JP7416092B2 - 学習装置、学習方法、及び、プログラム - Google Patents

Description

本発明は、レーダを用いた監視技術に関する。

レーダを用いて航空機などの移動体を監視する手法が知られている。特許文献１は、レーダ装置により航空機や車両などの移動目標を監視する手法を開示している。

特開２０１６－１５１４１６号公報

レーダ装置において、遠くの目標、小さい目標、クラッタ内に存在する目標、妨害信号内に存在する目標などを検出するためには、検出性能を向上させる必要がある。基本的に、検出性能を向上させるためにはアンテナを大きくすればよいが、そうするとハードウェアが増加し、コストが増大する。

本発明の１つの目的は、コストを抑えつつ、ＳＮＲ（Ｓｉｇｎａｌ Ｎｏｉｓｅ Ｒａｔｉｏ）の低い環境における目標の検出精度を向上させることにある。

本発明の１つの観点では、学習装置は、
受信波に基づいて生成された受信信号と、前記受信信号に基づいて生成された追尾信号とをレーダ装置から取得する取得手段と、
前記受信信号及び前記追尾信号を用いて、前記受信信号と、前記受信信号における目標の有無及び目標の位置を示す教師ラベルとのペアである学習データを生成する学習データ生成手段と、
前記学習データに含まれる前記受信信号に対して前処理を行う前処理手段と、
前記前処理後の受信信号を含む学習データを用いて、受信信号から目標を検出する目標検出モデルを学習する学習処理手段と、
を備え、
前記前処理手段は、前回のスキャンによる受信信号中に目標を検出した場合に、当該目標の最高速度及び旋回可能な方向に基づいて当該目標の移動可能範囲を予測し、今回のスキャンによる受信信号のうち前記移動可能範囲以外の部分をトリミングにより除去する。

本発明の他の観点では、コンピュータにより実行される学習方法は、
受信波に基づいて生成された受信信号と、前記受信信号に基づいて生成された追尾信号とをレーダ装置から取得し、
前記受信信号及び前記追尾信号を用いて、前記受信信号と、前記受信信号における目標の有無及び目標の位置を示す教師ラベルとのペアである学習データを生成し、
前記学習データに含まれる前記受信信号に対して前処理を行い、
前記前処理後の受信信号を含む学習データを用いて、受信信号から目標を検出する目標検出モデルを学習し、
前記前処理は、前回のスキャンによる受信信号中に目標を検出した場合に、当該目標の最高速度及び旋回可能な方向に基づいて当該目標の移動可能範囲を予測し、今回のスキャンによる受信信号のうち前記移動可能範囲以外の部分をトリミングにより除去する処理である。

本発明の他の観点では、プログラムは、
受信波に基づいて生成された受信信号と、前記受信信号に基づいて生成された追尾信号とをレーダ装置から取得し、
前記受信信号及び前記追尾信号を用いて、前記受信信号と、前記受信信号における目標の有無及び目標の位置を示す教師ラベルとのペアである学習データを生成し、
前記学習データに含まれる前記受信信号に対して前処理を行い、
前記前処理後の受信信号を含む学習データを用いて、受信信号から目標を検出する目標検出モデルを学習する処理をコンピュータに実行させ、
前記前処理は、前回のスキャンによる受信信号中に目標を検出した場合に、当該目標の最高速度及び旋回可能な方向に基づいて当該目標の移動可能範囲を予測し、今回のスキャンによる受信信号のうち前記移動可能範囲以外の部分をトリミングにより除去する処理である。

本発明によれば、コストを抑えつつ、ＳＮＲの低い環境における目標の検出精度を向上させることができる。

レーダ装置の基本構成を示す。 信号処理部の構成を示す。 目標検出モデルを学習する際の構成を示す。 処理後信号のトリミングの例を示す。 学習装置のハードウェア構成を示す。 学習装置による学習処理のフローチャートである。 学習装置の他の例を示す。 学習済みモデルを適用したレーダ装置の構成を示す。 レーダ装置による目標検出処理のフローチャートである。 所望のビーム諸元の受信信号を再構成するための構成を示す。 ２次レーダを使用する場合のレーダ装置の構成を示す。 学習データの収集のためのビーム制御を行う場合の構成を示す。 オンライン学習を行うための構成を示す。 学習済みモデルの妥当性評価を行うための構成を示す。 学習済みモデルによる動作変動を抑制するための構成を示す。 第２実施形態に係る学習装置及びレーダ装置の構成を示す。

以下、図面を参照して、本発明の好適な実施形態について説明する。本実施形態におけるレーダ装置は、周囲に存在する移動体などの監視システムに用いることができる。具体的に、レーダ装置は、周囲に送信波を出射し、その反射波を受光することにより移動体（以下、「目標」とも呼ぶ。）を検出し、必要に応じてその目標を追尾する。目標としては、例えば空中を飛行する航空機、地上を移動する車両、海上を移動する船舶などが挙げられる。以下の実施形態では、説明の便宜上、レーダ装置を航空管制に使用し、目標は主として航空機であるものとする。

＜レーダ装置の基本構成＞
まず、レーダ装置の基本構成について説明する。図１は、レーダ装置の基本構成を示すブロック図である。レーダ装置１００は、アンテナ部１０１と、送受信部１０２と、信号処理部１０３と、ビーム制御部１０４と、目標検出部１０５と、追尾処理部１０６と、表示操作部１０７と、を備える。

アンテナ部１０１は、送受信部１０２から入力された電気信号（以下、「送信信号」とも呼ぶ。）を増幅し、ビーム制御部１０４から指示された送信方向に送信波（「ビーム」と呼ぶ。）を出射する。また、アンテナ部１０１は、出射した送信波の目標による反射波を電気信号（以下、「受信信号」とも呼ぶ。）に変換し、合成して送受信部１０２へ出力する。

本実施形態では、レーダ装置１００は、定常的に全方位（周囲３６０°）をスキャンするビーム（「スキャンビーム」と呼ぶ。）を出射し、周囲における目標の存在を監視する。また、目標が検出された場合には、レーダ装置１００は、その目標を追尾するためのビーム（「追尾ビーム」と呼ぶ。）を出射し、目標の軌道（「航跡」と呼ぶ。）を追跡する。この点から、アンテナ部１０１は、例えば複数のアンテナ素子を備えるアレイアンテナなど、瞬時に送信方向を変更可能なアンテナにより構成される。具体的には、全方位をカバーするように複数の平面状アレイアンテナを配置するか、円筒状のアレイアンテナを用いることができる。これにより、定常的に全方位にスキャンビームを出射しつつ、目標が検出された際に目標の方向へ追尾ビームを出射することができる。

