⚡ electrical engineering

Small Language Model enabled Autonomous agent for Language-Conditioned Cognitive Radar

Este artigo apresenta um agente autônomo impulsionado por um pequeno modelo de linguagem que interpreta comandos em linguagem natural para selecionar, configurar e executar dinamicamente ferramentas de processamento de sinais para radar cognitivo, demonstrando desempenho eficaz em diversos cenários como supressão de interferência e estimativa de direção de chegada, enquanto se baseia em prompts específicos de radar e execução fundamentada na física para garantir resultados confiáveis e livres de alucinações.

Autores originais: Minhaj Uddin Ahmad, Zakia Zaman, Shunqiao Sun, Mizanur Rahman

Publicado 2026-08-13

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Minhaj Uddin Ahmad, Zakia Zaman, Shunqiao Sun, Mizanur Rahman

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é o capitão de uma nave espacial de alta tecnologia, mas em vez de pilotar com um joystick, você fala com a nave. Você diz: "Cuidado com aquele campo de asteroides à esquerda!" e o computador da nave instantaneamente sabe como ajustar seus escudos e sensores. Este é o sonho da tecnologia "cognitiva": máquinas que não apenas seguem instruções rígidas, mas entendem sua intenção e se adaptam a um mundo caótico e mutável. No mundo do radar, que atua como um par de olhos gigantes para tudo, desde a previsão do tempo até carros autônomos, isso é algo grandioso. O radar tradicional é como um robô muito obediente, mas teimoso; ele segue uma lista fixa de regras. Se as regras não se ajustarem à situação — como um sinal de interferência repentino ou uma tempestade de ruídos — o radar pode falhar. Cientistas tentam construir radares "inteligentes" há anos, esperando criar sistemas que possam aprender e se adaptar sobre a marcha, de forma muito semelhante a um operador humano.

Entre um novo experimento que tenta resolver isso dando ao radar um cérebro feito de um "Modelo de Linguagem Pequeno" (SLM). Pense nisso não como um supercomputador gigante baseado na nuvem, mas como um cérebro de IA compacto e local que vive diretamente no dispositivo. Este artigo apresenta um sistema onde um humano pode dizer um comando em linguagem natural como "Encontre aquele alvo, mas ignore o interferidor", e este agente de IA atua como um tradutor. Ele não apenas adivinha; ele atua como um gerente de projeto. Ele ouve seu pedido, descobre quais ferramentas matemáticas são necessárias e, então, chama essas ferramentas para realizar o trabalho pesado de fato. Os pesquisadores descobriram que, ao combinar esta IA conversacional inteligente com um conjunto estrito de ferramentas baseadas em física, eles puderam criar um sistema de radar que entende a linguagem, faz escolhas inteligentes e fornece números precisos sem inventar coisas. É um passo em direção a um radar que pode realmente conversar com você e se adaptar ao caos do mundo real.

A História do Radar Falante

Imagine um sistema de radar como uma orquestra gigante e de alta tecnologia. No passado, o regente (o operador do radar) tinha que conhecer cada instrumento de cor e gritar instruções específicas como "Violinos, toquem mais alto em 400 Hertz!". Se o regente não conhecesse a partitura, a música desmoronaria. Este artigo apresenta um novo tipo de regente: um Modelo de Linguagem Pequeno (SLM). Esta não é uma IA gigante baseada na nuvem que precisa da internet para pensar; é um modelo menor e eficiente (especificamente um modelo de 9 bilhões de parâmetros chamado Qwen3.5) que pode viver diretamente no próprio computador do radar, como um assistente inteligente no seu bolso.

A mágica acontece porque este assistente de IA não tenta fazer a matemática sozinho. Isso seria como pedir a um poeta para calcular a trajetória de um míssil; ele pode escrever um belo poema sobre isso, mas os números estariam errados. Em vez disso, a IA atua como um gerente. Quando você diz: "Preciso ver um alvo a 30 graus, mas mantenha o ruído abaixo de -30 decibéis", a IA ouve, entende o objetivo e, então, chama uma equipe de "ferramentas de física" especialistas. Essas ferramentas são como uma caixa de ferramentas de instrumentos matematicamente perfeitos e pré-construídos (como formadores de feixe e estimadores) que realmente fazem o trabalho pesado. A IA escolhe a ferramenta certa, ajusta os controles e, em seguida, lê os resultados de volta para você.

