WO2021149152A1 - 学習装置、学習方法、記録媒体、及び、レーダ装置 - Google Patents

学習装置、学習方法、記録媒体、及び、レーダ装置 Download PDF

Info

Publication number
WO2021149152A1
WO2021149152A1 PCT/JP2020/001931 JP2020001931W WO2021149152A1 WO 2021149152 A1 WO2021149152 A1 WO 2021149152A1 JP 2020001931 W JP2020001931 W JP 2020001931W WO 2021149152 A1 WO2021149152 A1 WO 2021149152A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
unit
received signal
target
signal
Prior art date
Application number
PCT/JP2020/001931
Other languages
English (en)
French (fr)
Inventor
元貴 真坂
剛志 柴田
阿部　祐一
健太郎 工藤
正徳 加藤
昇平 池田
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2020/001931 priority Critical patent/WO2021149152A1/ja
Priority to US17/792,556 priority patent/US20230061202A1/en
Priority to JP2021572164A priority patent/JP7416092B2/ja
Publication of WO2021149152A1 publication Critical patent/WO2021149152A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/08—Systems for measuring distance only
    • G01S13/10—Systems for measuring distance only using transmission of interrupted, pulse modulated waves
    • G01S13/26—Systems for measuring distance only using transmission of interrupted, pulse modulated waves wherein the transmitted pulses use a frequency- or phase-modulated carrier wave
    • G01S13/28—Systems for measuring distance only using transmission of interrupted, pulse modulated waves wherein the transmitted pulses use a frequency- or phase-modulated carrier wave with time compression of received pulses
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/288—Coherent receivers
    • G01S7/2883—Coherent receivers using FFT processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-signals
    • G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
    • G01S7/2926—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods by integration

