку. К сожалению, получившие широкую огласку несчастные случаи со смертельным исходом подорвали общественное признание. Uber выручила и продала свою программу разработки роботизированного такси в декабре 2020 года, а Waymo перестала называть свои автомобили «самоуправляемыми автомобилями» в начале 2021 года. на самом деле они не полностью автономны, и в результате расследования Национального совета по безопасности дорожного движения, начавшегося в августе 2021 года, 11 аварий, в которых Tesla в режиме автопилота убили одного спасателя и ранили еще 17.

Пришло время обновить глаза и мозги беспилотных автомобилей.

Датчики и искусственный интеллект

Глаза представляют собой сеть датчиков, которые смотрят во всех направлениях вокруг автомобилей, а мозг представляет собой системы искусственного интеллекта (ИИ), работающие на мощных компьютерах, связанных с архивами цифровых карт и других данных. Программное обеспечение анализирует данные датчиков и другую информацию, чтобы отслеживать пешеходов и другие транспортные средства, прогнозировать, куда они направляются, и вычислять путь, который должен пройти автомобиль для безопасного вождения.

Как сбор, так и обработка данных являются сложными операциями в реальном времени. Даже время прохождения света имеет значение; импульсу LiDAR или радара требуется микросекунда, чтобы пройти 150 м туда и обратно от источника до цели и обратно. Основными датчиками являются камеры, микроволновый радар и LiDAR, но многие автомобили также используют ультразвук для автоматической парковки и собирают сигналы GPS для определения местоположения автомобиля на цифровых картах.

Система в целом сложна для проектирования, интеграции и оптимизации.В 2020 году инженеры робототехнической фирмы PerceptIn (Санта-Клара, Калифорния) сообщили, что за последние три года потратили примерно половину своего бюджета на исследования и разработки на создание и оптимизацию вычислительной системы. «Мы обнаружили, что автономное вождение включает в себя множество различных задач в области вычислений и датчиков с новыми конструктивными ограничениями. Хотя ускорение отдельных алгоритмов чрезвычайно ценно, в конечном итоге важно систематическое понимание и оптимизация комплексной системы.

Камеры для помощи водителю и автономии

Датчики камер хорошо разработаны и недороги, и сотни миллионов были проданы для передовых систем помощи водителю (ADAS) и автоматизированных систем вождения (AD). Хотя все они используют кремниевые детекторы, детали различаются в зависимости от типа систем и производителей автомобилей. В камерах ADAS используются небольшие процессоры, установленные за зеркалом заднего вида, в то время как камеры AD устанавливаются снаружи автомобиля и имеют связь с центральным компьютером внутри автомобиля.

На рис. 1 показано типичное размещение камер в двух типах систем. Оранжевые области показывают широкое основное поле зрения и узкое длинное поле зрения, используемое в камерах ADAS для поиска опасностей перед движущимся автомобилем. Автомобильные мониторы для беспилотных автомобилей также имеют дополнительные камеры по бокам и сзади для полного охвата автомобиля на 360 ° с отображением полей обзора для ближних и дальних камер. Поле зрения камеры заднего вида выделено фиолетовым цветом.

Специализация камер выходит далеко за пределы поля зрения и дальности действия камеры, по словам Энди Хэнви из Omnivision, поставщика чипов для камер (Санта-Клара, Калифорния).В автомобилях используются камеры трех классов: чипы машинного зрения для ADAS и AD; чипы просмотра для камер кругового обзора и заднего вида; и салонные фишки для контроля за водителем. Каждый тип оптимизирован для определенных функций, а массив детекторов обычно представляет собой массивы фильтров, отличные от обычного шаблона RGB Байера для цветной фотографии (см. рис. 2a).

Чипы машинного зрения предоставляют системе ИИ данные, используемые для отслеживания положения и движения других автомобилей и объектов поблизости. Используемые четырехэлементные фильтры оптимизированы для обработки оттенков серого и не отображаются для драйвера.Обычно выбирают один красный элемент и три прозрачных элемента, называемых RCCC (см. рис. 2b). Изображения RCCC кажутся монохромными и не могут записывать цветные изображения. Три прозрачных фильтра обеспечивают наилучшую чувствительность, а красный фильтрующий элемент идентифицирует красный свет от тормозов или сигналов светофора.

