Improving the Estimation of Ship Length via ISAR

Título: Melhoria da Estimativa do Comprimento de Navios via ISAR

Autor: John R. Bennett
Resumo Técnico

1. O Problema

A identificação automática de alvos (ATR) de navios em ambientes marítimos depende criticamente da estimativa precisa do Comprimento Total (LOA - Length Overall). O comprimento é um discriminador fundamental para classificar diferentes tipos de navios.

O método padrão para estimar o LOA via Radar de Abertura Sintética Inversa (ISAR) utiliza a aproximação de "Navio Fino":
$$LOA = RE / \cos(\text{Ângulo de Aspecto})$$
Onde $RE$ é a Extensão em Alcance (diferença entre o alvo mais distante e o mais próximo detectado).

O principal gargalo identificado no artigo é a imprecisão na estimativa do ângulo de aspecto (a diferença entre a direção do navio e a direção do radar).

• Limitações dos Rastreadores (Trackers): Os rastreadores convencionais de radar, que operam em modos de varredura de baixa resolução, frequentemente produzem erros grandes no curso e na velocidade do navio. Esses erros se propagam para o cálculo do ângulo de aspecto.
• Sensibilidade Trigonométrica: Pequenos erros no ângulo de aspecto resultam em grandes erros no LOA, especialmente em ângulos de aspecto elevados (onde a tangente do ângulo aumenta a taxa de erro).
• Dependência de Dados Externos: Muitos sistemas dependem de dados AIS (Sistema de Identificação Automática) ou GPS de navios para validar o curso, o que não é viável para "navios escuros" (que desligam o AIS) ou em cenários operacionais reais onde o alvo é desconhecido.

O objetivo do trabalho é desenvolver um método que melhore a estimativa do ângulo de aspecto e, consequentemente, do LOA, utilizando apenas dados internos do processamento ISAR, sem depender exclusivamente de rastreadores externos ou dados AIS.

2. Metodologia: O Algoritmo ISAR AutoTrack (IAT)

O autor propõe o algoritmo ISAR AutoTrack (IAT), que repurposiciona técnicas clássicas de autofoco de SAR (Radar de Abertura Sintética), especificamente o algoritmo de Map-Drift, para analisar o movimento do alvo (navio) em vez do movimento da plataforma (avião).

Princípios Fundamentais:

1. Compensação de Movimento Adaptativa (Mocomp): Durante o modo ISAR, o processador aplica correções de movimento para manter o alvo focado. O algoritmo IAT analisa os dados de velocidade de compensação de movimento adaptativa gerados por esse processo.
2. Decomposição de Erros:
   • A média da velocidade de compensação de movimento adaptativa revela o erro na componente de velocidade do navio na direção do alcance (in-range).
   • A tendência linear no tempo (derivada temporal) dessa velocidade revela o erro na componente de velocidade do navio na direção cruzada (cross-range), que está diretamente relacionada ao ângulo de aspecto.
3. Equação de Map-Drift Adaptada: O algoritmo utiliza uma relação quadrática entre a aceleração Doppler (derivada da velocidade de mocomp) e a velocidade cruzada do navio. Diferente do SAR tradicional (onde o erro é na plataforma), aqui o erro é no alvo.
   $$A \cdot R = -2 \cdot V \cdot u + u^2$$
   Onde $A$ é a aceleração Doppler, $R$ é o alcance, $V$ é a velocidade cruzada da plataforma menos a do rastreador, e $u$ é o erro na velocidade cruzada do navio.

Implementação:
O IAT possui dois métodos de implementação:

• Método de Busca (Search): Varre uma grade de possíveis cursos e velocidades do navio para encontrar a combinação que minimiza a variância do resíduo entre a velocidade determinística (baseada no rastreador) e a velocidade adaptativa observada.
• Método Analítico: Resolve a equação de Map-Drift explicitamente para estimar o movimento.

Pré-processamento:
Para lidar com ruídos do mar e interferências, o algoritmo emprega:

• Filtros de mediana para remover pulsos espúrios.
• Suavização de três pontos para ruído aleatório.
• Filtros de banda estreita adaptativos (função "chapeau") para remover oscilações causadas pelas ondas do mar, isolando o movimento do casco do navio.