Definitions

  • the present invention relates to a monitoring technique using radar.
  • Patent Document 1 discloses a method of monitoring a moving target of an aircraft, a vehicle, or the like with a radar device.
  • the antenna In order to detect a distant target, a small target, a target existing in a clutter, a target existing in an interference signal, etc. in a radar device, it is necessary to improve the detection performance. Basically, in order to improve the detection performance, the antenna should be enlarged, but this increases the hardware and the cost.
  • One object of the present invention is to improve the detection accuracy of a target in an environment with a low SNR (Signal Noise Ratio) while suppressing the cost.
  • the learning device An acquisition unit that acquires a received signal generated based on the received wave and a tracking signal generated based on the received signal from the radar device, and an acquisition unit.
  • a learning data generation unit that generates learning data using the received signal and the tracking signal, and It includes a learning processing unit that learns a target detection model that detects a target from a received signal using the training data.
  • the learning method The received signal generated based on the received wave and the tracking signal generated based on the received signal are acquired from the radar device. Learning data is generated using the received signal and the tracking signal. Using the training data, a target detection model that detects a target from a received signal is trained.
  • the recording medium is The received signal generated based on the received wave and the tracking signal generated based on the received signal are acquired from the radar device. Learning data is generated using the received signal and the tracking signal. Using the training data, a program for causing a computer to execute a process of learning a target detection model for detecting a target from a received signal is recorded.
  • the radar device A transmitter / receiver that transmits a transmitted wave, receives a received wave corresponding to the transmitted wave, and generates a received signal. It includes a target detection unit that detects a target from the received signal by using a target detection model that has been trained using the training data generated based on the received signal acquired from the radar device.
  • the present invention it is possible to improve the detection accuracy of a target in an environment with a low SNR while suppressing the cost.
  • the basic configuration of the radar device is shown.
  • the configuration of the signal processing unit is shown.
  • the configuration when learning the target detection model is shown.
  • An example of trimming the processed signal is shown.
  • the hardware configuration of the learning device is shown. It is a flowchart of the learning process by a learning device.
  • Another example of the learning device is shown.
  • the configuration of the radar device to which the trained model is applied is shown.
  • the configuration for reconstructing the received signal of the desired beam specifications is shown.
  • the configuration of the radar device when using the secondary radar is shown.
  • the configuration when beam control for collecting training data is performed is shown.
  • the configuration for online learning is shown.
  • the configuration for validating the trained model is shown.
  • the configuration for suppressing the motion fluctuation due to the trained model is shown.
  • the configuration of the learning device and the radar device according to the second embodiment is shown.
  • the radar device in this embodiment can be used for a monitoring system such as a moving body existing in the surroundings. Specifically, the radar device emits a transmitted wave to the surroundings, receives the reflected wave, detects a moving body (hereinafter, also referred to as a “target”), and tracks the target as necessary. Targets include, for example, aircraft flying in the air, vehicles moving on the ground, ships moving over the sea, and the like. In the following embodiments, for convenience of description, the radar device is used for air traffic control and the target is primarily an aircraft.
  • FIG. 1 is a block diagram showing a basic configuration of a radar device.
  • the radar device 100 includes an antenna unit 101, a transmission / reception unit 102, a signal processing unit 103, a beam control unit 104, a target detection unit 105, a tracking processing unit 106, and a display operation unit 107.
  • the antenna unit 101 amplifies the electric signal (hereinafter, also referred to as “transmission signal”) input from the transmission / reception unit 102, and transmits a wave (referred to as “beam”) in the transmission direction instructed by the beam control unit 104. Is emitted. Further, the antenna unit 101 converts the reflected wave due to the target of the emitted transmitted wave into an electric signal (hereinafter, also referred to as “received signal”), synthesizes it, and outputs it to the transmitting / receiving unit 102.
  • transmission signal the electric signal
  • beam a wave
  • the antenna unit 101 converts the reflected wave due to the target of the emitted transmitted wave into an electric signal (hereinafter, also referred to as “received signal”), synthesizes it, and outputs it to the transmitting / receiving unit 102.
  • the radar device 100 constantly emits a beam (referred to as a “scan beam”) that scans in all directions (around 360 °), and monitors the existence of a target in the surroundings.
  • a beam for tracking the target referred to as a “tracking beam”
  • tracks the trajectory of the target referred to as a “track”.
  • the antenna unit 101 is composed of an antenna whose transmission direction can be changed instantly, such as an array antenna including a plurality of antenna elements.
  • a plurality of planar array antennas can be arranged so as to cover all directions, or a cylindrical array antenna can be used.
  • the scan beam can be constantly emitted in all directions, and the tracking beam can be emitted in the direction of the target when the target is detected.
  • the transmission / reception unit 102 generates an electric signal based on the transmission wave specifications (hereinafter, also referred to as “beam specifications”) instructed by the beam control unit 104, and outputs the electric signal to the antenna unit 101.
  • the beam specifications are the pulse width of the transmitted wave, the transmission timing, and the like.
  • the signal processing unit 103 performs demodulation processing, integration processing, and the like on the received signal input from the transmission / reception unit 102, and the processed received signal (hereinafter, also referred to as “processed signal”) is the target detection unit 105.
  • FIG. 2 is a block diagram showing the configuration of the signal processing unit 103.
  • the signal processing unit 103 includes a demodulation processing unit 110 and a coherent integration unit 111.
  • the demodulation processing unit 110 demodulates (pulse compression) the received signal input from the transmission / reception unit 102. Basically, in order to detect a distant target by radar, a high power and sharp transmission wave (transmission pulse) is required, but there is a limit to the increase in power due to hardware restrictions.
  • the transmission / reception unit 102 frequency-modulates a transmission signal having a predetermined pulse width to generate a transmission wave having a long duration, which is transmitted from the antenna unit 101.
  • the demodulation processing unit 110 demodulates the received signal input from the transmission / reception unit 102 to generate a sharp reception pulse, and outputs the sharp reception pulse to the coherent integration unit 111.
  • the coherent integration unit 111 coherently integrates a plurality of pulses input from the demodulation processing unit 110 to remove noise and improve the SNR.
  • the radar device 100 emits a plurality of pulses in the same direction (same direction and elevation angle) in order to detect the target with high accuracy.
  • the number of pulses emitted in the same direction is called the "hit number”.
  • the coherent integration unit 111 integrates the received signals (received pulses) of the beams emitted in the same direction for a predetermined number of hits to improve the SNR of the received signals.
  • the number of received pulses integrated by the coherent integrating unit 111 is also referred to as "integrated pulse number".
