登录注册   忘记密码

人工智能将在雷达和电子战中发挥重要作用,对电子元器件提出的要求是……

来自雷达和电子战系统的分析数据决定了执行特定任务的路线。对于雷达和电子战系统来说,快速筛选这些数据并将其转化为可操作的情报至关重要。为了实现这一目标,国防工业正在使用人工智能、机器学习和深度学习技术对这些系统进行编程,并使其成为更智能、更自主的工具。


战场环境变得日益智能和更具连接性,设计变得日益重要。图形处理单元(GPU)、现场可编程门阵列(FPGA)和通用计算图形处理单元(GPGPU)都只是更加智能雷达和电子战系统编程的一部分;传感器在获取数据方面也扮演着重要的角色。军事用户希望在更小、更轻的系统中实现所有这些功能。


Abaco 系统公司业务发展技术总监皮特·汤姆森表示,“总的来看,军事客户的需求就是相互关联的传感器、通信设备和干扰机,前者速度快、稳健且难以检测,后者可以适应未知威胁。”也正是因为这些未知威胁使设计师和工程师日以夜继地推动国防工业创新,并使用诸如人工智能、机器学习和深度学习等新技术。他补充道,“人工智能优势在于算法可以适应不断变化的环境和场景,人工智能还可以代替系统操作员实施目标识别等任务。”


人工智能取代人类对数据进行分析,根据麻省理工学院解释,“神经网络”或者目前所说的“深度学习”实质上意味着拥有一台可以做出决策且像人类一样思考的智能计算机。汤姆森称,“神经网络可用于这些系统的杂波抑制、目标检测、分类和跟踪。”


Pentek公司副总裁兼共同创始人Rodger Hosking表示,“社区正在寻求获得可行情报的更好方式,目前通过技术手段收集的信息太多,人类不可能实时筛选出来。信息与知识不同,知识可引导你采取行动。因此,今年的热门话题是如何使用人工智能和学习算法等新策略自动评估信息,这些策略可帮助提高人类的决策速度和准确性。”


柯蒂斯·怀特公司防务解决方案产品管理和系统应用工程管理Marc Couture表示,随着这些技术的不断使用,这些趋势将会持续,因为“这些算法非常复杂,为能够筛选出这些目标,这些机器必须更像人类。”


未来的挑战:更具适应性的智能化战场

汤姆森评论道,随着时间的推移,雷达和电子战解决方案将利用更多技术识别目标,并改进决策过程。另外,对这些方法进行整合“将产生更智能、更自主雷达和电子战平台。”此外,更广泛分布式/智能传感器网络将需要更加重视网络安全。“如果敌人可闯入单个节点,并通过网络禁用某个功能,那么这将是一个重大漏洞。因此,网络安全将继续成为包括雷达和电子战信号处理在内的系统的重要组成部分。”


不仅需要考虑安全问题,还要考虑处理需求和封装。柯蒂斯·怀特公司防务解决公司FPGA高级产品经理Denis Smetana表示,“我们如何管理正在产生的功率和热量?为了充分利用现有的FPGA和GPGPU容量,我们需要转向更具有吸引力的散热技术,如空气流通(AFT),甚至液体流通(LFT)。”


Hosking的观点与此相符,正如他所说,“由于组件密度不断增加,封装和散热管理变得越来越困难。新材料和更好的EDA建模工具正在发挥作用。随着每个系统级复杂性增加,功能完善的子系统对系统集成商的吸引力越来越大。高级软件工具和API通过抽象细节来提供帮助。”


Abaco公司的汤普森表示,“在可部署的基于AI的解决方案领域面临双重挑战。第一个挑战是开发坚固强大的处理系统,足以承载承载基于计算密集型神经网络的算法。”


另一个问题只能在战场上使用这些系统时才能得到解答。汤姆森表示,“有了这样一个连接的智能系统,面临的重大挑战将是证明这种技术对自适应和未知敌人的有效性。如果我们的系统变得如此智能,以至于我们无法证明其工作的一致性,这将对军方运营商信任这些新的数字武器有效性构成严峻挑战。”


开发更智能的雷达和电子战工具也面临着软件方面的挑战。柯蒂斯·怀特公司防务解决方案公司开放式HPEC产品高级经理Tammy Carter表示,“我们现在面临着一些挑战,首先是创建算法。创建足够大的数据集、格式化数据和标记数据只是培训算法的一小部分挑战和要求。培训算法所需的计算能力和时间使挑战变得更加复杂。另外,我们在FPGA中看到的瓶颈之一就是内存,包括深度学习在内的许多算法都需要大量的数据在处理时进行存储,这既需要大容量的存储器,又需要高吞吐量的存储器接口。”


利用人工智能、机器学习和深度学习进行编程

编程算法能够快速响应威胁并更像人类思考,这是设计智能系统所面临挑战的一部分;它也是关于使用哪种类型的硬件来确保战斗机任务的成功举行。Kontron公司防务领域垂直产品经理Mark Littlefield表示,“有人可能会对真正的战场将会在FPGA与更通用的处理类型——无论是真正的CPU方法,如Xeon还是还是采用基于GPU的处理方法产生争论。这是一种三方平衡的行为,开发人员需要在开发简便性,每瓦特每秒10亿次浮点和供电寿命之间选择最佳方法。FPGA和CPU各有针对这三个重要的计量单位的优点和缺点。”


