El mundo que nos rodea es constantemente fotografiado con flash por sistemas de radar adaptativo. Desde salinas hasta montañas y todo lo que hay entre medias, el radar adaptativo se utiliza para detectar, localizar y rastrear objetos en movimiento. El hecho de que los ojos humanos no puedan ver estas frecuencias ultraaltas (UHF) no significa que no estén tomando fotografías.
Aunque los sistemas de radar adaptativo existen desde la Segunda Guerra Mundial, en las últimas dos décadas se han topado con un muro fundamental en cuanto a rendimiento. Pero con la ayuda de los enfoques de inteligencia artificial modernos y las lecciones aprendidas de la visión artificial, los investigadores de la Universidad de Duke han superado ese muro y quieren que todos los demás en este campo se sumen a ellos.
En un nuevo artículo publicado el 16 de julio en la revista Radar, Sonar y Navegación IET, Los ingenieros de Duke demuestran que el uso de redes neuronales convolucionales (CNN), un tipo de IA que revolucionó la visión por computadora, puede mejorar enormemente los sistemas de radar adaptativos modernos. Y en una iniciativa que sigue el impulso del auge de la visión por computadora, han publicado un gran conjunto de datos de paisajes digitales para que otros investigadores de IA puedan ampliar su trabajo.
«Los métodos de radar clásicos son muy buenos, pero no son lo suficientemente buenos para satisfacer las demandas de la industria de productos como los vehículos autónomos», dijo Shyam Venkatasubramanian, un asistente de investigación de posgrado que trabaja en el laboratorio de Vahid Tarokh, profesor de la familia Rhodes de Ingeniería Eléctrica e Informática en Duke. «Estamos trabajando para llevar la IA al espacio del radar adaptativo para abordar problemas como la detección, localización y seguimiento de objetos que la industria necesita resolver».
En su nivel más básico, el radar no es difícil de entender. Se transmite un pulso de ondas de radio de alta frecuencia y una antena recoge datos de las ondas que rebotan. Sin embargo, a medida que la tecnología ha avanzado, también lo han hecho los conceptos utilizados por los sistemas de radar modernos. Con la capacidad de dar forma y dirigir señales, procesar múltiples contactos a la vez y filtrar el ruido de fondo, la tecnología ha avanzado mucho en el último siglo.
Pero el radar ha llegado casi hasta donde puede llegar utilizando solo estas técnicas. Los sistemas de radar adaptativo aún tienen dificultades para localizar y rastrear con precisión objetos en movimiento, especialmente en entornos complejos como terrenos montañosos.
Para llevar el radar adaptativo a la era de la IA, Venkatasubramanian y Tarokh se inspiraron en la historia de la visión artificial. En 2010, investigadores de la Universidad de Stanford publicaron una enorme base de datos de imágenes compuesta por más de 14 millones de imágenes anotadas llamada ImageNet. Investigadores de todo el mundo utilizaron ImageNet para probar y comparar nuevos enfoques de IA que se convirtieron en el estándar de la industria.
En el nuevo artículo, Venkatasubramanian y sus colaboradores demuestran que el uso de los mismos enfoques de IA mejora enormemente el rendimiento de los sistemas de radar adaptativo actuales.
«Nuestra investigación es paralela a la de los primeros usuarios de IA en visión artificial y a la de los creadores de ImageNet, pero dentro del radar adaptativo», afirmó Venkatasubramanian. «Nuestra IA propuesta toma como entrada datos de radar procesados y genera una predicción de la ubicación del objetivo a través de una arquitectura simple que puede considerarse paralela a la predecesora de la mayoría de las arquitecturas de visión artificial modernas».
Si bien el grupo aún no ha probado sus métodos en el campo, compararon el desempeño de su IA con una herramienta de modelado y simulación llamada RFView®, que obtiene su precisión al incorporar la topografía y el terreno de la Tierra en su conjunto de herramientas de modelado. Luego, siguiendo los pasos de la visión artificial, crearon 100 escenarios de radar aéreo basados en paisajes de todo Estados Unidos continental y los publicaron como un recurso de código abierto llamado «RASPNet».
Este es un recurso valioso, ya que solo unos pocos equipos tienen acceso a RFView®. Sin embargo, los investigadores recibieron un permiso especial de los creadores de RFView® para crear el conjunto de datos (que contiene más de 16 terabytes de datos recopilados a lo largo de varios meses) y ponerlo a disposición del público.
«Estoy encantado de que se haya publicado este trabajo pionero y, en particular, de que los datos asociados estén disponibles en el repositorio RASPNet», afirmó Hugh Griffiths, miembro de la Royal Academy of Engineering, miembro del IEEE, miembro del IET, OBE y presidente de THALES/Royal Academy of RF Sensors en el University College de Londres, que no participó en el trabajo. «Esto sin duda estimulará la realización de más trabajos en esta importante área y garantizará que los resultados se puedan comparar fácilmente entre sí».
Los escenarios incluidos fueron seleccionados por expertos en radar y aprendizaje automático y tienen una amplia gama de complejidad geográfica. El más fácil de manejar para los sistemas de radar adaptativo es el Salar de Bonneville, mientras que el más difícil es el Monte Rainier. Venkatasubramanian y su grupo esperan que otros tomen sus ideas y conjuntos de datos y creen enfoques de IA aún mejores.
Por ejemplo, en un artículo anterior, Venkatasubramanian demostró que una IA adaptada a una ubicación geográfica específica podría lograr una mejora de hasta siete veces en la localización de objetos en comparación con los métodos clásicos. Si una IA pudiera seleccionar un escenario en el que ya había sido entrenada que fuera similar a su entorno actual, debería mejorar sustancialmente su rendimiento.
«Creemos que esto tendrá un gran impacto en la comunidad de radares adaptativos», afirmó Venkatasubramanian. «A medida que avanzamos y continuamos agregando capacidades al conjunto de datos, queremos brindarle a la comunidad todo lo que necesita para impulsar el campo hacia el uso de la IA».
Este trabajo fue apoyado por la Oficina de Investigación Científica de la Fuerza Aérea (FA9550-21-1-0235, 20RYCORO51, 20RYCOR052).