  • the number of integrated pulses is basically equal to the number of hits of the emitted beam.
  • the target detection unit 105 detects the target from the processed signal input from the signal processing unit 103 using a predetermined threshold value.
  • the target detection unit 105 measures the target distance, direction, and elevation angle, and outputs these as a target detection result (hereinafter, referred to as “plot”) to the tracking processing unit 106.
  • the plot includes the target distance, orientation, elevation, SNR, and so on. Further, the target detection unit 105 sets a threshold value for detecting the target based on the threshold value set value input from the display operation unit 107.
  • the tracking processing unit 106 performs tracking processing on a plurality of plots input from the target detection unit 105, and calculates a target track. Specifically, the tracking processing unit 106 estimates the target position (referred to as “estimated target position”) at the current time based on a plurality of plots, and outputs the estimation to the display operation unit 107. Further, the tracking processing unit 106 calculates a target predicted position (referred to as “predicted target position”) based on a plurality of plots, and outputs the predicted position to the beam control unit 104. The predicted target position indicates the position where the radar device 100 next hits the tracking beam.
  • the beam control unit 104 determines the transmission direction and beam specifications of the scan beam according to a preset beam schedule. Further, the beam control unit 104 determines the transmission direction and beam specifications of the tracking beam based on the predicted target position input from the tracking processing unit 106. Then, the beam control unit 104 outputs the transmission directions of the scan beam and the tracking beam to the antenna unit 101, and outputs the beam specifications of the scan beam and the tracking beam to the transmission / reception unit 102.
  • the display operation unit 107 includes a display unit such as a display and an operation unit such as a keyboard, a mouse, and operation buttons.
  • the display operation unit 107 displays the positions of a plurality of plots input from the target detection unit 105 and the estimated target positions input from the tracking processing unit 106. This allows the operator to see the current position and track of the detected target. Further, by operating the display operation unit 107, the operator inputs the threshold value used for the target detection to the target detection unit 105, and the signal processing unit 103 inputs the clutter determination result used for the demodulation processing to the signal processing unit. It can be input to 103.
  • the "clutter" is a signal generated by reflecting the emitted radar by an object other than the target. The operator can determine an area that is empirically considered to be a clutter from the plurality of plots displayed on the display operation unit 107, and operate the display operation unit 107 to specify the area. This is called "clutter judgment".
  • the radar device 100 constantly emits a scan beam in all directions to detect a target, and when a target is detected, emits a tracking beam to a predicted target position to track the target. do.
  • a radar device it is necessary to improve the detection performance in order to detect a target having a low SNR such as a distant target or a small target, and a target existing in a clutter or an interference signal.
  • the normal target detector detects the target from the processed signal using a predetermined threshold value, but in a situation where the SNR is low, the target signal is buried in clutter, noise, and interference signals. , The target detection accuracy is reduced.
  • the antenna should be enlarged, but this increases the hardware and the cost. Therefore, in the present embodiment, the target is detected using the model generated by machine learning.
  • the target detection model is learned using the received signal and the teacher label (correct answer label) indicating the presence / absence of the target, the position of the target, and the like, and the trained target detection model is applied to the target detection unit. This makes it possible to improve the detection performance while suppressing the cost.
  • FIG. 3 is a block diagram showing a configuration of a radar device when learning a target detection model.
  • a learning device 200 that learns the target detection model based on the signal acquired from the radar device 100 is provided. Since the radar device 100 is the same as that shown in FIG. 1, the description thereof will be omitted.
  • the learning device 200 includes a learning data generation unit 201, a data collection unit 202, a preprocessing unit 203, and a learning processing unit 204.
  • the learning data generation unit 201 acquires the processed signal S1 output by the signal processing unit 103 of the radar device 100.
  • the processed signal S1 is a received signal by the radar device 100, and is a received signal after noise removal processing is performed by the signal processing unit 103.
  • the learning data generation unit 201 acquires the target tracking signal S2 output by the tracking processing unit 106 of the radar device 100.
  • the tracking signal S2 includes a plot and a track of the target being tracked by the tracking processing unit 106.
  • the learning data generation unit 201 uses the tracking signal S2 to generate a teacher label to be used for learning.
  • the learning data generation unit 201 generates learning data for learning the target detection model.
  • the learning data is a pair of the processed signal S1 of a predetermined unit and the teacher label (correct answer label) for the processed signal S1.
  • the learning data generation unit 201 generates a teacher label for each post-processing signal S1 of a predetermined unit with reference to the corresponding tracking signal S2.
  • the learning data generation unit 201 refers to the target plot and track included in the tracking signal S2, and generates a teacher label indicating the presence / absence of the target and the target position in the processed signal S1 of a predetermined unit.
  • the learning data generation unit 201 uses a pair of the processed signal S1 of a predetermined unit and the corresponding teacher label as learning data, and outputs the learning data to the data collection unit 202.
  • the data collection unit 202 stores the learning data input from the learning data generation unit 201.
  • the data collection unit 202 stores learning data to which a teacher label is attached for each processed signal S1 of a predetermined unit.
  • the preprocessing unit 203 acquires learning data from the data collection unit 202.
  • the pre-processing unit 203 performs pre-processing for processing learning data prior to the learning processing in the learning processing unit 204.
  • Examples of the pretreatment include the following.
  • (A) Trimming of post-process signal One example of pre-processing is a process of trimming a post-process signal to a size suitable for feature extraction.
  • the target detection model learned by the learning processing unit 204 extracts a feature amount from the processed signal included in the training data and detects the target. Therefore, it is effective to trim the processed signal to a size that allows the learning processing unit 204 to accurately extract the feature amount from the processed signal.
  • FIG. 4 shows an example of trimming the processed signal.
  • FIG. 4A is a graph showing a processed signal in a predetermined direction of the first scan of the scan beam.
  • the horizontal axis is the distance from the radar device 100, and the vertical axis is the Doppler frequency.
  • the target T is detected at the position shown in the figure in the processed signal of the first scan. Since the target T is an aircraft or the like and its maximum speed and turnable direction can be predicted, the range R in which the target T can move can be predicted in the second scan. Therefore, as the processed signal of the second scan, the portion other than the range R can be removed by trimming. As a result, the amount of data subject to learning processing can be reduced.
  • the detection accuracy may be improved by considering not only a part of the processed signal but also a part adjacent to it.