送受信部１０２は、ビーム制御部１０４から指示された送信波諸元（以下、「ビーム諸元」とも呼ぶ。）に基づき、電気信号を生成し、アンテナ部１０１へ出力する。ビーム諸元とは、送信波のパルス幅、送信タイミングなどである。また、送受信部１０２は、アンテナ部１０１から入力された受信信号をＡ／Ｄ変換し、不要な周波数帯域を除去した後、受信信号として信号処理部１０３へ出力する。

信号処理部１０３は、送受信部１０２から入力された受信信号に対して、復調処理、積分処理などを行い、処理後の受信信号（以下、「処理後信号」とも呼ぶ。）を目標検出部１０５へ出力する。図２は、信号処理部１０３の構成を示すブロック図である。信号処理部１０３は、復調処理部１１０と、コヒーレント積分部１１１とを備える。復調処理部１１０は、送受信部１０２から入力された受信信号を復調（パルス圧縮）する。基本的にレーダにより遠方の目標を検出するには、大電力で尖鋭な送信波（送信パルス）が要求されるが、ハードウェアなどの制約により電力の増強には限界がある。そのため、ビームの出射時には、送受信部１０２は所定のパルス幅の送信信号を周波数変調して継続時間の長い送信波を生成し、アンテナ部１０１から送信している。これに対応し、復調処理部１１０は、送受信部１０２から入力された受信信号を復調して尖鋭な受信パルスを生成し、コヒーレント積分部１１１へ出力する。

コヒーレント積分部１１１は、復調処理部１１０から入力された複数のパルスをコヒーレント積分してノイズを除去し、ＳＮＲを改善する。レーダ装置１００は、目標を高精度で検出するために、同一の方向（同一の方位及び仰角）に複数のパルスを出射している。同一の方向に出射するパルスの数を「ヒット数」と呼ぶ。コヒーレント積分部１１１は、同一の方向に出射した所定ヒット数分のビームの受信信号（受信パルス）を積分し、受信信号のＳＮＲを改善する。なお、コヒーレント積分部１１１が積分する受信パルスの数を「積分パルス数」とも呼ぶ。積分パルス数は、基本的に出射したビームのヒット数と等しい。

図１に戻り、目標検出部１０５は、信号処理部１０３から入力された処理後信号から、所定のしきい値を用いて目標を検出する。目標検出部１０５は、目標の距離、方位、仰角を測定し、これらを目標の検出結果（以下、「プロット」と呼ぶ。）として追尾処理部１０６へ出力する。プロットは、目標の距離、方位、仰角、ＳＮＲなどを含む。また、目標検出部１０５は、表示操作部１０７から入力されたしきい値設定値に基づいて、目標を検出するためのしきい値を設定する。

追尾処理部１０６は、目標検出部１０５から入力された複数のプロットに対して追尾処理を行い、目標の航跡を算出する。具体的に、追尾処理部１０６は、複数のプロットに基づいて現時刻における目標の位置（「推定目標位置」と呼ぶ。）を推定し、表示操作部１０７に出力する。また、追尾処理部１０６は、複数のプロットに基づいて目標の予測位置（「予測目標位置」と呼ぶ。）を算出し、ビーム制御部１０４へ出力する。予測目標位置は、レーダ装置１００が次に追尾ビームを打つ位置を示す。

ビーム制御部１０４は、予め設定されたビームスケジュールに従ってスキャンビームの送信方向及びビーム諸元を決定する。また、ビーム制御部１０４は、追尾処理部１０６から入力された予測目標位置に基づいて、追尾ビームの送信方向及びビーム諸元を決定する。そして、ビーム制御部１０４は、スキャンビーム及び追尾ビームの送信方向をアンテナ部１０１に出力し、スキャンビーム及び追尾ビームのビーム諸元を送受信部１０２に出力する。

表示操作部１０７は、ディスプレイなどの表示部と、キーボード、マウス、操作ボタンなどの操作部とを備える。表示操作部１０７は、目標検出部１０５から入力された複数のプロットの位置や、追尾処理部１０６から入力された推定目標位置を表示する。これにより、オペレータは、検出された目標の現在位置や航跡を見ることができる。また、オペレータは、表示操作部１０７を操作することにより、目標検出に使用するしきい値を目標検出部１０５に入力したり、信号処理部１０３が復調処理に使用するクラッタ判定結果を信号処理部１０３に入力することができる。なお、「クラッタ」とは、出射したレーダが目標以外の物体により反射されて発生する信号である。オペレータは、表示操作部１０７に表示された複数のプロットのうち、経験上クラッタと考えられる領域を判定し、表示操作部１０７を操作してその領域を指定することができる。これを「クラッタ判定」と呼ぶ。

以上の構成により、レーダ装置１００は、全方位にわたって定常的にスキャンビームを出射して目標を検出するとともに、目標が検出された場合には、予測目標位置に追尾ビームを出射して目標を追尾する。

＜第１実施形態＞
レーダ装置において、遠くの目標や小さい目標などのＳＮＲの低い目標、及び、クラッタ内や妨害信号内に存在する目標を検出するためには、検出性能を向上させる必要がある。上記のように、通常の目標検出部は所定のしきい値を用いて処理後信号から目標を検出しているが、ＳＮＲが低い状況では目標の信号がクラッタやノイズ、妨害信号に埋もれてしまい、目標の検出精度が低下してしまう。基本的に、検出性能を向上させるためにはアンテナを大きくすればよいが、そうするとハードウェアが増加し、コストが増大する。そこで、本実施形態では、機械学習により生成したモデルを用いて目標の検出を行う。具体的には、受信信号と、目標の有無や目標の位置などを示す教師ラベル（正解ラベル）とを用いて目標検出モデルを学習し、学習済みの目標検出モデルを目標検出部に適用する。これにより、コストを抑えつつ、検出性能を向上させることが可能となる。

［学習時の構成］
（全体構成）
図３は、目標検出モデルを学習する際のレーダ装置の構成を示すブロック図である。学習時には、レーダ装置１００から取得した信号に基づいて目標検出モデルを学習する学習装置２００を設ける。レーダ装置１００は、図１に示すものと同様であるので、説明を省略する。学習装置２００は、学習データ生成部２０１と、データ収集部２０２と、前処理部２０３と、学習処理部２０４と、を備える。

学習データ生成部２０１は、レーダ装置１００の信号処理部１０３が出力する処理後信号Ｓ１を取得する。処理後信号Ｓ１は、レーダ装置１００による受信信号であって、信号処理部１０３によりノイズ除去処理が行われた後の受信信号である。

また、学習データ生成部２０１は、レーダ装置１００の追尾処理部１０６が出力する目標の追尾信号Ｓ２を取得する。追尾信号Ｓ２は、追尾処理部１０６が追尾している目標のプロット及び航跡を含む。学習データ生成部２０１は、追尾信号Ｓ２を用いて、学習に用いる教師ラベルを生成する。