Другой вариант — ВДТ с одним красным фильтром, двумя прозрачными фильтрами и одним синим фильтром (см. рис. 2в). Это привлекательно, когда выходной сигнал камеры подается как на процессор машинного зрения, так и на дисплей водителя, показывающий вид сзади или сбоку на окрестности автомобиля, где необходим цвет.Аналогичной альтернативой является фильтр RYYCy с красными, желтыми, желтыми и голубыми элементами, который также можно использовать для цветопередачи или записи в автомобильных видеорегистраторах, доступных в некоторых автомобилях высокого класса.

Другими важными характеристиками машинного зрения являются поле зрения, разрешение и динамический диапазон. Полная автономность повышает спрос на более высокие уровни, включая количество пикселей от 8 до 15 миллионов, поля зрения от 140° до 160°, динамический диапазон от 120 до 140 дБ и хорошие характеристики при слабом освещении для ночного вождения.Требования к количеству пикселей ниже для изображений заднего и бокового вида, отображаемых для водителя.

Камеры третьего класса следят за бдительностью и вниманием водителя, а остальной салон за безопасностью. Эти приложения могут использовать другую конфигурацию фильтра RGB-IR. Ближний ИК-диапазон кремниевого диапазона может отслеживать свет, отраженный от лица водителя, который не отвлекает, поскольку водитель его не видит. Видимый свет можно использовать для обеспечения безопасности или других изображений.

Отвлеченное или невнимательное вождение давно признано проблемой безопасности и было очевидным в первых авариях Tesla со смертельным исходом.Tesla сделала мониторы водителей стандартными функциями, как и General Motors с линейкой Super Cruise и Ford с автомобилями BlueCruise. Европейский союз идет еще дальше: в 2024 году он потребует, чтобы все новые автомобили были оснащены системой мониторинга водителя, которая следит за водителем на предмет признаков сонливости или рассеянности.

Ограничения по погодным условиям

Камеры зависят от видимого света, поэтому они уязвимы для тех же экологических нарушений, которые могут ухудшить зрение человека, от солнечных бликов, ослепляющих глаза, до тумана или осадков, которые поглощают свет и уменьшают сигнал.Цифровые камеры, используемые в автомобилях, имеют динамический диапазон 120 дБ (битовая глубина 20 в ПЗС) или более, что аналогично номинальному диапазону 120 дБ человеческого глаза, охватывающему как ночное, так и дневное зрение. Однако их пиковая цветовая чувствительность различается; человеческий глаз наиболее чувствителен к зеленому цвету, но цветовая чувствительность кремния более равномерна, поэтому фотографические камеры RGB используют два зеленых элемента для каждого красного или синего элемента, чтобы воспроизвести человеческое зрение.

Уровни окружающего освещения могут различаться более чем на 120 дБ, что может создавать проблемы для датчиков камеры.Инженеры поставщика автомобилей Valeo (Париж, Франция) разработали набор данных для классификации погоды и освещения, но говорят, что требуется еще много работы.

Тени могут меняться в зависимости от погоды, времени суток и времен года, что делает их сложными как для людей, так и для камер. На рис. 3 показано, как тени могут скрыть приподнятый бордюр за счет уменьшения контраста между бордюром и асфальтом в определенное время дня и под определенными углами обзора. Тени могут привести к тому, что водители ударятся о бордюр и повредят шины в течение нескольких часов, пока они будут преодолевать бордюр.

Стереокамера для измерения расстояний

Стереокамеры могут измерять расстояния до объектов, делая изображения с двух разных точек и наблюдая, как положение объекта на изображении зависит от положения. Дальность до объекта пропорциональна расстоянию между двумя точками, где были сделаны фотографии. Для цифровых камер любая ошибка в выравнивании строк пикселей в правой и левой камерах ухудшает оценку расстояния.