  • a target is obtained by collectively processing the processed signal obtained by a beam emitted in a certain direction (direction and elevation angle) and the processed signal obtained by an adjacent beam emitted in an adjacent direction. Detection accuracy may increase. Further, in some cases, the detection accuracy can be improved in consideration of the time change by collectively processing the processed signals of the scans that are adjacent to it in addition to the processed signals of a certain scan. be. Therefore, it is effective to perform data integration processing on the processed signal of a predetermined unit.
  • the pre-processing unit 203 can integrate the post-processing signals S1 obtained by the plurality of adjacent beams into one unit of data used for learning.
  • the adjacent beam may be composed of a plurality of DBF (Digital Beamforming) beams or MIMO (Multiple Input Multiple Output) beams.
  • the preprocessing unit 203 can integrate the post-processing signals S1 for a plurality of consecutive scans into one unit of data used for learning.
  • the preprocessing unit 203 may execute any one of the above preprocessings, or may execute a plurality of the preprocessing units in combination.
  • the pre-processing unit 203 outputs the learning data including the post-processing signal after the pre-processing to the learning processing unit 204.
  • the learning processing unit 204 learns the target detection model using the input learning data, and generates a trained target detection model.
  • FIG. 5 is a block diagram showing a hardware configuration of the learning device 200 shown in FIG.
  • the learning device 200 includes an input IF (InterFace) 21, a processor 22, a memory 23, a recording medium 24, and a database (DB) 25.
  • IF InterFace
  • DB database
  • the input IF 21 inputs and outputs data to and from the radar device 100. Specifically, the input IF 21 acquires the processed signal S1 and the tracking signal S2 from the radar device 100.
  • the processor 22 is a computer including a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), and the like, and controls the entire learning device 200 by executing a program prepared in advance.
  • the processor 22 functions as a learning data generation unit 201, a preprocessing unit 203, and a learning processing unit 204 shown in FIG.
  • the memory 23 is composed of a ROM (Read Only Memory), a RAM (Random Access Memory), and the like.
  • the memory 23 stores various programs executed by the processor 22.
  • the memory 23 is also used as a working memory during execution of various processes by the processor 22.
  • the recording medium 24 is a non-volatile, non-temporary recording medium such as a disk-shaped recording medium or a semiconductor memory, and is configured to be removable from the learning device 200.
  • the recording medium 24 records various programs executed by the processor 22. When the learning device 200 executes the process, the program recorded on the recording medium 24 is loaded into the memory 23 and executed by the processor 22.
  • the DB 25 stores the data input through the input IF 21 and the data generated by the learning device 200. Specifically, the DB 25 stores the processed signal S1 and the tracking signal S2 input from the radar device 100, and the learning data generated by the learning data generation unit 201.
  • FIG. 6 is a flowchart of the learning process by the learning device 200. This process can be realized by the processor 22 shown in FIG. 5 executing a program prepared in advance and operating as each element shown in FIG.
  • the learning data generation unit 201 acquires the post-processing signal S1 output by the signal processing unit 103 of the radar device 100 and the tracking signal S2 output by the tracking processing unit 106 (step S11).
  • the learning data generation unit 201 uses the processed signal S1 and the tracking signal S2 to generate learning data including a predetermined unit of the processed signal and a teacher label for the predetermined unit, and stores the learning data in the data collecting unit 202. (Step S12).
  • the preprocessing unit 203 reads the learning data stored in the data collection unit 202, performs the above preprocessing on the processed signal, and learns the learning data including the preprocessed post-processing signal. Output to unit 204 (step S13).
  • the learning processing unit 204 learns the target detection model using the input learning data (step S204).
  • the learning processing unit 204 determines whether or not the predetermined learning end condition is satisfied (step 15).
  • An example of the learning end condition is that learning is performed using a predetermined amount of learning data.
  • the learning processing unit 204 repeats learning until the learning end condition is satisfied, and ends the process when the learning end condition is satisfied.
  • FIG. 7 shows another example of the learning device.
  • the learning device 200 shown in FIG. 3 generates learning data using the processed signal S1 and the tracking signal S2, that is, the actual data generated by the actual radar device 100. Instead, training data may be prepared by simulation and training may be performed.
  • FIG. 7 shows a learning device 200a that uses simulated data, and includes a simulated data generation unit 205 and a learning processing unit 204.
  • the simulation data generation unit 205 generates learning data (simulation data) including post-processing signals in various situations and teacher labels for the signals by simulation, and inputs the learning data to the learning processing unit 204.
  • the learning processing unit 204 is basically the same as that shown in FIG. 3, and learns the target detection model using simulated data.
  • One target detection model may be learned by combining the example of FIG. 3 and this example, and using the learning data generated based on the actual data of the radar device 100 and the simulated data in combination.
  • FIG. 8 is a block diagram showing a configuration of a radar device 100x to which a trained target detection model is applied.
  • the radar device 100x includes a preprocessing unit 113 and a target detection unit 114 instead of the target detection unit 105 in FIG. Since the configurations other than the preprocessing unit 113 and the target detection unit 114 are the same as those in FIG. 1, the description thereof will be omitted.
  • a trained target detection model generated by the above learning process is set in the target detection unit 114.
  • the preprocessing unit 113 generates a signal to be used as an input by the target detection model set in the target detection unit 114.
  • the preprocessing unit 113 performs the same preprocessing as the preprocessing performed on the training data when the target detection model is learned by the learning device 200 on the post-processing signal output from the signal processing unit 103.
  • the learning device 200 learns the target detection model using the above-mentioned pre-processing (A), that is, the learning data obtained by trimming the post-processing signal
  • the pre-processing unit 113 performs the same pre-processing (A).
  • the target detection unit 114 detects a target from the input processed signal by using the trained target detection model. Specifically, the target detection unit 114 uses the target detection model to generate a plot including the target distance, speed, identification, direction, elevation angle, SNR, and the like, and outputs the plot to the tracking processing unit 106.
  • the "identification” indicates the type of target, for example, the classification of artificial satellites, aircraft, missiles, ships, etc., and the classification of fixed-wing aircraft, rotary-wing aircraft, etc.
  • FIG. 9 is a flowchart of the target detection process by the radar device 100x. This processing is executed for each post-processing signal output from the signal processing unit 103.
  • the preprocessing unit 113 acquires a post-processing signal from the signal processing unit 103 (step S21), and performs preprocessing corresponding to the target detection model used by the target detection unit 114 (step S22).
  • the target detection unit 114 detects a target using the target detection model based on the post-processing post-processing signal input from the pre-processing unit 113 (step S23), and plots the detected target. Output (step S24).
  • the radar device 100x of the present embodiment by learning the target detection model using the learning data in the environment where the SNR is low, the SNR is low without increasing the hardware. It is possible to improve the detection accuracy of the target in the environment.
  • the learning device 200 learns the target detection model using the processed signals S1 output by the signal processing unit 103.