学習データ生成部２０１は、目標検出モデルを学習するための学習データを生成する。学習データは、所定単位の処理後信号Ｓ１と、その処理後信号Ｓ１に対する教師ラベル（正解ラベル）とのペアである。学習データ生成部２０１は、所定単位の処理後信号Ｓ１毎に、それに対応する追尾信号Ｓ２を参照して教師ラベルを生成する。具体的に、学習データ生成部２０１は、追尾信号Ｓ２に含まれる目標のプロット及び航跡を参照し、所定単位の処理後信号Ｓ１における目標の有無及び目標位置を示す教師ラベルを生成する。そして、学習データ生成部２０１は、所定単位の処理後信号Ｓ１と、それに対応する教師ラベルのペアを学習データとし、データ収集部２０２に出力する。

データ収集部２０２は、学習データ生成部２０１から入力された学習データを記憶する。データ収集部２０２には、所定単位の処理後信号Ｓ１毎に教師ラベルが付与された学習データが記憶される。

前処理部２０３は、データ収集部２０２から学習データを取得する。前処理部２０３は、学習処理部２０４における学習処理に先立ち、学習データを加工する前処理を行う。前処理としては、以下のものが挙げられる。
（Ａ）処理後信号のトリミング
前処理の１つの例は、処理後信号を特徴量抽出に適切なサイズにトリミングする処理である。学習処理部２０４において学習される目標検出モデルは、学習データに含まれる処理後信号から特徴量を抽出し、目標を検出する。よって、学習処理部２０４において処理後信号から精度よく特徴量を抽出できるサイズに処理後信号をトリミングすることが有効である。

図４は、処理後信号のトリミングの例を示す。図４（Ａ）は、スキャンビームの１スキャン目の所定方向における処理後信号を示すグラフである。横軸はレーダ装置１００からの距離であり、縦軸はドップラー周波数である。いま、１スキャン目の処理後信号において、図示の位置に目標Ｔが検出されたとする。目標Ｔは航空機などであり、その最高速度や旋回可能な方向が予測できるので、２スキャン目において目標Ｔが移動可能な範囲Ｒは予測できる。よって、２スキャン目の処理後信号としては、範囲Ｒ以外の部分をトリミングにより除去することができる。これにより、学習処理の対象となるデータ量を減らすことができる。

（Ｂ）データ統合
目標検出モデルにより目標を検出する際、処理後信号の一部分のみでなく、それに隣接する部分も考慮することにより検出精度が向上することがある。例えば、ある方向（方位及び仰角）へ出射されたビームにより得られた処理後信号に加えて、それに隣接する方向に出射された隣接ビームにより得られた処理後信号をまとめて処理することにより目標の検出精度が上がる場合がある。また、ある１スキャンの処理後信号に加えて、それに時間的に隣接するスキャンの処理後信号をまとめて処理することにより、時間的な変化を考慮して検出精度を向上させることができる場合がある。このため、所定単位の処理後信号に対して、データ統合処理を行うことが有効である。例えば、前処理部２０３は、複数の隣接ビームにより得られた処理後信号Ｓ１を統合して、学習に用いるデータの一単位とすることができる。なお、隣接ビームは、複数のＤＢＦ（Ｄｉｇｉｔａｌ Ｂｅａｍｆｏｒｍｉｎｇ）ビーム又はＭＩＭＯ（Ｍｕｌｔｉｐｌｅ Ｉｎｐｕｔ Ｍｕｌｔｉｐｌｅ Ｏｕｔｐｕｔ）ビームで構成してもよい。また、前処理部２０３は、連続する複数スキャン分の処理後信号Ｓ１を統合して、学習に用いるデータの一単位とすることができる。

（Ｃ）ＳＮＲ悪化
処理後信号に意図的にノイズを加えるなどして、ＳＮＲを悪化させた学習データを用いて目標検出モデルを学習することにより、ＳＮＲの低い環境でも検出精度が高い目標検出モデルを生成することが可能となる。

なお、前処理部２０３は、上記の前処理のいずれか１つを実行してもよく、複数を組み合わせて実行してもよい。前処理部２０３は、前処理後の処理後信号を含む学習データを学習処理部２０４へ出力する。学習処理部２０４は、入力された学習データを用いて目標検出モデルを学習し、学習済みの目標検出モデルを生成する。

（学習装置のハードウェア構成）
図５は、図３に示す学習装置２００のハードウェア構成を示すブロック図である。図示のように、学習装置２００は、入力ＩＦ（ＩｎｔｅｒＦａｃｅ）２１と、プロセッサ２２と、メモリ２３と、記録媒体２４と、データベース（ＤＢ）２５と、を備える。

入力ＩＦ２１は、レーダ装置１００とのデータの入出力を行う。具体的に、入力ＩＦ２１は、レーダ装置１００から処理後信号Ｓ１及び追尾信号Ｓ２を取得する。プロセッサ２２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などを含むコンピュータであり、予め用意されたプログラムを実行することにより、学習装置２００の全体を制御する。プロセッサ２２は、図３に示す学習データ生成部２０１、前処理部２０３、学習処理部２０４として機能する。

メモリ２３は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などにより構成される。メモリ２３は、プロセッサ２２により実行される各種のプログラムを記憶する。また、メモリ２３は、プロセッサ２２による各種の処理の実行中に作業メモリとしても使用される。

記録媒体２４は、ディスク状記録媒体、半導体メモリなどの不揮発性で非一時的な記録媒体であり、学習装置２００に対して着脱可能に構成される。記録媒体２４は、プロセッサ２２が実行する各種のプログラムを記録している。学習装置２００が処理を実行する際には、記録媒体２４に記録されているプログラムがメモリ２３にロードされ、プロセッサ２２により実行される。

ＤＢ２５は、入力ＩＦ２１を通じて入力されるデータや、学習装置２００が生成したデータを記憶する。具体的に、ＤＢ２５には、レーダ装置１００から入力された処理後信号Ｓ１及び追尾信号Ｓ２、学習データ生成部２０１が生成した学習データが記憶される。

（学習処理）
図６は、学習装置２００による学習処理のフローチャートである。この処理は、図５に示すプロセッサ２２が、予め用意されたプログラムを実行し、図３に示す各要素として動作することにより実現できる。

まず、学習データ生成部２０１は、レーダ装置１００の信号処理部１０３が出力した処理後信号Ｓ１、及び、追尾処理部１０６が出力した追尾信号Ｓ２を取得する（ステップＳ１１）。次に、学習データ生成部２０１は、処理後信号Ｓ１と追尾信号Ｓ２を用いて、所定単位の処理後信号と、それに対する教師ラベルとを含む学習データを生成し、データ収集部２０２に保存する（ステップＳ１２）。

次に、前処理部２０３は、データ収集部２０２に保存されている学習データを読み出し、処理後信号に対して上記の前処理を行い、前処理後の処理後信号を含む学習データを学習処理部２０４に出力する（ステップＳ１３）。学習処理部２０４は、入力された学習データを用いて目標検出モデルを学習する（ステップＳ２０４）。