3. Principais Contribuições

• Repurposicionamento de Autofoco: A aplicação inovadora de algoritmos de autofoco de SAR (Map-Drift) para a estimativa de parâmetros cinemáticos de alvos marítimos (navios).
• Independência de AIS: O método não requer dados AIS ou GPS do navio alvo, tornando-o aplicável a navios "escuros" ou hostis.
• Correção em Tempo Real: O IAT gera estimativas de aspecto durante a janela de tempo ISAR (segundos), tornando-o robusto a manobras do navio que ocorreriam fora dessa janela, ao contrário de rastreadores que precisam de minutos de observação.
• Redução de Recursos: Permite uma redução significativa nos recursos de radar dedicados ao rastreamento de longo prazo, pois o IAT pode refinar uma estimativa grosseira inicial rapidamente.
• Níveis de Implementação:
  • Nível 0: Uso de dados existentes de mocomp (software apenas).
  • Nível 1: Adição de apontamento adaptativo do feixe para melhorar a estimativa de azimute.
  • Nível 2: Estimativa da derivada temporal do azimute para resolver pontos cegos em ângulos de proa/popa.

4. Resultados e Validação

O autor validou o algoritmo utilizando dois conjuntos de dados principais:

A. Dados MSR2 (Radar de Vigilância Marítima #2):

• Conjunto: 22 casos de navios comerciais (porta-contêineres, tanqueiros) com dados de rastreador e AIS para comparação.
• Desempenho do Rastreador: Erro RMS no curso de 26,6 graus e erro de velocidade de 4,0 m/s.
• Desempenho do IAT: Redução drástica para erro RMS no curso de 8,04 graus e erro de velocidade de 1,0 m/s.
• Erro no LOA: O erro no comprimento total (LOA) caiu de 35,3% (usando apenas o rastreador) para 16,0% (usando IAT), aproximando-se da meta de 10%.
• Casos Difíceis: O algoritmo corrigiu erros de curso superiores a 80 graus. Casos com grandes erros residuais foram atribuídos a ondas oceânicas extremas ou erros de posição inicial do rastreador (que afetam a componente cruzada).

B. Dados SCATR (Small Craft ATR):

• Contexto: Dados de radares costeiros (estáticos) em navios menores (Guarda Costeira).
• Desafio: Radares estáticos não possuem a componente de velocidade cruzada da plataforma, tornando a equação de Map-Drift puramente quadrática e menos sensível (ponto cego parcial).
• Solução: O autor desenvolveu um algoritmo de extrapolação que simula um radar móvel em alta altitude usando os dados estáticos.
• Resultado: Ao simular um radar móvel (velocidade cruzada de 50 m/s), o erro RMS no LOA foi de 9,5%, atendendo à meta de 10% para uma ampla gama de ângulos de aspecto.

5. Significado e Conclusões

O artigo demonstra que é possível melhorar significativamente a precisão da medição do comprimento de navios usando apenas o processamento de dados ISAR existentes, sem necessidade de hardware complexo ou múltiplas aberturas (interferometria).

• Precisão Alcançada: O IAT permite estimar o LOA com erro inferior a 10% para ângulos de aspecto entre 5 e 85 graus, superando as limitações dos rastreadores convencionais.
• Robustez Operacional: O método é menos sensível a manobras do navio e não depende de cooperação do alvo (AIS).
• Recomendações Futuras:
  • Implementar apontamento adaptativo do feixe (Level 1) para reduzir erros de azimute.
  • Coletar mais dados de teste em condições operacionais reais (avião em movimento).
  • Integrar o IAT com algoritmos 3D-ISAR para corrigir efeitos de ondas e sombras.
  • Desenvolver estratégias para lidar com os "pontos cegos" em ângulos de proa e popa (Level 2).

Em suma, o IAT representa um avanço prático na inteligência de sinais de radar marítimo, transformando dados de compensação de movimento, antes usados apenas para focar imagens, em uma ferramenta poderosa para a caracterização cinemática e dimensional de alvos.