In the Defense industry, radar target simulations play a big hole: they are useful to study critical scenarios, make object classification and study the target signatures. They show to be a major point of technologic independence for countries, once allows creating and evaluating Radar Signatures of complex targets, as aircraft, ships and armored cars, without the need of measuring them. It is a possibility of generating enemys signatures and defining the best approach to react and detect them. However, this kind of simulation is expensive, spend a lot of computational resources and demands a complex environment, which is needed to run the simulations. This study proposes a proof of concept of a radar target simulation, based on a case study of automotive radars (FMCW – 77 GHz) using Generative Adversarial Networks (GANs): an artificial intelligence technique that is used for generating realistic fake data, such as images, audios, texts, and even radar signals. The achieved results show that the GAN approach was able to generate visually realistic radar targets using low computational efforts, oppening a new way to radar target simulations: AI-based simulations. Although being based on automotive targets, all results can be extrapolated to Defense scenarios.
113 views
2 Comments
1T MARCELO ALEXANDRE MARTINS DA CONCEICAO
on 09/28/2021 at 20:20
Parabéns pela pesquisa e pela excelente apresentação realizada! No início do artigo foi dito que utilizou-se um dataset de dados automotivos para geração das assinaturas SAR, pela abundância dos dados disponíveis, o que provou ser válido para a prova de conceito apresentada. Sabemos que redes GAN construídas com arquiteturas de base como as Redes Profundas (Deep Neural Network) a exemplo das CNN (Convolutional Neural Network) necessit de uma grande quantidade de dados para que seja possível seu treinamento.
Dadas essas premissas, os autores acreditam ou possuem perspectivas futuras para a implantação da abordagem proposta em cenários reais de Defesa, uma vez que obter a assinatura SAR de aeronaves e veículos inimigos, por exemplo, pode ser um limitador importante para essa abordagem.
Existe alguma perspectiva de ser contornada essa potencial limitação?
Cap Caio Augusto de Melo Silvestre
on 09/28/2021 at 15:32
Parabéns pelo trabalho! O seu grupo de pesquisa prevê utilizar os dados sintéticos para quais aplicações?
Parabéns pela pesquisa e pela excelente apresentação realizada! No início do artigo foi dito que utilizou-se um dataset de dados automotivos para geração das assinaturas SAR, pela abundância dos dados disponíveis, o que provou ser válido para a prova de conceito apresentada. Sabemos que redes GAN construídas com arquiteturas de base como as Redes Profundas (Deep Neural Network) a exemplo das CNN (Convolutional Neural Network) necessit de uma grande quantidade de dados para que seja possível seu treinamento.
Dadas essas premissas, os autores acreditam ou possuem perspectivas futuras para a implantação da abordagem proposta em cenários reais de Defesa, uma vez que obter a assinatura SAR de aeronaves e veículos inimigos, por exemplo, pode ser um limitador importante para essa abordagem.
Existe alguma perspectiva de ser contornada essa potencial limitação?
Parabéns pelo trabalho! O seu grupo de pesquisa prevê utilizar os dados sintéticos para quais aplicações?