次に、学習処理部２０４は、所定の学習終了条件が具備されたか否かを判定する（ステップ１５）。学習終了条件の一例は、所定量の学習データを用いた学習が行われたことである。学習処理部２０４は、学習終了条件が具備されるまで学習を繰り返し、学習終了条件が具備されると、処理を終了する。

（学習装置の他の例）
図７は、学習装置の他の例を示す。図３に示す学習装置２００は、処理後信号Ｓ１及び追尾信号Ｓ２、即ち、実際のレーダ装置１００において生成されている実データを用いて学習データを生成している。その代わりに、学習データをシミュレーションにより用意し、学習を行ってもよい。図７は、模擬データを用いる学習装置２００ａを示し、模擬データ生成部２０５と、学習処理部２０４とを備える。模擬データ生成部２０５は、様々な状況における処理後信号と、それに対する教師ラベルとを含む学習データ（模擬データ）をシミュレーションにより生成し、学習処理部２０４に入力する。学習処理部２０４は、基本的に図３に示すものと同様であり、模擬データを用いて目標検出モデルを学習する。なお、図３の例と本例とを組み合わせ、レーダ装置１００の実データに基づいて生成した学習データと、模擬データとを併用して１つの目標検出モデルを学習してもよい。

［目標検出モデルを適用したレーダ装置］
（構成）
図８は、学習済みの目標検出モデルを適用したレーダ装置１００ｘの構成を示すブロック図である。図１と比較するとわかるように、レーダ装置１００ｘは、図１における目標検出部１０５の代わりに、前処理部１１３と、目標検出部１１４とを備える。前処理部１１３及び目標検出部１１４以外の構成は、図１と同様であるので説明を省略する。

目標検出部１１４には、上記の学習処理により生成された学習済みの目標検出モデルが設定されている。前処理部１１３は、目標検出部１１４に設定されている目標検出モデルが入力として使用する信号を生成する。言い換えると、前処理部１１３は、学習装置２００によって目標検出モデルを学習した際に学習データに対して行った前処理と同一の前処理を、信号処理部１０３から出力された処理後信号に対して行う。例えば、学習装置２００が前述の前処理（Ａ）、即ち、処理後信号のトリミングを行った学習データを用いて目標検出モデルの学習を行った場合、前処理部１１３はそれと同じ前処理（Ａ）を行い、得られた処理後信号を目標検出部１１４に出力する。目標検出部１１４は、学習済みの目標検出モデルを用いて、入力された処理後信号から目標を検出する。具体的に、目標検出部１１４は、目標検出モデルを用いて、目標の距離、速度、識別、方位、仰角、ＳＮＲなどを含むプロットを生成し、追尾処理部１０６へ出力する。なお、「識別」とは、目標の種類などを示し、例えば、人工衛星、航空機、ミサイル、船などの別や、固定翼機、回転翼機などの別を言う。

（目標検出処理）
図９は、レーダ装置１００ｘによる目標検出処理のフローチャートである。この処理は、信号処理部１０３から出力された処理後信号毎に実行される。まず、前処理部１１３は、信号処理部１０３から処理後信号を取得し（ステップＳ２１）、目標検出部１１４が使用する目標検出モデルに対応する前処理を行う（ステップＳ２２）。次に、目標検出部１１４は、前処理部１１３から入力された前処理後の処理後信号に基づき、目標検出モデルを使用して目標を検出し（ステップＳ２３）、検出された目標のプロットを出力する（ステップＳ２４）。

以上のように、本実施形態のレーダ装置１００ｘによれば、ＳＮＲが低い環境における学習データを用いて目標検出モデルを学習しておくことにより、ハードウェアの増強などを行うことなく、ＳＮＲが低い環境における目標の検出精度を向上させることが可能となる。

［学習データの生成］
（１）処理後信号以外の受信信号の利用
上記の実施形態では、学習装置２００は、信号処理部１０３が出力する処理後信号Ｓ１を用いて目標検出モデルの学習を行っている。図２に示すように、処理後信号Ｓ１は、送受信部１０２が出力した受信信号に対して、復調処理部１１０による復調処理と、コヒーレント積分部１１１による積分処理が行われた後の受信信号である。その代わりに、学習装置２００は、図２に示す復調処理を行う前の受信信号Ｓ１ａ、又は、積分処理を行う前の受信信号Ｓ１ｂを用いて目標検出モデルの学習を行ってもよい。その場合には、図８に示すレーダ装置１００ｘにおいて、信号処理部１０３は、復調処理を行う前の受信信号Ｓ１ａ又は積分処理を行う前の受信信号Ｓ１ｂを前処理部１１３に出力するようにする。これらの受信信号は復調処理部１１０やコヒーレント積分部１１１によるＳＮＲ改善処理前の信号であるため、これらの受信信号を用いて学習を行えば、既存処理（復調処理やコヒーレント積分）で発生してしまうＳＮＲ損失を解消し、既存処理よりもＳＮＲ改善性能の高い特徴量抽出が可能なモデルを学習により獲得することができる。その結果、より検出精度の高い目標検出モデルを生成することが可能となる。

（２）所望データの合成
発生が稀な事象（例えば、降雨、降雪などに起因するウェザークラッタの発生、目標が小さい場合など）や、通常使用することが稀な運用モードでレーダ装置１００を動作させる場合など、稀にしか発生しない状況に関しては目標検出モデルの学習のために必要な学習データを確保することが難しい。そこで、学習データ生成部２０１は、複数の収集済みデータを用いて、稀にしか発生しない状況における学習データを生成する。具体的には、学習データ生成部２０１は、複数の収集済みのデータを合成するか、又は、収集済みのデータを間引くことにより、所望の学習データを生成する。

第１の例として、クラッタ中に目標が存在する受信信号が必要な場合、学習データ生成部２０１は、クラッタの受信信号に目標の受信信号を加算した受信信号を生成すればよい。第２の例として、小さい目標の受信信号が必要な場合、学習データ生成部２０１は、通常サイズの目標の受信信号の振幅を減衰させ、さらにノイズを加算した受信信号を生成すればよい。

第３の例として、利得（ＳＮＲ改善効果）の低いビームの受信信号が必要な場合、学習データ生成部２０１は、信号処理部１０３内のコヒーレント積分部１１１によるコヒーレント積分の対象とするデータ数、即ち、積分パルス数を削減した処理後信号を生成すればよい。第４の例として、位相分散帯域が狭く、サンプリング周波数が低い受信信号が必要な場合、学習データ生成部２０１は、受信信号に対して狭帯域フィルタを適用後、デシメーション（サンプリングの間引き）を行った受信信号を生成すればよい。なお、上記の例では、実際にレーダ装置１００により収集済みのデータを合成しているが、所望のデータが収集できない場合には、収集済みのデータと、シミュレーションにより生成した模擬データとを合成してもよい。

