Loading article…
自動目標認識（ATR ）とは、センサーから取得したデータに基づいて、アルゴリズムまたはデバイスが目標物やその他の物体を認識する能力のことです。
目標認識は当初、受信信号の可聴表現を用いて行われ、訓練を受けたオペレーターがその音を解読してレーダーで照射された目標を分類していました。こうした訓練を受けたオペレーターは一定の成果を上げていましたが、より正確かつ高速な分類を可能にする自動化された手法が開発され、現在も開発が続けられています。ATRは、地上車両や航空機などの人工物だけでなく、動物、人間、植物などの生物学的目標の識別にも使用できます。これは、戦場での物体認識から、ドップラー気象レーダーで鳥の大群による干渉を除去することまで、あらゆる場面で役立ちます。
軍事用途としては、IFFトランスポンダーのような単純な識別システムなどが考えられ、無人航空機や巡航ミサイルなどの用途にも使用されています。また、国内用途におけるATRの利用にもますます関心が寄せられています。国境警備、地下鉄の線路上の物体や人物を識別する安全システム、自動運転車など、さまざまな分野でATRの利用に関する研究が行われています。
目標認識はレーダーとほぼ同じくらい古くから存在していた。レーダー操作員は、反射信号によって受信される音声表現を通して敵の爆撃機や戦闘機を識別していた（第二次世界大戦におけるレーダーを参照）。
長年にわたり、目標認識はベースバンド信号をオペレーターに聞かせることで行われてきた。訓練を受けたレーダーオペレーターは、この信号を聞くことで、照射された目標に関するさまざまな情報、例えば車両の種類、目標の大きさなどを識別でき、場合によっては生物学的目標を区別することもできる。しかし、このアプローチには多くの制約がある。オペレーターは各目標の音について訓練を受ける必要があり、目標が高速で移動している場合は聞こえなくなる可能性があり、人間の判断要素によってエラーの確率が高くなる。しかし、信号を可聴で表現するというこのアイデアは、目標の自動分類の基礎となった。開発されたいくつかの分類方式は、音声認識などの他のオーディオアプリケーションで使用されているベースバンド信号の特徴を利用している。
レーダーは、送信された信号が照射されたターゲットから戻ってくるまでの時間を計測することで、物体までの距離を決定します。この物体が静止していない場合、ドップラー効果と呼ばれる周波数シフトが発生します。物体全体の並進運動に加えて、物体が振動または回転することによって、追加の周波数シフトが発生する場合があります。この場合、ドップラーシフトされた信号は変調されます。信号の変調を引き起こすこの追加のドップラー効果は、マイクロドップラー効果として知られています。この変調には、ATR用のアルゴリズムを開発できる特定のパターンまたは特徴があります。マイクロドップラー効果は、ターゲットの動きに応じて時間とともに変化し、時間と周波数が変化する信号を引き起こします。[ 1 ]
この信号のフーリエ変換解析は、フーリエ変換が時間変動成分を考慮できないため不十分です。周波数と時間の関数を得る最も簡単な方法は、短時間フーリエ変換（STFT）を使用することです。しかし、ガボール変換やウィグナー分布関数（WVD）などのより堅牢な方法を使用して、周波数領域と時間領域を同時に表現できます。ただし、これらの方法すべてにおいて、周波数分解能と時間分解能の間にはトレードオフがあります。[ 2 ]
このスペクトル情報が抽出されると、システムが識別するターゲットに関する情報を含む既存のデータベースと比較され、照射されたターゲットが何であるかを判断できます。これは、受信信号をモデル化し、最尤推定法（ML）、多数決法（MV）、最大事後確率推定法（MAP）などの統計的推定手法を用いて、ライブラリ内のどのターゲットが受信信号を使用して構築されたモデルに最も適合するかを決定することによって行われます。
音声認識で使用される音声特徴量を利用して、これらの音声に着想を得た係数に基づいてターゲットを識別する自動ターゲット認識システムを構築する研究が行われています。これらの係数には、
ベースバンド信号を処理してこれらの係数を取得し、次に統計的手法を用いて、データベース内のどのターゲットが取得した係数に最も類似しているかを決定します。使用する特徴量と決定方式の選択は、システムとアプリケーションによって異なります。
ターゲットを分類するために使用される特徴は、音声に着想を得た係数に限定されません。ATRを実現するためには、幅広い特徴と検出アルゴリズムを使用できます。
ターゲットの検出を自動化するためには、トレーニングデータベースを作成する必要があります。これは通常、ターゲットが既知の場合に収集された実験データを使用して行われ、その後、ATRアルゴリズムで使用するために保存されます。
検出アルゴリズムの例をフローチャートに示します。この方法は、M個のデータブロックを使用し、各ブロックから目的の特徴（LPC係数、MFCCなど）を抽出し、ガウス混合モデル（GMM）を使用してモデル化します。収集したデータを使用してモデルを取得した後、トレーニングデータベースに含まれる各ターゲットの条件付き確率が形成されます。この例では、M個のデータブロックがあります。これにより、データベース内の各ターゲットに対してM個の確率のコレクションが得られます。これらの確率は、最尤決定を使用してターゲットが何であるかを判断するために使用されます。この方法は、車両の種類（たとえば、車輪付き車両と履帯式車両）を区別できることが示されており、最大3人までの人数を高い成功確率で判断することもできます。[ 3 ]
CNNベースのターゲット認識
畳み込みニューラルネットワーク（CNN）に基づくターゲット認識は、従来の方法よりも優れた性能を発揮します。[ 4 ] [ 5 ] CNNは、合成画像で学習させた後、実際のシーンの赤外線画像でターゲット（例えば戦車）を認識するのに有効であることが証明されています。これは、これらのターゲットの実際の画像が少ないためです。合成画像の精度は、作戦任務条件下でのターゲット認識にとって重要です。
2025年、インド陸軍は、センサーとアルゴリズムを使用してレーダー上のターゲットを自動的に検出および分類するAI搭載の自動ターゲット分類システムの特許を取得しました。これは、画像やレーダー信号などのリアルタイムデータを、記録された情報のデータベースと迅速かつ正確に比較します。ミサイル誘導を含む使い捨ての目的に使用できます。[ 6 ] [ 7 ]