  • the processed signal S1 is a received signal after demodulation processing by the demodulation processing unit 110 and integration processing by the coherent integration unit 111 are performed on the received signal output by the transmission / reception unit 102. be.
  • the learning device 200 may learn the target detection model using the received signal S1a before the demodulation process shown in FIG. 2 or the received signal S1b before the integration process. In that case, in the radar device 100x shown in FIG.
  • the signal processing unit 103 outputs the received signal S1a before the demodulation processing or the received signal S1b before the integration processing to the preprocessing unit 113. .. Since these received signals are signals before SNR improvement processing by the demodulation processing unit 110 and the coherent integration unit 111, if learning is performed using these received signals, they will be generated in the existing processing (demodulation processing and coherent integration). It is possible to eliminate the SNR loss and acquire a model capable of extracting features with higher SNR improvement performance than the existing processing by learning. As a result, it becomes possible to generate a target detection model with higher detection accuracy.
  • the learning data generation unit 201 uses a plurality of collected data to generate learning data in a situation that rarely occurs. Specifically, the learning data generation unit 201 generates desired learning data by synthesizing a plurality of collected data or thinning out the collected data.
  • the learning data generation unit 201 may generate a reception signal obtained by adding the target reception signal to the reception signal of the clutter.
  • the learning data generation unit 201 may attenuate the amplitude of the normal size target reception signal and further add noise to generate the reception signal.
  • the learning data generation unit 201 determines the number of data to be coherently integrated by the coherent integration unit 111 in the signal processing unit 103. That is, a processed signal with a reduced number of integrated pulses may be generated.
  • the learning data generation unit 201 performs decimation (sampling thinning) after applying a narrow band filter to the received signal. The received signal may be generated.
  • the data already collected by the radar device 100 is actually synthesized, but when the desired data cannot be collected, the collected data and the simulated data generated by the simulation are combined. You may.
  • the "beam specifications” here refer to the pulse width, the phase dispersion region, and the number of integrated pulses.
  • the processed signal output by the signal processing unit 103 is subjected to the reverse processing of the signal processing performed by the signal processing unit 103, and the desired beam specifications are used at that time to obtain the desired beam specifications.
  • the original received signal can be reconstructed.
  • FIG. 10 shows a configuration for reconstructing the received signal of the desired beam specifications.
  • the learning data generation unit 201 includes a data reconstruction control unit 211, an inverse coherent integration unit 212, and a modulation processing unit 213.
  • the signal processing unit 103 of the radar device 100 inputs the processed signal S1 to the learning data generation unit 201.
  • the data reconstruction control unit 211 generates beam specifications to be reconstructed, instructs the inverse coherent integration unit 212 on the number of integrated pulses thereof, and instructs the modulation processing unit 213 on the pulse width and the phase dispersion band.
  • the inverse coherent integration unit 212 integrates the processed signal S1 with the number of integration pulses instructed by the data reconstruction control unit 211, and outputs the processed signal S1 to the modulation processing unit 213.
  • the modulation processing unit 213 modulates the input signal with the pulse width and the phase dispersion band instructed by the data reconstruction control unit 211, and outputs the input signal to the data collection unit 202. In this way, a received signal having desired beam specifications different from the collected received signal can be generated and used for the learning process.
  • the teacher label indicating the target position can be generated by the following method.
  • A Use of Primary Radar When using a primary radar (PSR: Primary Surveillance Radar), as described with reference to FIG. 1, the learning data generation unit 201 has track information generated by the tracking processing unit 106. You can get the target position from and generate a teacher label.
  • PSR Primary Surveillance Radar
  • FIG. 11 shows a configuration when a secondary radar (SSR: Secondary Surveillance Radar) is used.
  • the radar device 300 using the SSR includes a PSR antenna unit 301, a PSR transmission / reception unit 302, a PSR signal processing unit 303, a beam control unit 304, a PSR target detection unit 305, a tracking processing unit 306, and a display operation unit. 307 and. These have the same configurations as the antenna unit 101, the transmission / reception unit 102, the signal processing unit 103, the beam control unit 104, the target detection unit 105, the tracking processing unit 106, and the display operation unit 107 in FIG. 1, and operate in the same manner. do.
  • the radar device 300 includes an SSR antenna unit 308, an SSR transmission / reception unit 309, and an SSR target detection unit 310.
  • the SSR transmitter / receiver unit 309 outputs a question signal to the SSR antenna unit 308, and the SSR antenna unit 308 transmits a question wave to the target. Further, the SSR antenna unit 308 receives the response wave for the question wave from the target and outputs the response signal to the SSR transmission / reception unit 309.
  • the SSR transmission / reception unit 309 performs A / D conversion of the response signal and outputs the response signal to the SSR target detection unit 310. Since the response signal includes the target position information, the SSR target detection unit 310 generates a target plot (referred to as “SSR plot”) based on the response signal and outputs the target plot (referred to as “SSR plot”) to the tracking processing unit 306. ..
  • the tracking processing unit 306 generates a target track using the target plot (referred to as “PSR plot”) detected by the PSR target detection unit 305 and the SSR plot.
  • the PSR signal processing unit 303 inputs the received signal and the transmission / reception time (data D1) to the learning data generation unit 201 of the learning device 200, the tracking processing unit 306 inputs the SSR track (data D2), and the SSR target detection unit.
  • the SSR plot (data D3) is input from 310.
  • the learning data generation unit 201 uses the SSR plot or the SSR track to generate a teacher label indicating the position of the target.
  • the aircraft detected as a target includes military aircraft in addition to passenger aircraft.
  • Identified aircraft such as passenger aircraft and military aircraft in their own country (hereinafter referred to as "friendly aircraft") respond to the question signal, but unidentified aircraft such as military aircraft in other countries (hereinafter referred to as "friendly aircraft”). Since the "unknown aircraft” does not respond to the question signal, the teacher label cannot be generated for the received signal including the unknown aircraft as a target. However, in the case of air defense radar, it is the unknown aircraft that really wants to detect and track.
  • the targets that can be detected as targets from the received signal are three types of classes: "clutter (including noise)", "friendly machine”, and "unknown machine".
  • the target is "clutter", which means that the target does not actually exist, but the clutter is erroneously detected as the target.
  • the only class that responds to the question signal of the secondary radar and is given the teacher label (the correct answer is given) is the "friendly machine”.
  • the characteristics of the received signals are similar.
  • the unknown aircraft is detected by the following procedure.
  • the learning data generation unit 201 creates a model that extracts the reception signals of the "clutter”, the “friend machine”, and the “unknown machine” from all the reception signals by using the reception signals of the "friend machine” (processing). 1).
  • the learning data generation unit 201 receives the extracted signals of the "clutter”, “ally”, and “unknown machine” that are not determined to be “ally” (that is, “clutter” or “clutter” or.
