[論文レビュー] AI-Augmented Multi Function Radar Engineering with Digital Twin: Towards Proactivity

Mathieu Klein, Thomas Carpentier+8 more|arXiv (Cornell University)|Jun 18, 2020

Radar Systems and Signal Processing参考文献 22被引用数 15

ひとこと要約

本論文は、時間予算制約のもとで、ビーム合成、波形、ボリュームグリッドなどのレーダー運用モードを自律的かつ自動的に設計できる、AI補強型デジタルツインフレームワークを提案する。このシステムは、動的環境、脅威、故障状態に対応してリアルタイムで適応的なモード提案を可能にし、予防的レーダー運用に適した高速な計算を実現する。

ABSTRACT

Thales new generation digital multi-missions radars, fully-digital and software-defined, like the Sea Fire and Ground Fire radars, benefit from a considerable increase of accessible degrees of freedoms to optimally design their operational modes. To effectively leverage these design choices and turn them into operational capabilities, it is necessary to develop new engineering tools, using artificial intelligence. Innovative optimization algorithms in the discrete and continuous domains, coupled with a radar Digital Twins, allowed construction of a generic tool for "search" mode design (beam synthesis, waveform and volume grid) compliant with the available radar time budget. The high computation speeds of these algorithms suggest tool application in a "Proactive Radar" configuration, which would dynamically propose to the operator, operational modes better adapted to environment, threats and the equipment failure conditions.

研究の動機と目的

• ソフトウェア定義型で完全にデジタル化されたマルチミッションレーダー（例：Sea Fire や Ground Fire）における自由度の増加に対処するため。
• 時間予算制約のもとで、複雑なレーダー運用モードの設計空間を能率的に探索するための工学的ツールを開発するため。
• 環境、脅威、システム健全性状態のリアルタイムデータに基づいて、動的に最適なモードを推薦することで、プロアクティブなレーダー運用を可能にするため。
• 人工知能（AI）とデジタルツイン技術をレーダーシステム工学に統合し、運用の柔軟性と性能を向上させるため。

提案手法

• ビームパターン、波形、ボリュームグリッドを含むレーダーモード設計空間を探索するため、離散的および連続的領域のハイブリッド最適化アルゴリズムを採用する。
• レーダーシステムのデジタルツインを活用し、展開前の設計構成のシミュレーションと検証を実施する。
• 環境、脅威、システムステータスに関するリアルタイムデータを統合し、AI駆動のモード推薦を支援する。
• 時間予算制約を尊重するレーダーの「サーチ」モード設定用に汎用的かつ再利用可能なツールを設計する。
• 最適化パイプラインの高い計算速度を活用し、リアルタイムまたはニアリアルタイムの意思決定支援を可能にする。
• AIとデジタルツインを統合することで、反応的運用を超えた予測的かつ適応的レーダー行動を実現する。

実験結果

リサーチクエスチョン

• RQ1 AIとデジタルツイン技術をどのように統合することで、時間予算制約のもとでレーダー運用モードの自動化と最適化を実現できるか？
• RQ2 ビームパターン、波形、ボリュームグリッドを含む複雑なレーダー設計空間を効率的に探索するための最適化戦略は何か？
• RQ3 AI駆動の推薦が、進化する脅威とシステム状態を伴う動的環境におけるレーダーの適応性を向上させられるか？
• RQ4 提案されたフレームワークの計算速度が、リアルタイムまたはプロアクティブなレーダー運用をどの程度サポートできるか？
• RQ5 デジタルツインモデルは、物理的テストを要件とせずに、AI補強型レーダー工学の忠実性と信頼性をどのように向上できるか？

主な発見

• 提案されたAI補強型デジタルツインフレームワークにより、ビーム合成、波形選択、ボリュームグリッド設定を含む、レーダー運用モードの迅速かつ自動的な設計が可能になった。
• 最適化アルゴリズムは高い計算速度を達成しており、プロアクティブレーダーシステムにおけるリアルタイムまたはニアリアルタイムのモード推薦が実現可能である。
• システムは、環境状態、脅威レベル、機器故障状態に応じて動的に適応する運用モードを推薦する能力を示した。
• デジタルツインにより、レーダー構成の正確なシミュレーションと検証が可能となり、高価な物理的テストへの依存が低減された。
• このフレームワークは、Thales社の Sea Fire や Ground Fire レーダーを含む、さまざまなレーダープラットフォームに汎用的かつ再利用可能である。
• AIとデジタルツイン技術の統合により、反応的運用からプロアクティブな運用へのシフトが実現され、ミッション効果性が向上した。