当把GPU、FPGA和AI概念放在一起时,汤姆森表示,“神经网络在信号处理中的应用并不新鲜,但将这些技术应用于战场中SWaP受限制的系统正在变得真实。以最前沿GPU为代表的新一代处理硬件正在推动人工智能用于替代或增强雷达和电子战中的传统信号处理技术。”


Smetana解释道,“GPU一直比FPGA更容易编程。随着FPGA和GPGPU供应商争夺数据中心市场的控制权,FPGA供应商正在努力开发工具来打破这种模式,这将最终使国防工业受益。其结果是有效地将机器学习算法映射到FPGA中所需的软件和工具。”


Smetana进一步分析了FPGA的优缺点:“FPGA的优势之一是它们可以重新配置。因此,它们非常适合用户需要系统适应当前情况的环境。对于深度学习应用,FPGA比GPGPU具有更高的功效,并具有更低的延迟。因此,随着时间的推移,我期望看到用于深度学习的FPGA和GPGPU,其中GPGPUs在培训方面很重要,而在部署方面则优于FPGA。”


关于FPGA和降低的SWaP,工业界很多人都期待赛灵思何时发布射频系统芯片(SoC)解决方案,它将内置更多的ADC和DAC。安纳波利斯微系统公司产品开发副总裁Noah Donaldson表示,这将使SWaP降低,因为先前系统的相同功能和性能不仅增加,占用空间更小,这也减小了总体尺寸,因为现在一块电路板可以完成多个电路板的工作。射频SoC还将为军用雷达和电子战解决方案提供更多功能。


对于降低的SWaP应用,安纳波利斯微系统公司为3U OpenVPX提供名为WILDSTAR UltraKVP ZPB DRAM的FPGA板—WB3XB0。这些FPGA板包括1个赛灵思Kintex Ultrascale XCKU115或Virtex Ultrascale XCVU5P/XCVU7P/XCVU9P FPGA,具有64个高速串行连接,最高可达32.75 Gbps。有两个80位DDR4 DRAM接口,主频高达1200 MHz。板上四核ARM CPU运行至1.3 GHz本地应用程序要求。它可通过背板PCIe或以太网访问,并为所有FPGA提供专用的AXI接口。


Littlefield 表示,“我们看到FPGA发挥着非常重要的作用,但我们也看到了像因特尔Xeon这样更通用的处理器。目前这代英特尔XeonD实际上是一款非常强大的处理器,能够处理机器学习和人工智能等各种问题。我认为,雷达和电子战开发人员正在采取一种非常实用的方法,让嵌入式计算行业受到金融和自动驾驶汽车等各种因素的影响,从而推动机器学习和人工智能的基础技术发展。他们可以在可用时提升和利用这些技术。”


随着GPGPU的推出,GPU与FPGA的争论仍在继续,突出的部分是利用军事应用商业解决方案的发展。Couture表示,“我们所看到的一个大趋势就是将GPGPU引入电子战。GPGPU历来被用于游戏系统和渲染视频显示器。其目标是能够编程‘非常不同类型的处理器,让他们相互交谈,并能够使用这些新的范例,如深度学习和机器学习’。”


汤普森评论道,需要指出的是,虽然FPGA非常重要,但它只是一个难题。为了实现自适应和机器学习算法,设计工作必须使用最新的CPU和GPU技术。


数据和传感器在智能战场上的作用

最终,智能系统的高性能运行归结为数据和数据分析师。卡特说,“在算法能够自我教导之前,必须由分析师来教授它们,在分析师培训机器之前,他们必须经过培训,像机器一样思考。”


但是,这仍然是一个问题,因为没有足够的人员或分析人员筛选大量生成的数据。对于雷达和电子战应用,数据就是一切。汤姆森表示,“一个短期的离轴旋转将需要在平台上实现更多的实时数据存储,以收集‘原始’真实世界的传感器数据以促进神经网络培训。”


寻求真正适应性的战场将继续推动传感器达到收集可操作情报的极限。汤普森表示,在三年后,一个主要挑战将是战场上传感器和干扰器数量的增加。它不会是一个高价值的平台,但许多小型系统都在适应性战场上发挥作用。


Couture表示,“未来的趋势是传感器数据呈指数增长。电子战和ISR传感器关联了太多的传感器和太少的分析人员,这包括从电光红外图像数据、更高分辨率的相机、所有射频微波调谐器等收集的数据。处理要求变得更加苛刻,不仅对于日益庞大的传感器数据,而且对于传感器融合,你基本上是将相控阵雷达矩阵和射频发射器数据与电光成像之间的映射进行交叉相关。”


Smetana指出:除了数据中心市场正在进行的工作外,这可能不一定与军事有关,但从商业案例的角度来看,这正在推动很多将机器学习型算法有效地映射到FPGA中的真正需要的软件和工具。


Hosking补充道,作战人员不再奢望筛选数据以便采取行动,而”适应性反制措施可以动态阻塞或修改信号以逃避或混淆敌人”,随着新技术的发展,这些功能不断变得更加完善和精确。


实现这些流程中的一部分自动化就是通过每项任务获得大量数据的答案。Hosking说,“信号的自动分类有助于比人类操作者更快,更准确地识别和分离目标。”

您的评论:

0

用户评价

  • 暂无评论