«Сдвиг относительной ориентации левой и правой камер даже на 1/100 градуса может полностью испортить выходную карту глубины», — говорит Лиф Цзян, основатель стартапа NODAR Inc.(Сомервилль, Массачусетс). Для автомобильного лидара это смещение должно оставаться стабильным на протяжении всего срока службы автомобиля. Наибольшее расстояние, при котором такая стабильность возможна при современном машиностроении, составляет около 20 см, что ограничивает измерение дальности примерно до 50 м.

Чтобы увеличить расстояние между камерами и, следовательно, диапазон стереокамер, Цзян говорит, что NODAR разработал двухэтапный программный процесс для покадровой стабилизации результатов камеры. Сначала они калибруют или корректируют изображения до фиксированной системы отсчета, затем решают проблему стереосоответствия для каждой пары пикселей.Это позволяет стереокамерам располагаться на расстоянии до 2 м друг от друга (ширина автомобиля), обеспечивая точное измерение дальности до 500 м, что в 10 раз больше, чем у обычных камер. Камеры не нужно прикручивать к одной раме, их просто нужно установить так, чтобы поля обзора перекрывались, как правило, в передней части автомобиля с правой и левой стороны.

Единая система обработки данных выполняет как визуализацию, так и измерение дальности. Цветные камеры могут генерировать облака точек с цветовой кодировкой. Система плотно сэмплирует поле зрения, поэтому она может обнаруживать и избегать мелких объектов, таких как незакрепленные глушители, кирпичи или выбоины, которые могут мешать транспортному средству.Большое расстояние было бы наиболее важным, если смотреть вперед и назад, говорит Цзян.

Микроволновый радар

Низкая стоимость микроволновых радаров позволяет легко разместить несколько радиолокаторов вокруг автомобиля для измерения расстояния, и они могут видеть в непогоду намного лучше, чем в видимом свете. Высокочастотные радары в диапазоне 77 ГГц могут измерять большие расстояния для вождения; Радар 24 ГГц меньшего радиуса действия может помочь при парковке или мониторинге слепых зон. Однако у радаров есть проблемы с идентификацией и отслеживанием пешеходов и определением высоты, поэтому они могут быть сбиты с толку мостами и знаками над дорогой или трейлерами с открытым пространством под ними.Эти ограничения сделали дополнительные датчики обязательными в ADAS и AD.

Компания Mobileye (Иерусалим, Израиль), основанная для разработки систем компьютерного зрения, планирует повысить роль радаров, чтобы воспользоваться преимуществами их низкой стоимости. По словам основателя и генерального директора Mobileye Амнона Шашуа, современные «радары бесполезны для автономного зондирования [потому что они] не могут работать в тесном пространстве». Чтобы преодолеть это, компания разрабатывает программно-определяемые радары, настроенные на более высокое разрешение. «Радар с правильным алгоритмом может обеспечивать очень высокое разрешение» на расстоянии до 50 м с помощью глубокого обучения.Mobileye говорит, что их радары для разработки могут почти соответствовать производительности LiDAR.

Outlook

Для передовых систем датчиков требуются передовые процессоры, разработанные для транспортных средств. Nvidia (Санта-Клара, Калифорния) недавно анонсировала NVIDIA Drive, предназначенную для запуска автономных автомобилей 4-го уровня с 12 внешними камерами, тремя внутренними камерами, девятью радарами и двумя лидарами. Специализированные процессоры и программное обеспечение — это основные мозги, которые обрабатывают сигналы, собираемые датчиками, служащими глазами автономных автомобилей.