Como a Equipe Trabalha

Os pesquisadores construíram um ciclo que funciona como uma conversa entre um chefe e um especialista.

O Chefe (O Usuário): Você digita um comando em inglês simples, como "Rastreie um alvo a 10 graus enquanto ignora um interferidor a -20 graus".
O Gerente (O Agente SLM): A IA lê seu comando. Ela não apenas adivinha; ela usa um conjunto especial de regras (chamado de "prompt de sistema") que a ensina os segredos do radar. Ela sabe, por exemplo, que se houver um interferidor, ela precisará de um tipo específico de ferramenta de "cancelamento de ruído". Ela também sabe que não pode simplesmente inventar números.
Os Especialistas (As Ferramentas de Física): O gerente chama uma ferramenta Python para executar a matemática real. Essas ferramentas simulam as ondas de radar, calculam a interferência e descobrem onde estão os alvos. Elas são rigorosas e honestas; elas relatam apenas o que a matemática diz.
O Relatório: O gerente pega os números dos especialistas e escreve uma explicação clara para você, como: "Eu usei a ferramenta MPDR e bloqueei o interferidor com sucesso com uma profundidade de nulidade de -55 dB".

O Que Eles Descobriram

A equipe testou este sistema com uma configuração de radar sintético (uma simulação de computador de um radar com 16 antenas) para ver se ele conseguiria lidar com diferentes situações complicadas. Eles deram a ele uma série de comandos em linguagem natural, desde pedidos simples até cenários complexos envolvendo múltiplos interferidores e dados limitados.

Aqui está o que encontraram:

Ele fala a sua língua: O agente traduziu comandos naturais em ações técnicas corretas cerca de 91% das vezes. Ele sabia quando usar um taper "Dolph-Chebyshev" para controlar o ruído lateral ou quando mudar para "ESPRIT" para encontrar alvos quando os dados eram escassos.
Ele não mente: Um dos maiores medos em relação à IA é a "alucinação", onde a IA inventa fatos. Como este agente depende das ferramentas de física para todos os números, ele foi 98,9% livre de alucinações. Ele nunca adivinhou um número; ele apenas relatou o que as ferramentas matemáticas calcularam.
É mais inteligente que regras simples: Quando comparado a um programa de computador básico que apenas procura por palavras-chave (como um mecanismo de busca), o agente de IA foi muito melhor em lidar com pedidos complexos ou vagos. O sistema simples baseado em regras acertou apenas 15% das vezes, enquanto o agente de IA acertou 86% das vezes.
Funciona localmente: O sistema rodou em um computador padrão e usou uma versão "quantizada" (comprimida) do modelo de IA. Isso sugere que, no futuro, esse tipo de radar inteligente poderia rodar em dispositivos menores e portáteis, como os encontrados em drones ou carros, sem precisar enviar dados para a nuvem.

Os Limites e o Futuro

Os pesquisadores observam cautelosamente que isto é uma simulação. Eles o testaram em um "Array Linear Uniforme" (uma linha reta de antenas) em um ambiente de computador. Eles ainda não o testaram em hardware de radar físico real no mundo real, onde o clima e reflexões estranhas de sinais podem causar problemas. Além disso, a IA atualmente depende das regras que eles escreveram para ela; ela ainda não aprendeu a se adaptar por conta própria ao longo do tempo.

No entanto, os resultados sugerem um caminho promissor. Ao combinar um céreamente de IA pequeno e local com ferramentas rigorosas baseadas em física, poderemos em breve ter sistemas de radar que podem ouvir um operador humano, entender o caos do ambiente e reconfigurar-se instantaneamente para enxergar claramente através do ruído. É um passo em direção a um futuro onde nossos sensores não apenas veem, mas entendem.