  • the received signal having characteristics similar to those of "ally machine” is determined to be “unknown machine", and "unknown machine label” is generated (process 2).
  • the learning data generation unit 201 creates a model for detecting the "unknown machine” from the received signal by using the received signal determined to be the "unknown machine” and the "unknown machine label” (process 3). This model makes it possible to detect an unknown aircraft that does not respond to the question signal of the secondary radar from the received signal.
  • the accuracy of the "unknown machine label” generated in the above process 2 may be a problem.
  • the "unknown machine label” may be given manually by an operator or the like. According to this method, only the “received signal having characteristics similar to those of the" ally machine “among the received signals determined to be” clutter "or” unknown machine “extracted in the above process 2" is manually " The label "Unknown machine” may be added. That is, in the process 1 and the process 2, it is sufficient to manually label the received signal after narrowing down to the received signal having a high possibility of being an “unknown machine”. Therefore, the amount of manual work can be significantly reduced as compared with the case where the received signal including all of the "clutter", “friendly machine”, and "unknown machine” is manually labeled.
  • the SSR is used to acquire the target position and generate the teacher label.
  • the learning data generation unit 201 may generate a teacher label using plots and tracks obtained from other radar devices. Further, the learning data generation unit 201 may generate a teacher label using the track (passive track) of the passive radar that only receives. The "passive wake" is the result of tracking the jamming transmitter based on the jamming wave, and the learning data generation unit 201 can use this to generate the estimated position of the jamming transmitter as a teacher label. ..
  • the target aircraft is equipped with a positioning device such as GPS, the output may be received to generate a teacher label.
  • a stereo camera or the like may be used to estimate the target position from the captured image of the target to generate a teacher label.
  • the ship information may be received from the automatic identification system (AIS) of the ship, the position of the target may be acquired, and the teacher label may be generated.
  • AIS automatic identification system
  • (E) Manual assignment The operator may assign a teacher label by looking at the plot, track, etc. displayed on the display operation unit 107.
  • the radar device is installed on the ground, but the method of this embodiment is applied to a radar device mounted on a moving body such as an aircraft or a ship. Is also applicable.
  • the moving body information position, posture, speed, course, etc. of the moving body itself
  • the moving body information is input to the learning data generation device 201, and the learning processing unit 204 learns the model by using the moving body information in addition to the received signal as the learning data.
  • the radar device 100x to which the trained model is applied if the moving body information is input to the preprocessing unit 113 or the target detecting unit 114 and the target detecting unit 114 detects the target using the moving body information. good.
  • the radar device 100 implements beam control for collecting learning data between beam schedules. In particular, when the conditions specified in advance are met, the radar device 100 focuses on beam control. The content of the beam control is changed according to the data to be collected.
  • FIG. 12 shows a configuration when beam control for collecting learning data is performed.
  • the radar device 100 has the same configuration as in FIG.
  • the learning device 200 includes a data collection control unit 215 in addition to the configuration shown in FIG.
  • the data collection control unit 215 stores the condition that the learning data is insufficient, and outputs the data collection request D5 including the condition of the data to be collected to the beam control unit 104 of the radar device 100.
  • the beam control unit 104 controls the antenna unit 101 between the beam schedules to emit a beam under the conditions shown in the data collection request D5.
  • the radar device 100 constantly monitors all directions with a scan beam, and when it detects a target, it tracks the target with a tracking beam.
  • the beam control unit 104 can emit a beam for collecting learning data, for example, when the target is not detected or when it is not necessary to track the target.
  • the reflected wave corresponding to the emitted beam is received by the antenna unit 101, and the received signal is output to the learning data generation unit 201 via the transmission / reception unit 102 and the signal processing unit 103.
  • the learning device 200 can collect data corresponding to the missing condition.
  • FIG. 13 shows the configuration of a radar device and a learning device for performing online learning.
  • the radar device 100a includes an antenna unit 101, a transmission / reception unit 102, a switching unit 120, and two systems of control / data processing units 121a and 121b.
  • the control / data processing units 121a and 121b are units including a signal processing unit 103, a beam control unit 104, a target detection unit 105, a tracking processing unit 106, and a display operation unit 107 of the radar device shown in FIG.
  • the switching unit 120 selectively connects one of the control / data processing units 121a and 121b to the antenna unit 101 and the transmission / reception unit 102. Further, the switching unit 120 outputs the data D6 including the received signal, the plot, the track, etc. from the operating control / data processing unit 121a or 121b to the learning data generation unit 201 of the learning device 200a.
  • the learning device 200a includes a learning result evaluation unit 220 and a learning result application unit 221 in addition to the learning data generation unit 201, the data collection unit 202, and the learning processing unit 204.
  • the learning result evaluation unit 220 evaluates the learned model generated by the learning processing unit 204, and outputs the learned model determined to be applicable to the radar device 100a to the learning result application unit 221.
  • the learning result application unit 221 applies the learned model determined to be applicable to the control / data processing units 121a and 121b.
  • control / data processing unit 121a is in the active state (during the actual monitoring operation) and the control / data processing unit 121b is in the standby state. That is, the switching unit 120 connects the control / data processing unit 121a to the antenna unit 101 and the transmission / reception unit 102.
  • the learning device 200a learns the target detection model using the data D6 output from the control / data processing unit 121a in the active state.
  • the learning result application unit 221 applies the learned model determined to be applicable to the control / data processing unit 121b in the standby state, and rewrites the program.
  • the switching unit 120 puts the control / data processing unit 121b in the active state, puts the control / data processing unit 121a in the standby state, and applies a new learned model to the control / data processing unit 121a in the standby state.
  • the target detection model can be learned while continuing the monitoring operation on one side of the control / data processing unit 121, and the trained model can be applied to the other side. That is, it is possible to apply the trained model and perform online learning.
  • FIG. 14 shows the configuration of a radar device and a learning device for evaluating the validity of the trained model.
  • the radar device 100b includes an antenna unit 101, a transmission / reception unit 102, a validity evaluation unit 130, and two systems of control / data processing units 131 and 132.
  • the control / data processing unit 131 performs conventional processing, and the control / data processing unit 132 performs processing using the trained model.
  • the control / data processing units 131 and 132 are units including a signal processing unit 103, a beam control unit 104, a target detection unit 105, a tracking processing unit 106, and a display operation unit 107 of the radar device shown in FIG.
  • the learning device 200a is the same as that shown in FIG.