В то время как вспомогательное вождение и датчики работают хорошо, автономное вождение испытывает трудности, потому что ИИ не понимает сложности вождения. ИИ обыграл мастеров шахмат и других игр со сложными, последовательными и четко определенными правилами, которые проверяют человеческий интеллект. Но ИИ может потерпеть неудачу в вождении, потому что «правила дорожного движения» недостаточно четко определены и не соблюдаются должным образом, а ИИ плохо справляется с непредвиденными ситуациями, от плохо размеченных полос до машин экстренных служб, остановившихся на дороге с мигающими огнями.Ничто не говорит о плохом вождении так, как врезаться в остановившуюся пожарную машину, и автономные автомобили делали это не раз. Неудивительно, что общественность настороженно относится к езде на автомобилях с послужным списком таких досадных аварий. Одна из серьезных задач, стоящих перед отраслью, — убедить общественность в том, что они могут работать лучше.

Flightradar24: отслеживание полетов в реальном времени — карта отслеживания полетов в реальном времени

Наземное отслеживание с очень высоким уровнем точности GPS для большинства самолетов.Некоторые старше самолеты используют инерциальные опорные единицы вместо GPS для определения местоположения, что снижает точность определения местоположения. Подробнее

Спутниковое отслеживание с очень высоким уровнем точности GPS для большинства самолетов. Некоторые старые самолеты используют инерциальные опорные единицы вместо GPS для определения местоположения, что снижает точность определения местоположения. Подробнее

Наземное отслеживание с использованием разницы во времени прибытия для расчета местоположения.Должен обеспечивают высокую точность определения местоположения на большинстве этапов полета, но иногда могут возникать ошибки определения местоположения. То скорость относительно земли вычисляется и иногда может быть неверной, особенно при поворотах и ​​на малых высотах. Также рассчитывается вертикальная скорость, поэтому иногда могут возникать ошибки. Данные о высоте поступают от транспондера и должно быть правильно. Подробнее

Наземное отслеживание, используемое в легких самолетах, таких как планеры.Переменные уровни качества данных на основе ограниченные возможности слежения за планерами. Данные предоставлены Откройте планерную сеть. Подробнее

сторонние данные, охватывающие Северную Америку и некоторые океанические регионы вокруг Северной Америки, собраны из разных источников данных. Предоставляется Flightradar24 как есть с переменным качеством в зависимости от множественные факторы. Подробнее

Положение самолета может быть определено в течение 240 минут после потери связи на основе на пути большого круга между последней полученной позицией и пунктом назначения.Точность расчетных позиций будет варьироваться в зависимости от времени, прошедшего с момента последнего получения местоположения и маршрута полета. Подробнее

Этот самолет передает неверный код транспондера из-за неисправности или неверного программирование. Поскольку 24-битный адрес ИКАО неверен, часто невозможно идентифицировать воздушное судно. Подробнее

Увеличьте охват в вашем регионе

Рынок радиолокационных систем оценивается в 32 доллара США.5

Нью-Йорк, 8 марта 2022 г. (GLOBE NEWSWIRE) — Reportlinker.com объявляет о выпуске отчета «Рынок радиолокационных систем по приложениям, платформам, полосам частот, типам, компонентам, диапазонам, размерам, технологиям и регионам — прогноз до 2026″ — https://www.reportlinker.com/p04073952/?utm_source=GNW
Радар наблюдения за погодой, также известный как радар наблюдения за погодой (WSR) и доплеровский метеорологический радар, разработан для обнаружения осадков (дождя, снега и града). , в том числе) и рассчитать направление его движения, чтобы оценить погодные условия в том или ином регионе в заданное время.Эти радары используются в коммерческих, научных и военных целях, и многие компании активно разрабатывают новые технологии для использования в мониторинге погоды.

Например, в июне 2020 года компания Honeywell (США) разработала метеорологическую радиолокационную систему IntuVue RDR-7000, которую можно использовать в военных и оборонных целях. IntuVue RDR-7000 также можно использовать на платформах городской мобильности, таких как аэротакси и бортовые машины скорой помощи.

Furuno (Япония) предлагает два метеорологических доплеровских радара X-диапазона, а именно одиночный поляриметрический WR110 и двойной поляриметрический WR2120.Однополяриметрический радар WR110 очень эффективен для наблюдения за нормальным дождем, в то время как WR2120 отличается высокой сложностью и упрощает наблюдения, включая трехмерный анализ сильных кучево-дождевых осадков и прогнозирование локализованных осадков.