Resumo Técnico: Agente Autônomo Habilitado por Pequeno Modelo de Linguagem para Radar Cognitivo Condicionado por Linguagem

Definição do Problema
Os modernos sistemas de radar de arranjo requerem adaptação dinâmica de estratégias de processamento de sinais para lidar com variações de interferência, clutter e disponibilidade de dados. Os pipelines tradicionais dependem de regras fixas, tabelas de consulta ou expertise de operadores, que frequentemente falham ao generalizar para descrições de tarefas de alto nível ou ambientes dinâmicos. Embora existam frameworks de radar cognitivo para abordar isso via ciclos de percepção-ação, as soluções existentes focam primariamente na otimização de formas de onda ou parâmetros do sistema, em vez da seleção inteligente de algoritmos de processamento de sinais condicionada por linguagem. Além disso, Grandes Modelos de Linguagem (LLMs) genéricos são inadequados para aplicações de radar devido aos riscos de alucinação de valores numéricos, falta de restrições físicas e preocupações com privacidade de dados em ambientes classificados.

Metodologia
O artigo propõe um framework para um agente autônomo impulsionado por um Pequeno Modelo de Linguagem (SLM) que funciona como um controlador inteligente para o processamento de sinais de arranjo. O sistema opera como um agente aumentado por ferramentas utilizando uma arquitetura modular:

Cadeia de Ferramentas Baseada em Física: Um pacote Python independente (utilizando NumPy e SciPy) implementa algoritmos estabelecidos de processamento de sinais de arranjo. Este módulo inclui:
- Simulador de Arranjo: Gera dados de snapshots de Uniform Linear Array (ULA) de banda estreita com vários pesos de janelação (Uniform, Dolph-Chebyshev, Taylor).
- Ferramentas de Beamforming: Inclui Delay-and-Sum (DAS), Minimum Variance Distortionless Response (MVDR), Minimum Power Distortionless Response (MPDR) e Linearly Constrained Minimum Variance (LCMV).
- Ferramentas de Estimativa de DOA: Inclui Multiple Signal Classification (MUSIC), Estimation of Signal Parameters via Rotational Invariance Techniques (ESPRIT) e Orthogonal Matching Pursuit (OMP).
- Restrição: O agente nunca realiza aritmética diretamente; todas as computações numéricas são delegadas a estas ferramentas de física para evitar alucinações.
Agente SLM: O motor de raciocínio utiliza o Qwen3.5 (um modelo de 9 bilhões de parâmetros quantizado em 4 bits) servido localmente via Ollama. Esta escolha suporta implantação na borda (edge) em dispositivos como o Nvidia Jetson e garante a privacidade. O agente segue um paradigma ReAct (Reason-Act), intercalando o raciocínio com invocações de ferramentas.
Engenharia de Prompt de Sistema: Como o modelo base carece de ajuste fino específico para radar, um prompt de sistema especializado codifica o conhecimento de domínio. Ele inclui:
- Definições do papel do agente e regras (ex: "sempre use ferramentas").
- Condições operacionais para cada algoritmo (ex: MUSIC requer $L \gg N$ snapshots).
- Priors de especialistas para tomada de decisão (ex: selecionar MPDR em vez de MVDR se os dados de treinamento não estiverem disponíveis).
- Restrições físicas invioláveis (ex: limites de resolução de Rayleigh) para bloquear alegações impossíveis.
- Requisitos para raciocínio explícito antes das chamadas de ferramenta e respostas finais não vazias derivadas exclusivamente dos outputs das ferramentas.
Loop Agêntico e Gestão de Estado: O agente executa um loop estruturado de observar-raciocinar-agir. Uma classe de dados RunContext persiste o estado através das chamadas de ferramenta, permitindo que o agente utilize resultados numéricos de etapas anteriores (ex: matrizes de covariância) em decisões subsequentes. Um mecanismo de "impulso" (nudge) recupera o sistema de terminações prematuras de conversa, instigando o modelo a resumir os resultados se ele tentar encerrar sem uma resposta final.