（３）所望のビーム諸元の受信信号の再構成
レーダ装置１００において通常使用することが稀なビーム諸元については、必要な量の学習データを確保することが難しい。なお、ここでの「ビーム諸元」は、パルス幅、位相分散領域、積分パルス数を指す。この場合、信号処理部１０３が出力する処理後信号に対して、信号処理部１０３が実施した信号処理の逆の処理を行い、その際に所望のビーム諸元を用いることにより、所望のビーム諸元の受信信号を再構成することができる。

図１０は、所望のビーム諸元の受信信号を再構成するための構成を示す。図１０においては、説明の便宜上、レーダ装置１００における送受信部１０２、信号処理部１０３及び目標検出部１０５と、学習装置２００における学習データ生成部２０１及びデータ収集部２０２のみを図示している。学習データ生成部２０１は、データ再構成制御部２１１と、逆コヒーレント積分部２１２と、変調処理部２１３と、を備える。

レーダ装置１００の信号処理部１０３からは、処理後信号Ｓ１が学習データ生成部２０１に入力される。データ再構成制御部２１１は、再構成したいビーム諸元を生成し、その積分パルス数を逆コヒーレント積分部２１２に指示し、パルス幅及び位相分散帯域を変調処理部２１３に指示する。逆コヒーレント積分部２１２は、データ再構成制御部２１１から指示された積分パルス数で処理後信号Ｓ１を積分し、変調処理部２１３へ出力する。変調処理部２１３は、データ再構成制御部２１１から指示されたパルス幅及び位相分散帯域で入力信号を変調し、データ収集部２０２へ出力する。こうして、収集された受信信号とは異なる所望のビーム諸元の受信信号を生成し、学習処理に使用することができる。

（４）教師ラベルの生成方法
学習装置２００において学習データを生成する場合、目標の位置を示す教師ラベルは以下の方法で生成することができる。
（Ａ）１次レーダの使用
１次レーダ（ＰＳＲ：Ｐｒｉｍａｒｙ Ｓｕｒｖｅｉｌｌａｎｃｅ Ｒａｄａｒ）を使用する場合、図１を参照して説明したように、学習データ生成部２０１は、追尾処理部１０６が生成する航跡情報から目標の位置を取得し、教師ラベルを生成することができる。

（Ｂ）２次レーダの使用
図１１は、２次レーダ（ＳＳＲ：Ｓｅｃｏｎｄａｒｙ Ｓｕｒｖｅｉｌｌａｎｃｅ Ｒａｄａｒ）を使用する場合の構成を示す。ＳＳＲを使用するレーダ装置３００は、ＰＳＲアンテナ部３０１と、ＰＳＲ送受信部３０２と、ＰＳＲ信号処理部３０３と、ビーム制御部３０４と、ＰＳＲ目標検出部３０５と、追尾処理部３０６と、表示操作部３０７と、を備える。これらは、図１におけるアンテナ部１０１、送受信部１０２、信号処理部１０３、ビーム制御部１０４、目標検出部１０５、追尾処理部１０６、表示操作部１０７とそれぞれ同様の構成を有し、同様に動作する。さらに、レーダ装置３００は、ＳＳＲアンテナ部３０８と、ＳＳＲ送受信部３０９と、ＳＳＲ目標検出部３１０と、を備える。

ＳＳＲ送受信部３０９はＳＳＲアンテナ部３０８に質問信号を出力し、ＳＳＲアンテナ部３０８は目標に対して質問波を送信する。また、ＳＳＲアンテナ部３０８は、質問波に対する応答波を目標から受信し、応答信号をＳＳＲ送受信部３０９に出力する。ＳＳＲ送受信部３０９は、応答信号のＡ／Ｄ変換などを行い、ＳＳＲ目標検出部３１０へ出力する。応答信号には目標の位置情報が含まれているので、ＳＳＲ目標検出部３１０は、応答信号に基づいて目標のプロット（「ＳＳＲプロット」と呼ぶ。）を生成し、追尾処理部３０６へ出力する。追尾処理部３０６は、ＰＳＲ目標検出部３０５が検出した目標のプロット（「ＰＳＲプロット」と呼ぶ。）とＳＳＲプロットとを用いて、目標の航跡を生成する。

学習装置２００の学習データ生成部２０１には、ＰＳＲ信号処理部３０３から受信信号と送受信時刻（データＤ１）が入力され、追尾処理部３０６からＳＳＲ航跡（データＤ２）が入力され、ＳＳＲ目標検出部３１０からＳＳＲプロット（データＤ３）が入力される。学習データ生成部２０１は、ＳＳＲプロット又はＳＳＲ航跡を用いて、目標の位置を示す教師ラベルを生成する。

なお、２次レーダを使用する場合において、全ての目標から応答が得られるとは限らない。防空レーダなどの場合、目標として検出される航空機には、旅客機などの他に軍用機などが含まれる。旅客機や自国の軍用機などの身元が識別済みの航空機（以下、「味方機」と呼ぶ。）は質問信号に対して応答するが、他国の軍用機などの身元が識別できない航空機（以下、「不明機」と呼ぶ。）は質問信号に対して応答しないため、目標として不明機を含む受信信号については教師ラベルが生成できない。しかし、防空レーダなどの場合、本当に検出し、追尾したいのはむしろ不明機の方である。

そこで、以下の方法で不明機に対する正解付けを行う。前提として、受信信号から目標として検出されうる目標は、「クラッタ（ノイズを含む。）」、「味方機」、「不明機」の３種類のクラスである。なお、目標が「クラッタ」であるとは、実際には目標は存在しないがクラッタを目標として誤検出した場合を指す。ここで、２次レーダの質問信号に対して応答し、教師ラベルが付与されている（正解が与えられている）クラスは「味方機」のみである。また、「不明機」と「味方機」は実際はいずれも航空機であるため、受信信号の特性は類似している。

以上の前提において、以下の手順で不明機を検出する。
まず、学習データ生成部２０１は、「味方機」の受信信号を用いて、全ての受信信号から「クラッタ」、「味方機」、「不明機」の受信信号を抽出するモデルを作成する（処理１）。
次に、学習データ生成部２０１は、抽出された「クラッタ」、「味方機」、「不明機」の受信信号のうち、「味方機」と判定されなかった受信信号（即ち、「クラッタ」又は「不明機」と判定された受信信号）のうち、「味方機」と近い特性を有する受信信号を「不明機」と判定し、「不明機ラベル」を生成する（処理２）。
そして、学習データ生成部２０１は、「不明機」と判定された受信信号と、「不明機ラベル」とを用いて、受信信号から「不明機」を検出するモデルを作成する（処理３）。
このモデルにより、２次レーダの質問信号に対して応答しない不明機を受信信号から検出することが可能となる。