Ожидается, что разработка различных усовершенствованных радаров для наблюдения за погодой и их широкое внедрение для точного мониторинга и прогнозирования погодных условий приведет к росту рынка радиолокационных систем в ближайшем будущем. Метеорологический радар находится под наземной платформой, на долю которой в 2020 году приходилось 26% всего рынка радаров.

Разработка радара с активной решеткой с электронным сканированием
Радиолокационная технология с активной решеткой с электронным сканированием (AESA) представляет собой модуль, содержащий приемопередающие модули нового поколения. Программно-определяемая радиосвязь (SDR) используется для радиосвязи из-за высокой скорости передачи данных. .

Использование технологии AESA быстро растет из-за ее повышенной надежности и доступности, и ожидается, что в ближайшем будущем она заменит обычные радарные системы. Это позволило таким странам, как США, Норвегия, Нидерланды, Индия и Израиль, среди прочих, включить AESA в устаревшие/старые системы на наземных, морских и бортовых платформах.

Из-за его устойчивости к электронным помехам, низкого уровня перехвата, высокой надежности и многорежимности страны по всему миру добавляют радар AESA в свои военные самолеты и суда, а производители по всему миру работают над удовлетворением спроса. Включение радара AESA в воздушные/морские/наземные платформы останется актуальным, поскольку радиоэлектронная борьба становится все более важной, а без AESA современные обычные вооруженные силы устарели.

В феврале 2022 года шведская компания SAAB AB получила заказ на поставку ЗРК малой дальности RBS 70 NG для вооруженных сил Аргентины вместе с RMF-200V, тактической РЛС ПВО с АФАР для обнаружения угроз на средних и короткие дистанции, которые могли составить ядро ​​маловысотной зенитной батареи.
.
Marine: крупнейший сегмент рынка радарных систем по платформам.

Морские радиолокационные системы используются для обнаружения и отслеживания морских действий, в том числе военных кораблей, подводных лодок, морских патрульных судов и других морских судов. Они также используются для обнаружения других кораблей и наземных препятствий, определения пеленга и расстояния до предотвращение столкновений и навигация в море.

Эти радарные системы помогают отслеживать незаконную деятельность, такую ​​как контрабанда, пиратство, незаконный промысел и террористическая деятельность.Обычно это радары X-диапазона и S-диапазона.
Европейский многофункциональный радар с фазированной антенной решеткой (EMPAR) является примером морского радара. Он был разработан Selex ES (Великобритания) для установки на средних и крупных судах для выявления морских угроз.

Однодиапазонная частота: самый быстрорастущий сегмент рынка радиолокационных систем, по полосе частот “
Однодиапазонные частоты далее классифицируются как радиоволны, которые включают диапазоны УВЧ/ОВЧ; микроволновая печь, которая подразделяется на L-диапазон, S-диапазон, C-диапазон, X-диапазон, Ku/Ka-диапазон и другие; и миллиметровый диапазон.

Антенна: самый быстрорастущий сегмент рынка радиолокационных систем по данным Component. «Антенны
используются для излучения радиочастотной энергии и являются важным компонентом радара, поскольку они отвечают за передачу энергии, генерируемой передатчиком. Они гарантируют, что радиочастотный сигнал имеет требуемую форму в космосе.

Эффективность радара зависит от типа используемой антенны. Наиболее часто используемыми антеннами являются параболические параболические антенны и антенные решетки.

Радарная антенна с параболическим отражателем используется для отслеживания воздушных целей. Она имеет параболический отражатель для направления радиоволн и имеет узкий луч для обнаружения кораблей, самолетов и управляемых ракет.

Активные фазированные антенные решетки широко используются в военных целях благодаря соотношению мощности и форм-фактора.

В этом исследовании антенны подразделяются на вращающиеся антенны, микрополосковые антенны и антенные решетки с электронным управлением, которые далее делятся на активные и пассивные.Прогнозируется, что сегмент антенн на рынке радиолокационных систем вырастет с 5 721 млн долларов США в 2021 году до 7 264 млн долларов США к 2026 году при среднегодовом темпе роста 4,9% в течение прогнозируемого периода.

