Améliorer le radar adaptatif grâce à l’IA et à un énorme ensemble de données open source

Le monde qui nous entoure est constamment photographié au flash par des systèmes radar adaptatifs. Des salines aux montagnes et tout ce qui se trouve entre les deux, le radar adaptatif est utilisé pour détecter, localiser et suivre les objets en mouvement. Ce n’est pas parce que les yeux humains ne peuvent pas voir ces gammes de fréquences ultra-hautes (UHF) qu’ils ne prennent pas de photos.

Bien que les systèmes radar adaptatifs existent depuis la Seconde Guerre mondiale, ils ont atteint un seuil de performance fondamental au cours des deux dernières décennies. Mais grâce aux approches modernes de l’IA et aux leçons tirées de la vision par ordinateur, les chercheurs de l’Université Duke ont franchi ce seuil et ils veulent entraîner tous les autres acteurs du domaine avec eux.

Dans un nouvel article publié le 16 juillet dans la revue Radar, sonar et navigation de l’IETLes ingénieurs de Duke démontrent que l’utilisation de réseaux neuronaux convolutifs (CNN) – un type d’IA qui a révolutionné la vision par ordinateur – peut grandement améliorer les systèmes radar adaptatifs modernes.

Et dans une démarche parallèle à l’élan du boom de la vision par ordinateur, ils ont publié un vaste ensemble de données de paysages numériques pour que d’autres chercheurs en IA puissent s’appuyer sur leurs travaux.

« Les méthodes radar classiques sont très bonnes, mais elles ne sont pas suffisantes pour répondre aux demandes de l’industrie pour des produits tels que les véhicules autonomes », a déclaré Shyam Venkatasubramanian, assistant de recherche diplômé travaillant dans le laboratoire de Vahid Tarokh, professeur de génie électrique et informatique de la famille Rhodes à Duke.

« Nous travaillons à intégrer l’IA dans le domaine des radars adaptatifs pour résoudre des problèmes tels que la détection, la localisation et le suivi d’objets que l’industrie doit résoudre. »

Dans sa forme la plus élémentaire, le radar n’est pas difficile à comprendre. Une impulsion d’ondes radio à haute fréquence est émise et une antenne recueille les données des ondes qui rebondissent. Cependant, à mesure que la technologie a progressé, les concepts utilisés par les systèmes radar modernes ont également évolué.

Grâce à la capacité de façonner et d’orienter les signaux, de traiter plusieurs contacts à la fois et de filtrer le bruit de fond, la technologie a beaucoup progressé au cours du siècle dernier. Mais le radar a fait tout ce qu’il pouvait en utilisant ces seules techniques.

Les systèmes radar adaptatifs ont encore du mal à localiser et à suivre avec précision les objets en mouvement, en particulier dans des environnements complexes comme les terrains montagneux.

Pour faire entrer le radar adaptatif dans l’ère de l’intelligence artificielle, Venkatasubramanian et Tarokh se sont inspirés de l’histoire de la vision par ordinateur. En 2010, des chercheurs de l’université de Stanford ont publié une énorme base de données d’images composée de plus de 14 millions d’images annotées, appelée ImageNet.

Des chercheurs du monde entier ont utilisé ImageNet pour tester et comparer de nouvelles approches d’IA qui sont devenues la norme de l’industrie.

Dans le nouvel article, Venkatasubramanian et ses collaborateurs montrent que l’utilisation des mêmes approches d’IA améliore considérablement les performances des systèmes radar adaptatifs actuels.

« Nos recherches s’inscrivent dans la lignée des recherches des premiers utilisateurs de l’IA dans le domaine de la vision par ordinateur et des créateurs d’ImageNet, mais dans le domaine du radar adaptatif », a déclaré Venkatasubramanian. « Notre IA proposée prend en entrée des données radar traitées et génère une prédiction de l’emplacement de la cible via une architecture simple qui peut être considérée comme parallèle au prédécesseur de la plupart des architectures de vision par ordinateur modernes. »

Bien que le groupe n’ait pas encore testé ses méthodes sur le terrain, il a évalué les performances de son IA sur un outil de modélisation et de simulation appelé RFView, qui gagne en précision en incorporant la topographie et le terrain de la Terre dans sa boîte à outils de modélisation.

Ensuite, poursuivant sur les traces de la vision par ordinateur, ils ont créé 100 scénarios de radar aéroporté basés sur des paysages de l’ensemble des États-Unis contigus et les ont publiés sous forme d’un actif open source appelé « RASPNet ». L’article sur RASPNet est publié sur le site arXiv serveur de préimpression.

Il s’agit d’un atout précieux, car seule une poignée d’équipes ont accès à RFView. Les chercheurs ont toutefois reçu une autorisation spéciale des créateurs de RFView pour créer l’ensemble de données – qui contient plus de 16 téraoctets de données accumulées sur plusieurs mois – et le rendre accessible au public.

« Je suis ravi que ce travail révolutionnaire ait été publié, et en particulier que les données associées soient mises à disposition dans le référentiel RASPNet », a déclaré Hugh Griffiths, membre de la Royal Academy of Engineering, membre de l’IEEE, membre de l’IET, OBE et président THALES/Royal Academy des capteurs RF à l’University College de Londres, qui n’a pas participé aux travaux.

« Cela stimulera sans aucun doute d’autres travaux dans ce domaine important et garantira que les résultats pourront être facilement comparés les uns aux autres. »

Les scénarios inclus ont été soigneusement sélectionnés par des experts en radar et en apprentissage automatique et présentent une grande complexité géographique. Le côté le plus facile à gérer pour les systèmes radar adaptatifs est celui des salines de Bonneville, tandis que le plus difficile est celui du mont Rainier. Venkatasubramanian et son groupe espèrent que d’autres s’inspireront de leurs idées et de leur ensemble de données pour élaborer des approches d’IA encore meilleures.

Par exemple, dans un article précédent, Venkatasubramanian a montré qu’une IA adaptée à un lieu géographique spécifique pouvait améliorer jusqu’à sept fois la localisation des objets par rapport aux méthodes classiques. Si une IA pouvait sélectionner un scénario sur lequel elle avait déjà été formée et qui est similaire à son environnement actuel, ses performances devraient considérablement s’améliorer.

« Nous pensons que cela aura un impact très important sur la communauté des radars adaptatifs », a déclaré Venkatasubramanian. « À mesure que nous progressons et que nous continuons à ajouter des fonctionnalités à l’ensemble de données, nous voulons fournir à la communauté tout ce dont elle a besoin pour faire progresser le domaine dans l’utilisation de l’IA. »