  • the validity evaluation unit 130 compares the processing result of the conventional processing by the control / data processing unit 131 with the processing result of the trained model by the control / data processing unit 132, and determines the validity of the processing result of the trained model. do. When it is determined that the processing result of the trained model is not valid, the validity evaluation unit 130 outputs the processing result of the conventional processing to the antenna unit 101 and the transmission / reception unit 102. On the other hand, when it is determined that the processing result of the trained model is appropriate, the validity evaluation unit 130 outputs the processing result of the trained model to the antenna unit 101 and the transmission / reception unit 102.
  • the validity evaluation unit 130 interpolates the processing result of the trained model with the processing result of the conventional processing, and an unexpected operation occurs. It may be prevented. Further, the validity evaluation unit 130 may be generated by using machine learning or the like. Further, the processing of the validity evaluation unit 130 may be performed by an operator instead of being fully automatic. For example, the operator may determine the validity of the processing result of the trained model based on the information displayed on the display operation unit 107.
  • the control / data processing unit of the radar device 100 is duplicated in advance, the trained model is intentionally staggered, and the processing results of the two control / data processing units are integrated into a formal one. Adopted as a processing result.
  • FIG. 15 shows the configuration of the radar device and the learning device for suppressing the operation fluctuation due to the trained model.
  • the radar device 100c includes an antenna unit 101, a transmission / reception unit 102, an integration unit 140, and two systems of control / data processing units 141a and 141b.
  • the control / data processing unit 141a uses the old model
  • the control / data processing unit 141b uses the new model for processing.
  • the control / data processing units 141a and 141b are units including the signal processing unit 103, the beam control unit 104, the target detection unit 105, the tracking processing unit 106, and the display operation unit 107 of the radar device shown in FIG.
  • the learning device 200a is the same as that shown in FIG.
  • the integration unit 140 adopts a formal processing result obtained by integrating the processing results of the control / data processing units 141a and 141b. For example, the integration unit 140 adds the processing results from the control / data processing units 141a and 141b and divides by 2, and adopts the processing result. As a result, when a new trained model is applied, it is possible to suppress a large fluctuation in the operation of the radar device.
  • FIG. 16A is a block diagram showing a functional configuration of the learning device according to the second embodiment.
  • the learning device 50 of the second embodiment includes an acquisition unit 51, a learning data generation unit 52, and a learning processing unit 53.
  • the acquisition unit 51 acquires a reception signal generated based on the received wave and a tracking signal generated based on the reception signal from the radar device.
  • the learning data generation unit 52 generates learning data using the received signal and the tracking signal.
  • the learning processing unit 53 learns a target detection model that detects a target from a received signal using the learning data.
  • FIG. 16B is a block diagram showing a functional configuration of the radar device according to the second embodiment.
  • the radar device 60 includes a transmission / reception unit 61 and a target detection unit 62.
  • the transmission / reception unit 61 transmits a transmission wave, receives a reception wave corresponding to the transmission wave, and generates a reception signal.
  • the target detection unit 62 detects a target from the received signal by using a target detection model that has been trained using the learning data generated based on the received signal acquired from the radar device.
  • An acquisition unit that acquires a received signal generated based on the received wave and a tracking signal generated based on the received signal from the radar device, and an acquisition unit.
  • a learning data generation unit that generates learning data using the received signal and the tracking signal, and
  • a learning processing unit that learns a target detection model that detects a target from a received signal using the training data, A learning device equipped with.
  • the tracking signal includes the target plot and wake.
  • the learning device according to Appendix 1, wherein the learning data generation unit uses the plot and the track to generate a teacher label indicating the presence / absence of a target and the position of the target in the received signal.
  • Appendix 3 The learning device according to Appendix 2, wherein the learning data generation unit generates a pair of the received signal and the teacher label as the learning data.
  • a preprocessing unit that preprocesses the received signal included in the learning data is provided.
  • the learning device according to any one of Supplementary note 1 to 3, wherein the learning processing unit learns the target detection model using the received signal after the preprocessing.
  • Appendix 5 The learning device according to Appendix 4, wherein the pre-processing is a process of trimming the received signal to a predetermined size.
  • Appendix 6 The preprocessing is described in Appendix 4 or 5, which is a process of integrating received signals corresponding to a plurality of adjacent beams emitted by the radar device or received signals corresponding to a plurality of adjacent scans performed by the radar device. Learning device.
  • the received signal is a processed signal after demodulation processing and coherent integration processing in the radar device.
  • the learning data generation unit uses beam specifications different from the processed signal to perform inverse coherent integration processing, which is the inverse processing of the coherent integration processing, and inverse of the demodulation processing, for the processed signal.
  • the learning apparatus according to any one of Appendix 1 to 8, wherein a modulation process, which is a process, is performed to generate a received signal of desired beam specifications.
  • Appendix 10 The learning device according to Appendix 2, wherein the learning data generation unit generates the teacher label using plots and tracks acquired from the secondary radar of the radar device.
  • the radar device is mounted on a moving body and The acquisition unit acquires the moving body information including the position and moving information of the moving body, and obtains the moving body information.
  • the learning device according to any one of Supplementary note 1 to 12, wherein the learning data generation unit generates the learning data by using the moving body information.
  • the received signal generated based on the received wave and the tracking signal generated based on the received signal are acquired from the radar device.
  • Learning data is generated using the received signal and the tracking signal.
  • a learning method for learning a target detection model that detects a target from a received signal using the training data.
  • the received signal generated based on the received wave and the tracking signal generated based on the received signal are acquired from the radar device.
  • Learning data is generated using the received signal and the tracking signal.
  • a recording medium that records a program that causes a computer to execute a process of learning a target detection model that detects a target from a received signal using the training data.
  • a transmitter / receiver that transmits a transmitted wave, receives a received wave corresponding to the transmitted wave, and generates a received signal.
  • a target detection unit that detects a target from the received signal using a target detection model that has been trained using the training data generated based on the received signal acquired from the radar device. Radar device equipped with.
  • the appendix 15 includes a preprocessing unit that performs preprocessing necessary for data input to the target detection model for the received signal and inputs the received signal after the preprocessing to the target detection unit. Radar device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