Israel Aerospace Industries предлагает радар постоянного обнаружения периметра ELM-2114, в котором используется плоская антенная решетка. Это многолучевой радар с полупроводниковым управлением и частотно-модулированной непрерывной волной (FMCW), который без проблем работает с электрооптическими датчиками и системами управления и контроля.
В марте 2020 года корпорация Raytheon Technologies разработала свою первую радиолокационную антенну для систем наведения самолетов и ракет нижнего уровня.Этот радар имеет три фиксированных массива, которые обеспечивают поддержку обнаружения и отслеживания на 360 градусов.

Активный радар: Самый быстрорастущий сегмент рынка радарных систем по типу. “
В активном радаре передатчик и приемник расположены в одном месте; следовательно, он известен как моностатический радар. Принцип работы прост: радиоволна выпускается из антенны и отражается от объектов, с которыми сталкивается волна.

Активный радар эффективно собирает гораздо больше информации, но также выдает местоположение станции сбора информации.Это означает, что при отслеживании станция сбора информации может легко стать целью.

Активные радиолокационные системы подразделяются на доплеровские и непрерывноволновые.

Оборона: самый быстрорастущий сегмент рынка радиолокационных систем по приложениям. «
Приложение для обороны подразделяется на охрану периметра, наблюдение за полем боя, военно-космические средства и противовоздушную оборону. Радар дальнего действия
: самый быстрорастущий сегмент рынка радарных систем по версии Range.«
Радар дальнего действия считается имеющим инструментальную дальность 150 км и выше. С помощью РЛС дальнего действия могут функционировать системы воздушного наблюдения, военные радары, системы воздушного картографирования, системы управления вооружением, системы наведения ракет.

Такие компании, как L&T Defense, предлагают радары дальнего действия с одновременными режимами работы, поддерживающие многоцелевые возможности для наземных и морских операций и развертывания оружия. Корпорация Lockheed Martin (США) предлагает TPS-59, радиолокационную систему с радиусом действия 740 км.

Программно-определяемый радар: самый быстрорастущий сегмент рынка радарных систем по технологиям. «
Программно-определяемый радар можно определить как радиотехнологию, в которой некоторые физические уровни или функции определяются и контролируются программным обеспечением, что делает радар легко адаптируемым. В некоторых базовых программно-определяемых радарах используются микросхемы аналого-цифрового преобразователя, которые подключаются к антенне.
Технология программно-определяемой радиосвязи спроектирована таким образом, что некоторые или все физические функции определяются программным обеспечением.Все эксплуатационные изменения, такие как производительность, спецификация и функции, выполняются программным обеспечением без изменения какого-либо оборудования, что делает эту технологию очень гибкой и адаптируемой.

Программно-определяемый радар передает и принимает сигналы в цифровом пространстве, который связан с микросхемой аналого-цифрового и цифро-аналогового преобразователя, которая подключена к антенне. Эта радиолокационная система выполняет поиск поверхности, перископ обнаружение и навигационные функции.

Он также обеспечивает лучшую защиту от ограниченных воздушных угроз с малой высоты.
В 2020 году ВМС США подписали контракт на сумму 42,2 млн долларов США с Ultra Electronics Holdings plc (Великобритания) на поставку программно-определяемых радиолокационных систем поверхностного поиска. Ultra Electronics Holdings plc является поставщиком продуктов и решений для рынков транспорта и энергетики, безопасности и кибербезопасности, обороны и аэрокосмической отрасли.
3D: самый быстрорастущий сегмент рынка радарных систем по версии Dimension. “
Трехмерный радар требует параллельного подключения нескольких приемных каналов, а антенна радара должна развертывать несколько диаграмм направленности во время приема.Старые трехмерные радары имели плоскую или линейную фазированную решетку и не излучали волны одновременно во всех направлениях наблюдения.