Principais Contribuições
O artigo delineia quatro contribções primárias:

Formulação: Define o radar cognitivo condicionado por linguagem como um problema de agente SLM aumentado por ferramentas, mapeando linguagem natural para ações de processamento de sinais de arranjo.
Implementação: Cria uma cadeia de ferramentas de radar modular e baseada em física, garantindo que todas as afirmações numéricas sejam derivadas de rotinas executáveis, em vez de aritmética gerada pelo modelo.
Segurança e Auditabilidade: Projeta prompts de sistema específicos para radar, validação de parâmetros e mecanismos de gestão de estado que impõem restrições físicas, reduzem alucinações numéricas e tornam cada decisão auditável via logs de transcrição.
Avaliação: Avalia o sistema em um benchmark expandido de linguagem natural usando tanto métricas de decisão ao nível do agente quanto métricas de desempenho de radar baseadas em física.

Resultados Experimentais
O sistema foi avaliado em um benchmark sintético de ULA ( $N=16$ elementos) através de seis categorias de tarefas: controle de lóbulos secundários, supressão de jammer único/múltiplo, estimativa de DOA com baixo número de snapshots, tratamento de fontes coerentes e prompts subespecificados.

Estudo de Ablação: Comparando o agente completo contra baselines (controlador baseado em regras, SLM sem prompt de radar e SLM sem ferramentas) revelou que:
- O Agente SLM Completo alcançou uma taxa de sucesso de ponta a ponta de 86,1%.
- A remoção do prompt específico de radar reduziu significativamente a precisão da seleção de algoritmos (de 91,1% para 67,8%).
- A remoção da execução de ferramentas fez com que a "taxa de livre de alucinação" caísse de 98,9% para 52,8%, confirmando que as ferramentas são essenciais para relatórios numéricos confiáveis.
- O controlador baseado em regras teve um desempenho pobre (15,0% de sucesso E2E) em solicitações parafraseadas ou subespecificadas.
Métricas de Desempenho:
- Controle de Lóbulos Secundários: O agente selecionou com sucesso o tapering Dolph-Chebyshev para atender a requisitos específicos de lóbulos secundários (ex: $-30$ dB), trocando a largura do lóbulo principal por supressão, conforme esperado fisicamente.
- Supressão de Jammer: O agente distinguiu corretamente entre MVDR (quando os dados de treinamento estão disponíveis) e MPDR (quando não estão), e utilizou LCMV para múltiplos jammers, alcançando nulos profundos (ex: $-120$ dB) enquanto preservava o ganho do alvo.
- Estimativa de DOA: Sob condições de baixos snapshots ( $L < N$ ), o agente evitou corretamente o MUSIC padrão em favor do ESPRIT ou OMP, demonstrando consciência dos modos de falha algorítmica.

Significância e Alegações
O artigo afirma que um pequeno modelo de linguagem, hospedado localmente, pode servir como um controlador cognitivo confiável para ferramentas de processamento de sinais, desde que seja restringido por prompts de sistema cuidadosamente projetados e uma cadeia de ferramentas baseada em física. A significância reside em demonstrar que:

Implantação Local: SLMs podem operar offline em plataformas embarcadas, mitigando riscos de exfiltração de dados em aplicações de radar sensíveis.
Confiabilidade: A combinação de prompting de domínio específico e aumento por ferramentas previne efetivamente a alucinação de resultados numéricos, um modo de falha crítico em computação científica.
Generalização: O sistema generaliza para diversos comandos de linguagem natural e cenários dinâmicos (ex: variando contagens de snapshots, fontes coerentes) melhor do que sistemas de regras fixas.

Os autores mantêm a modéstia em relação às limitações atuais, observando que os resultados baseiam-se em dados sintéticos de ULA e um conjunto de ferramentas fixo. Eles reconhecem que a robustez em dados de radar de hardware, geometrias não-ULA e ambientes de propagação complexos ainda precisa ser demonstrada, e que o sistema atual depende de priors de nível de prompt em vez de adaptação aprendida de longo prazo.

A História do Radar Falante

Como a Equipe Trabalha

O Que Eles Descobriram

Os Limites e o Futuro

Mais como este