なお、現実には、上記の処理２において生成される「不明機ラベル」の精度が問題となることが考えられる。その場合には、オペレータなどの人手により「不明機ラベル」を付与してもよい。この方法によれば、上記の処理２において抽出された、『「クラッタ」又は「不明機」と判定された受信信号のうち「味方機」と近い特性を有する受信信号』についてのみ、人手により「不明機」のラベル付与を行えばよい。即ち、処理１及び処理２により、「不明機」の可能性が高い受信信号に絞ったうえで人手によるラベル付与を行えばよい。よって、「クラッタ」、「味方機」、「不明機」の全てを含む受信信号に対して人手によるラベル付与を行う場合と比較して、人手による作業量を大幅に減らすことができる。

（Ｃ）他のレーダ装置の利用
上記の例では、ＳＳＲを使用して目標の位置を取得し、教師ラベルを生成している。しかし、レーダ装置が複数ある場合には、学習データ生成部２０１は、他のレーダ装置から得られたプロット及び航跡を用いて教師ラベルを生成してもよい。また、学習データ生成部２０１は、受信のみを行うパッシブレーダの航跡（パッシブ航跡）を用いて教師ラベルを生成してもよい。なお、「パッシブ航跡」とは、妨害波をもとに妨害送信機を追尾した結果であり、学習データ生成部２０１はこれを用いて妨害送信機の推定位置を教師ラベルとして生成することができる。

（Ｄ）他の計測装置などの利用
目標の航空機がＧＰＳなどの測位装置を備えている場合には、その出力を受信して教師ラベルを生成してもよい。また、ステレオカメラなどを使用し、目標の撮影画像から目標の位置を推定して教師ラベルを生成してもよい。なお、目標が船舶の場合は、船舶自動識別装置（ＡＩＳ：Ａｕｔｏｍａｔｉｃ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）から船舶情報を受信し、目標の位置を取得して教師ラベルを生成してもよい。

（Ｅ）人手による付与
表示操作部１０７に表示されたプロットや航跡などを見て、オペレータが教師ラベルを付与してもよい。

（５）移動体搭載レーダの場合
上記の実施形態では、レーダ装置が地上に設置されていることを前提としているが、本実施形態の手法は航空機や船舶などの移動体に搭載するレーダ装置にも適用可能である。その場合、目標検出モデルが使用する入力パラメータとして、レーダ装置が搭載されている移動体に関する移動体情報（移動体自身の位置、姿勢、速度、針路など）を用いてもよい。具体的には、学習データ生成装置２０１に移動体情報を入力し、学習処理部２０４は、学習データとして、受信信号に加えて移動体情報を用いてモデルの学習を行う。また、学習済みモデルを適用したレーダ装置１００ｘにおいては、前処理部１１３又は目標検出部１１４に移動体情報を入力し、目標検出部１１４が移動体情報を用いて目標を検出するようにすればよい。

（６）レーダ装置によるデータ収集の効率化
前述のように、稀にしか発生しない状況に関しては目標検出モデルの学習のために必要な学習データを収集することが難しい。そこで、レーダ装置１００は、ビームスケジュールの合間に、学習データの収集のためのビーム制御を実施する。特に、予め指定された条件に一致する場合、レーダ装置１００は重点的にビーム制御を実施する。ビーム制御の内容は、収集したいデータに合わせて変更される。

図１２は、学習データの収集のためのビーム制御を行う場合の構成を示す。レーダ装置１００は、図３と同様の構成を有する。一方、学習装置２００は、図３に示す構成に加えて、データ収集制御部２１５を備える。データ収集制御部２１５は、学習データが不足している条件を記憶しており、収集したいデータの条件を含むデータ収集要求Ｄ５をレーダ装置１００のビーム制御部１０４に出力する。ビーム制御部１０４は、ビームスケジュールの合間に、アンテナ部１０１を制御し、データ収集要求Ｄ５に示される条件でビームを出射させる。レーダ装置１００は、スキャンビームにより全方位を定常的に監視するとともに、目標を検出した場合には追尾ビームにより目標を追尾する。よって、ビーム制御部１０４は、例えば目標が検出されていない場合や、目標を追尾する必要が無い場合などに、学習データを収集するためのビームを出射することができる。出射したビームに対応する反射波はアンテナ部１０１により受信され、受信信号は送受信部１０２、信号処理部１０３を介して学習データ生成部２０１に出力される。こうして、学習装置２００は、不足している条件に対応するデータを収集することができる。

［学習済みモデルの適用］
（オンライン学習）
学習装置２００により生成された学習済みの目標検出モデル（以下、単に「学習済みモデル」とも呼ぶ。）を実際にレーダ装置１００に適用する場合には、プログラムの書き換えなどが発生するため、レーダ装置１００の運用を停止する必要がある。しかし、重要な監視を行っているレーダ装置は運用を停止できないため、学習済みモデルを適用することができず、オンライン学習が困難である。

そこで、予めレーダ装置の制御／データ処理部を２重化しておく。図１３は、オンライン学習を行うためのレーダ装置及び学習装置の構成を示す。図示のように、レーダ装置１００ａは、アンテナ部１０１と、送受信部１０２と、切替部１２０と、２系統の制御／データ処理部１２１ａ、１２１ｂとを備える。制御／データ処理部１２１ａ、１２１ｂは、図１に示すレーダ装置の信号処理部１０３、ビーム制御部１０４、目標検出部１０５、追尾処理部１０６及び表示操作部１０７を含むユニットである。切替部１２０は、制御／データ処理部１２１ａ、１２１ｂの一方を選択的にアンテナ部１０１及び送受信部１０２に接続する。また、切替部１２０は、動作中の制御／データ処理部１２１ａ又は１２１ｂから、受信信号、プロット、航跡などを含むデータＤ６を学習装置２００ａの学習データ生成部２０１に出力する。

学習装置２００ａは、学習データ生成部２０１、データ収集部２０２、学習処理部２０４に加えて、学習結果評価部２２０及び学習結果適用部２２１を備える。学習結果評価部２２０は、学習処理部２０４が生成した学習済みモデルの評価を行い、レーダ装置１００ａに適用可と判定された学習済みモデルを学習結果適用部２２１に出力する。学習結果適用部２２１は、適用可と判定された学習済みモデルを制御／データ処理部１２１ａ、１２１ｂに適用する。

いま、制御／データ処理部１２１ａがアクティブ状態（実際の監視動作中）であり、制御／データ処理部１２１ｂがスタンバイ状態であるとする。即ち、切替部１２０は、制御／データ処理部１２１ａをアンテナ部１０１及び送受信部１０２に接続している。この場合、学習装置２００ａは、アクティブ状態の制御／データ処理部１２１ａから出力されたデータＤ６を用いて目標検出モデルを学習する。その間に、学習結果適用部２２１は、適用可と判定された学習済みモデルを、スタンバイ状態にある制御／データ処理部１２１ｂに適用し、プログラムの書き換えを行う。