Эта передача осуществлялась последовательно во времени. Антенны могут сканировать пространство в пределах ограниченного угла поворота.

Это дает две возможности: во-первых, либо антенна вращается по азимуту и ​​электронно сканирует угол места, либо, во-вторых, имеются четыре плоские антенны, статически распределенные вокруг несущей, каждая из которых покрывает только четверть секции полушария.Оба варианта обеспечивают полное покрытие вокруг радара. Трехмерные радиолокационные системы способны обеспечивать высокую точность определения местоположения целей при полностью автоматических режимах работы, что обусловливает растущий спрос на военные приложения.
Вращающаяся антенна имеет критический недостаток. Поскольку каждый угол места будет сканироваться последовательно во времени, антенна не должна вращаться слишком быстро, чтобы избежать пропусков в разведке за ограниченное время.

Однако версия со статическими антеннами имеет преимущество в планировании времени, так как практически четыре радара сканируют пространство одновременно.Передние концы этих четырех радаров подвергаются общей обработке и отображению радиолокационных данных.

Радар может работать с большей гибкостью и может использоваться как многофункциональный радар. Таким образом, современные радары являются многофункциональными.
Saab AB (Швеция) предлагает портативный 3D-радар для наблюдения за воздушным пространством ближнего радиуса действия. Giraffe 1X — это легкий 3D-радар, который можно интегрировать на несколько мобильных платформ и использовать для отслеживания дронов и предупреждения о приближающихся ракетах, артиллерийских снарядах, и минометные снаряды.

Радар способен одновременно классифицировать 100 различных целей.
В сентябре 2021 года компания Hensoldt AG (Германия) получила контракт на поставку Норвежскому агентству оборонных материалов морского радара TRS-3D. Этот радар оснащен новейшими твердотельными технологиями и программным обеспечением для обработки сигналов.

Используется норвежской береговой охраной.

Европа: крупнейший регион на рынке радарных систем.
Европа является крупнейшим рынком радиолокационных систем с точки зрения спроса, а также присутствия основных производителей радиолокационных систем.В 2020 году на регион приходилось 33,8% мирового рынка радиолокационных систем. В Европе много стран, которые вкладывают значительные средства в оборонную инфраструктуру. Это приводит к высокой потребности в радиолокационных системах в Европе.

Разбивка первичных компонентов
Исследование содержит мнения различных отраслевых экспертов, от поставщиков компонентов до компаний уровня 1 и OEM-производителей. Распределение праймериз выглядит следующим образом:
• По типу компании: Уровень 1–35%; Уровень 2–45%; и Уровень 3–20%
• По назначению: Уровень C–35%; Директора – 25%; и другие – 40%
• По регионам: Северная Америка – 40%; Европа – 20%; Азиатско-Тихоокеанский регион – 30%; Ближний Восток и Африка – 5%; Южная Америка – 5%

SAAB AB (Швеция), Raytheon Technologies (США), Mitsubishi (Япония), Thales Group (Франция), Kongsberg (Норвегия), Aselsan AS (Турция) и General Dynamics (США) отчет ведущих игроков рынка радиолокационных систем.

Охват исследований
Исследование охватывает рынок радиолокационных систем в различных сегментах и ​​подсегментах. Технология, тип и регион.

Это исследование также включает в себя углубленный конкурентный анализ ключевых игроков на рынке, а также профили их компаний, основные наблюдения, связанные с их продуктами и бизнес-предложениями, последние разработки, предпринятые ими, и ключевые рыночные стратегии, принятые ими.

Причины для покупки этого отчета
Ожидается, что этот отчет поможет лидерам рынка / новым участникам с информацией о ближайших приближенных показателях доходов для всего рынка радиолокационных систем и его сегментов. информацию о конечном использовании и о том, где используются радиолокационные системы.

Этот отчет призван помочь заинтересованным сторонам понять конкурентную среду на рынке, получить представление о том, как улучшить положение своего бизнеса и спланировать подходящие стратегии выхода на рынок.

Добавить комментарий

Ваш адрес email не будет опубликован.