学習装置は、レーダ装置に使用される目標検出モデルを学習する。学習装置は、取得部と、学習データ生成部と、学習処理部と、を備える。取得部は、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。

Description

学習装置、学習方法、記録媒体、及び、レーダ装置
　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。
　本発明の一つの観点では、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。
　本発明の他の観点では、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、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。
　本発明の他の観点では、記録媒体は、
　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、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する。
　本発明の他の観点では、レーダ装置は、
　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。
　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 (17)

  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。
  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請求項１に記載の学習装置。
  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請求項２に記載の学習装置。
  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請求項４に記載の学習装置。
  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請求項４又は５に記載の学習装置。
  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請求項４乃至６のいずれか一項に記載の学習装置。
  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請求項１乃至７のいずれか一項に記載の学習装置。
  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請求項１乃至８のいずか一項に記載の学習装置。
  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請求項２に記載の学習装置。
  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請求項２に記載の学習装置。
  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請求項１乃至１１のいずれか一項に記載の学習装置。
  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請求項１乃至１２のいずれか一項に記載の学習装置。
  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。
  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。
  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。
  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請求項１６に記載のレーダ装置。
PCT/JP2020/001931 2020-01-21 2020-01-21 学習装置、学習方法、記録媒体、及び、レーダ装置 WO2021149152A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2020/001931 WO2021149152A1 (ja) 2020-01-21 2020-01-21 学習装置、学習方法、記録媒体、及び、レーダ装置
US17/792,556 US20230061202A1 (en) 2020-01-21 2020-01-21 Learning device, learning method, recording medium, and radar device
JP2021572164A JP7416092B2 (ja) 2020-01-21 2020-01-21 学習装置、学習方法、及び、プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/001931 WO2021149152A1 (ja) 2020-01-21 2020-01-21 学習装置、学習方法、記録媒体、及び、レーダ装置

Publications (1)

Publication Number Publication Date
WO2021149152A1 true WO2021149152A1 (ja) 2021-07-29

Family

ID=76992124

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/001931 WO2021149152A1 (ja) 2020-01-21 2020-01-21 学習装置、学習方法、記録媒体、及び、レーダ装置

Country Status (3)

Country Link
US (1) US20230061202A1 (ja)
JP (1) JP7416092B2 (ja)
WO (1) WO2021149152A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05297114A (ja) * 1992-04-22 1993-11-12 Mitsubishi Heavy Ind Ltd ソナー信号処理装置
JPH08220226A (ja) * 1995-02-16 1996-08-30 Tech Res & Dev Inst Of Japan Def Agency 目標信号検出方式
JPH10253748A (ja) * 1997-03-06 1998-09-25 Mitsubishi Electric Corp 目標の検出方法
JP2013210207A (ja) * 2012-03-30 2013-10-10 Nec Corp レーダ画像の目標識別装置、目標識別方法、及び目標識別プログラム
JP2016151416A (ja) * 2015-02-16 2016-08-22 三菱電機株式会社 目標類識別装置
JP2019120543A (ja) * 2017-12-28 2019-07-22 古野電気株式会社 物標検出装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5297114B2 (ja) 2008-08-06 2013-09-25 三菱重工業株式会社 ガスタービン
JP5862023B2 (ja) * 2011-03-04 2016-02-16 日本電気株式会社 目標追跡システム及び目標追跡方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05297114A (ja) * 1992-04-22 1993-11-12 Mitsubishi Heavy Ind Ltd ソナー信号処理装置
JPH08220226A (ja) * 1995-02-16 1996-08-30 Tech Res & Dev Inst Of Japan Def Agency 目標信号検出方式
JPH10253748A (ja) * 1997-03-06 1998-09-25 Mitsubishi Electric Corp 目標の検出方法
JP2013210207A (ja) * 2012-03-30 2013-10-10 Nec Corp レーダ画像の目標識別装置、目標識別方法、及び目標識別プログラム
JP2016151416A (ja) * 2015-02-16 2016-08-22 三菱電機株式会社 目標類識別装置
JP2019120543A (ja) * 2017-12-28 2019-07-22 古野電気株式会社 物標検出装置

Also Published As

Publication number Publication date
JP7416092B2 (ja) 2024-01-17
JPWO2021149152A1 (ja) 2021-07-29
US20230061202A1 (en) 2023-03-02

Similar Documents

Publication Publication Date Title
US9157992B2 (en) Knowledge aided detector
US11061114B2 (en) Radar system for the detection of drones
US7675458B2 (en) Dual beam radar system
US9274221B2 (en) Method and apparatus for remote object sensing employing compressive sensing
US8717230B1 (en) Digital clutter spatial nulling
CN110286373B (zh) 一种复杂气候条件下的fod雷达雨雪杂波抑制方法
US11163053B2 (en) Adaptive mitigation of stationary interference in a vehicular radar system
CN104330809A (zh) 基于多信源估计的卫星导航欺骗式干扰抑制方法
CN111983595B (zh) 一种室内定位的方法及装置
CN109856600A (zh) 一种毫米波防撞雷达抗干扰的方法
US9482744B1 (en) Staggered pulse repetition frequency doppler processing
CN111580093A (zh) 用于探测无人机集群目标的雷达系统
KR101738241B1 (ko) 표적 위치 추적 방법 및 그 장치
US20090027263A1 (en) Method for sensing a threat
CN111046025A (zh) 无人机信号探测方法及装置
WO2014094106A1 (en) Methods and apparatus for a radar having windfarm mitigation
CN113325421B (zh) 用于提供所述至少一个目标信息的方法和计算机可读介质
WO2021149152A1 (ja) 学習装置、学習方法、記録媒体、及び、レーダ装置
WO2021161502A1 (ja) 学習装置、学習方法、記録媒体、及び、レーダ装置
CN205374737U (zh) 一种基于多功能相控阵雷达的混合模式气象探测系统
Filippini et al. Polarimetric detection scheme for passive radar based on a 2D auto-regressive disturbance model
CN112230222B (zh) 一种用于识别车型的微波雷达装置
KR102345821B1 (ko) 라이브 신호 기반의 실내 빔포밍 시험 장치
WO2021161512A1 (ja) 学習装置、学習方法、記録媒体、及び、レーダ装置
CN113759359B (zh) 基于空管雷达的无源双基地雷达接收装置及目标探测方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20915878

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021572164

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20915878

Country of ref document: EP

Kind code of ref document: A1