次に、切替部１２０は、制御／データ処理部１２１ｂをアクティブ状態とし、制御／データ処理部１２１ａをスタンバイ状態とし、新たな学習済みモデルをスタンバイ状態にある制御／データ処理部１２１ａに適用する。こうすることで、制御／データ処理部１２１の一方で監視動作を継続しつつ目標検出モデルの学習を行い、他方に学習済みモデルを適用することができる。即ち、学習済みモデルを適用し、オンライン学習を行うことが可能となる。

（モデルの妥当性評価）
オンライン学習において、どの程度学習させたところで適切なレーダの機能を有しているか、即ち、妥当性の判断が難しい。また、学習済みモデルを適用した目標検出部は、例えば、従来処理では確実に検出可能な目標が検出できないなど、期待しない動作をする恐れがあり、その際のリカバリーが必要となる。そこで、学習済みモデルを適用した制御／データ処理部と、従来処理を行う制御／データ処理部とを並列に動作させ、それらの処理結果を比べることにより、学習済みモデルの妥当性を判断する。

図１４は、学習済みモデルの妥当性評価を行うためのレーダ装置及び学習装置の構成を示す。図示のように、レーダ装置１００ｂは、アンテナ部１０１と、送受信部１０２と、妥当性評価部１３０と、２系統の制御／データ処理部１３１、１３２とを備える。制御／データ処理部１３１は従来処理を行い、制御／データ処理部１３２は学習済みモデルを用いて処理を行う。なお、制御／データ処理部１３１、１３２は、図１に示すレーダ装置の信号処理部１０３、ビーム制御部１０４、目標検出部１０５、追尾処理部１０６及び表示操作部１０７を含むユニットである。学習装置２００ａは、図１３に示すものと同様である。

妥当性評価部１３０は、制御／データ処理部１３１による従来処理の処理結果と、制御／データ処理部１３２による学習済みモデルの処理結果とを比較し、学習済みモデルの処理結果の妥当性を判定する。学習済みモデルの処理結果が妥当でないと判定した場合、妥当性評価部１３０は、従来処理の処理結果をアンテナ部１０１及び送受信部１０２に出力する。一方、学習済みモデルの処理結果が妥当であると判定した場合、妥当性評価部１３０は、学習済みモデルの処理結果をアンテナ部１０１及び送受信部１０２に出力する。なお、学習済みモデルの処理結果が妥当であると判定された場合でも、妥当性評価部１３０は、学習済みモデルの処理結果を従来処理の処理結果で補間し、期待しない動作が発生することを防止してもよい。また、妥当性評価部１３０を、機械学習などを利用して生成してもよい。さらに、妥当性評価部１３０の処理を全自動ではなく、オペレータが介在するようにしてもよい。例えば、オペレータが、表示操作部１０７に表示された情報に基づいて、学習済みモデルの処理結果の妥当性を判定することとしてもよい。

（学習済みモデルを用いた場合の動作変動の抑制）
学習済みモデルを目標検出部に適用した際に、レーダ装置１００の動作が大きく変わる場合がある。そこで、予めレーダ装置１００の制御／データ処理部を２重化しておき、意図的に時間をずらして学習済みモデルを適用し、２つの制御／データ処理部の処理結果を統合したものを正式な処理結果として採用する。

図１５は、学習済みモデルによる動作変動を抑制するためのレーダ装置及び学習装置の構成を示す。図示のように、レーダ装置１００ｃは、アンテナ部１０１と、送受信部１０２と、統合部１４０と、２系統の制御／データ処理部１４１ａ、１４１ｂとを備える。制御／データ処理部１４１ａは旧モデルを使用し、制御／データ処理部１４１ｂは新モデルを使用して処理を行う。なお、制御／データ処理部１４１ａ、１４１ｂは、図１に示すレーダ装置の信号処理部１０３、ビーム制御部１０４、目標検出部１０５、追尾処理部１０６及び表示操作部１０７を含むユニットである。学習装置２００ａは、図１３に示すものと同様である。

統合部１４０は、制御／データ処理部１４１ａ、１４１ｂによる処理結果を統合したものを正式な処理結果として採用する。例えば、統合部１４０は、制御／データ処理部１４１ａ、１４１ｂからの処理結果を加算し、２で除したものを処理結果として採用する。これにより、新たな学習済みモデルを適用したときに、レーダ装置の動作が大きく変動することを抑制できる。

＜第２実施形態＞
図１６（Ａ）は、第２実施形態に係る学習装置の機能構成を示すブロック図である。第２実施形態の学習装置５０は、取得部５１と、学習データ生成部５２と、学習処理部５３と、を備える。取得部５１は、受信波に基づいて生成された受信信号と、受信信号に基づいて生成された追尾信号とをレーダ装置から取得する。学習データ生成部５２は、受信信号及び追尾信号を用いて、学習データを生成する。学習処理部５３は、学習データを用いて、受信信号から目標を検出する目標検出モデルを学習する。

図１６（Ｂ）は、第２実施形態に係るレーダ装置の機能構成を示すブロック図である。レーダ装置６０は、送受信部６１と、目標検出部６２と、を備える。送受信部６１は、送信波を送信し、当該送信波に対応する受信波を受信して受信信号を生成する。目標検出部６２は、レーダ装置から取得した受信信号に基づいて生成された学習データを用いて学習済みの目標検出モデルを用いて、受信信号から目標を検出する。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

（付記１）
受信波に基づいて生成された受信信号と、前記受信信号に基づいて生成された追尾信号とをレーダ装置から取得する取得部と、
前記受信信号及び前記追尾信号を用いて、学習データを生成する学習データ生成部と、
前記学習データを用いて、受信信号から目標を検出する目標検出モデルを学習する学習処理部と、
を備える学習装置。

（付記２）
前記追尾信号は、前記目標のプロット及び航跡を含み、
前記学習データ生成部は、前記プロット及び航跡を用いて、前記受信信号における目標の有無及び目標の位置を示す教師ラベルを生成する付記１に記載の学習装置。

（付記３）
前記学習データ生成部は、前記受信信号と前記教師ラベルのペアを前記学習データとして生成する付記２に記載の学習装置。

（付記４）
前記学習データに含まれる前記受信信号に対して前処理を行う前処理部を備え、
前記学習処理部は、前記前処理後の受信信号を用いて前記目標検出モデルの学習を行う付記１乃至３のいずれか一項に記載の学習装置。

（付記５）
前記前処理は、前記受信信号を所定のサイズにトリミングする処理である付記４に記載の学習装置。

（付記６）
前記前処理は、前記レーダ装置が出射した複数の隣接ビームに対応する受信信号、又は、前記レーダ装置が実施した複数の隣接スキャンに対応する受信信号を統合する処理である付記４又は５に記載の学習装置。

（付記７）
前記前処理は、前記受信信号のＳＮＲを低下させる処理である付記４乃至６のいずれか一項に記載の学習装置。

（付記８）
前記学習データ生成部は、異なる条件下で生成された複数の受信信号を合成して、所望の条件下における受信信号を生成する付記１乃至７のいずれか一項に記載の学習装置。

（付記９）
前記受信信号は、前記レーダ装置における復調処理及びコヒーレント積分処理後の処理後信号であり、
前記学習データ生成部は、前記処理後信号とは異なるビーム諸元を用いて、前記処理後信号に対して、前記コヒーレント積分処理の逆処理である逆コヒーレント積分処理、及び、前記復調処理の逆処理である変調処理を行って、所望のビーム諸元の受信信号を生成する付記１乃至８のいずか一項に記載の学習装置。

（付記１０）
前記学習データ生成部は、前記レーダ装置の２次レーダから取得したプロット及び航跡を用いて前記教師ラベルを生成する付記２に記載の学習装置。

（付記１１）
前記学習データ生成部は、前記目標の位置を、前記目標自身又は他の装置から取得し、前記教師ラベルを生成する付記２に記載の学習装置。

（付記１２）
所定の条件に合致する送信波を送信して当該条件に対応する前記受信信号を生成するように前記レーダ装置に要求する要求部を備える付記１乃至１１のいずれか一項に記載の学習装置。

（付記１３）
前記レーダ装置は移動体に搭載され、
前記取得部は、前記移動体の位置及び移動情報を含む移動体情報を取得し、
前記学習データ生成部は、前記移動体情報を用いて前記学習データを生成する付記１乃至１２のいずれか一項に記載の学習装置。

（付記１４）
受信波に基づいて生成された受信信号と、前記受信信号に基づいて生成された追尾信号とをレーダ装置から取得し、
前記受信信号及び前記追尾信号を用いて、学習データを生成し、
前記学習データを用いて、受信信号から目標を検出する目標検出モデルを学習する学習方法。

（付記１５）
受信波に基づいて生成された受信信号と、前記受信信号に基づいて生成された追尾信号とをレーダ装置から取得し、
前記受信信号及び前記追尾信号を用いて、学習データを生成し、
前記学習データを用いて、受信信号から目標を検出する目標検出モデルを学習する処理をコンピュータに実行させるプログラムを記録した記録媒体。

（付記１６）
送信波を送信し、当該送信波に対応する受信波を受信して受信信号を生成する送受信部と、
レーダ装置から取得した受信信号に基づいて生成された学習データを用いて学習済みの目標検出モデルを用いて、前記受信信号から目標を検出する目標検出部と、
を備えるレーダ装置。

（付記１７）
前記目標検出モデルに対して入力するデータに必要な前処理を前記受信信号に対して行い、当該前処理後の前記受信信号を前記目標検出部に入力する前処理部を備える付記１５に記載のレーダ装置。

以上、実施形態及び実施例を参照して本発明を説明したが、本発明は上記実施形態及び実施例に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

１００ レーダ装置
１０１ アンテナ部
１０２ 送受信部
１０３ 信号処理部
１０４ ビーム制御部
１０５ 目標検出部
１０６ 追尾処理部
１０７ 表示操作部
１１０ 復調処理部
１１１ コヒーレント積分部
１１３ 前処理部
１１４ 目標検出部
２００ 学習装置
２０１ 学習データ生成部
２０２ データ収集部
２０３ 前処理部
２０４ 学習処理部

Claims (7)

1. 受信波に基づいて生成された受信信号と、前記受信信号に基づいて生成された追尾信号とをレーダ装置から取得する取得手段と、
   前記受信信号及び前記追尾信号を用いて、前記受信信号と、前記受信信号における目標の有無及び目標の位置を示す教師ラベルとのペアである学習データを生成する学習データ生成手段と、
   前記学習データに含まれる前記受信信号に対して前処理を行う前処理手段と、
   前記前処理後の受信信号を含む学習データを用いて、受信信号から目標を検出する目標検出モデルを学習する学習処理手段と、
   を備え、
   前記前処理手段は、前回のスキャンによる受信信号中に目標を検出した場合に、当該目標の最高速度及び旋回可能な方向に基づいて当該目標の移動可能範囲を予測し、今回のスキャンによる受信信号のうち前記移動可能範囲以外の部分をトリミングにより除去する学習装置。
2. 前記追尾信号は、前記目標のプロット及び航跡を含み、
   前記学習データ生成手段は、前記プロット及び航跡を用いて、前記教師ラベルを生成する請求項１に記載の学習装置。
3. 前記前処理は、前記レーダ装置が出射した複数の隣接ビームに対応する受信信号、又は、前記レーダ装置が実施した複数の隣接スキャンに対応する受信信号を統合する処理である請求項１又は２に記載の学習装置。
4. 前記前処理は、前記受信信号のＳＮＲを低下させる処理である請求項１乃至３のいずれか一項に記載の学習装置。
5. 前記学習データ生成手段は、異なる条件下で生成された複数の受信信号を合成して、所望の条件下における受信信号を生成する請求項１乃至４のいずれか一項に記載の学習装置。
6. コンピュータにより実行される学習方法であって、
   受信波に基づいて生成された受信信号と、前記受信信号に基づいて生成された追尾信号とをレーダ装置から取得し、
   前記受信信号及び前記追尾信号を用いて、前記受信信号と、前記受信信号における目標の有無及び目標の位置を示す教師ラベルとのペアである学習データを生成し、
   前記学習データに含まれる前記受信信号に対して前処理を行い、
   前記前処理後の受信信号を含む学習データを用いて、受信信号から目標を検出する目標検出モデルを学習し、
   前記前処理は、前回のスキャンによる受信信号中に目標を検出した場合に、当該目標の最高速度及び旋回可能な方向に基づいて当該目標の移動可能範囲を予測し、今回のスキャンによる受信信号のうち前記移動可能範囲以外の部分をトリミングにより除去する処理である学習方法。
7. 受信波に基づいて生成された受信信号と、前記受信信号に基づいて生成された追尾信号とをレーダ装置から取得し、
   前記受信信号及び前記追尾信号を用いて、前記受信信号と、前記受信信号における目標の有無及び目標の位置を示す教師ラベルとのペアである学習データを生成し、
   前記学習データに含まれる前記受信信号に対して前処理を行い、
   前記前処理後の受信信号を含む学習データを用いて、受信信号から目標を検出する目標検出モデルを学習する処理をコンピュータに実行させ、
   前記前処理は、前回のスキャンによる受信信号中に目標を検出した場合に、当該目標の最高速度及び旋回可能な方向に基づいて当該目標の移動可能範囲を予測し、今回のスキャンによる受信信号のうち前記移動可能範囲以外の部分をトリミングにより除去する処理であるプログラム。

Images