Passive Mehrzielpositionsbestimmung mit Signalklassifikation und MIMO-Radar

Warum es wichtig ist, versteckte Funkquellen zu finden

Moderne militärische und sicherheitsrelevante Einsätze beruhen stark darauf, zu wissen, wer Funksignale aussendet, wo sich diese befinden und was sie tun — und das alles, ohne die eigene Position preiszugeben. Klassische Radarverfahren senden Impulse aus und lauschen auf Echos, was jedoch die Radarposition verraten kann. Passives Radar macht das Gegenteil: Es lauscht unauffällig auf Signale, die die Ziele bereits selbst aussenden. Diese Arbeit untersucht eine neue Methode, mit der zwei kooperierende Flugzeuge gemeinsam mehrere funkende Ziele gleichzeitig genauer und mit weniger Fehlzuordnungen lokalisieren können, selbst wenn die Signale schwach sind und sich überlagern.

Lauschen statt schreien

Anstatt Energie in den Himmel zu senden, hören passive Systeme einfach die Radiosignale, die Schiffe, Fahrzeuge oder Kommunikationsgeräte ohnehin aussenden. Jedes Flugzeug trägt eine ringförmige Antenne, die die Ankunftsrichtung eines Signals ermitteln kann — ähnlich wie unsere zwei Ohren uns helfen, eine Tonquelle zu orten. Durch den Vergleich der Winkelangaben beider Flugzeuge kann das System die Position jeder Quelle am Boden triangulieren. Die Herausforderung besteht darin, dass es in realen Einsatzgebieten oft viele Sender gleichzeitig gibt und deren Peillinien — gedachte Linien, die von jedem Flugzeug zu einer Quelle weisen — sich kreuzen und überlappen. Konventionelle Verfahren schätzen die Winkel auf jedem Flugzeug separat und versuchen dann, Linien von Flugzeug A mit denen von Flugzeug B zuzuordnen; dieser Matching-Schritt kann leicht misslingen und zu falsch platzierten Zielen führen.

Beide Flugzeuge als ein gemeinsames Denkorgan

Die Autorinnen und Autoren schlagen vor, die beiden lauschenden Flugzeuge als einen einzigen, größeren virtuellen Sensor zu behandeln. Statt ihre Messungen getrennt zu verarbeiten, bündeln sie die Rohdaten in einem mathematischen Objekt, der Kovarianzmatrix. Aus dieser gemeinsamen Sicht wenden sie die bekannte Richtungsbestimmungsmethode MUSIC an, die wie ein hochselektives Richtmikrofon mehrere Quellen gleichzeitig unterscheiden kann. In diesem Aufbau sucht das Verfahren direkt in einem gemeinsamen „Spektrum“ nach Winkelpaaren, die derselben Quelle entsprechen, wie sie von beiden Flugzeugen gesehen wird. Weil das Zusammenführen der Winkel bereits in die Suche eingebaut ist, vermeidet die Methode weitgehend den anfälligen nachträglichen Zuordnungsschritt, der ältere Ansätze belastet.

Die Mathematik handhabbar machen

Die Arbeit mit zwei Flugzeugen und vielen Zielen wird schnell rechenintensiv, weil der Algorithmus Kombinationen aus Horizontal- und Vertikalwinkeln für beide Plattformen durchsuchen muss. Eine vollständige Suche über vier Winkeldimensionen wäre unpraktisch langsam. Um das Problem beherrschbar zu machen, führen die Autorinnen und Autoren eine schrittweise Strategie zur „Dimensionsreduktion“ ein. Zunächst nutzen sie aus, dass weit entfernte Bodenziele geringe Elevationswinkel haben; deshalb fixieren sie anfangs die Vertikalwinkel und durchmustern nur die Horizontalwinkel, um grobe Richtungen zu gewinnen. Danach verfeinern sie die Vertikalwinkel in einer engeren Suche und schließlich polieren sie beide Winkelsätze mit einem feinen Raster. In jeder Phase projizieren sie die mehrdimensionale Energielandschaft auf einfache eindimensionale Kurven, wo das Erkennen von Peaks — und damit von Richtungen — deutlich einfacher und robuster gegenüber Störungen ist.

Prüfung der Methode in virtuellen Himmeln

Zur Leistungsbewertung simulieren die Forschenden zwei Flugzeuge, die mehrere Bodenziele in einer verrauschten Umgebung beobachten. Sie vergleichen ihren gemeinsamen Dual-Flugzeug-MUSIC-Ansatz mit mehreren klassischen Richtungsbestimmungsverfahren und modernen passiven Lokalisierungsschemata, wobei für Fairness der finale Positionslöser unverändert bleibt. Die neue Methode ist besonders stark bei der Schätzung der Horizontalwinkel und beim korrekten Trennen und Zuordnen mehrerer Ziele. Sie behält gute Genauigkeit selbst bei mäßigem Signal‑zu‑Rausch‑Verhältnis und wenn nur wenige Snapshots — kurze Datenaufnahmen — verfügbar sind, Bedingungen, unter denen Standardkriterien zum Zählen und Trennen von Quellen oft versagen. Zwar bleiben Höhenabschätzungen anfälliger für Fehler, besonders weil die Antennen in einer flachen Ebene liegen, doch sind die horizontalen Positionsfehler in den getesteten Szenarien typischerweise deutlich unter einem Kilometer.

Was das in der Praxis bedeutet

Für Nicht‑Spezialisten ist das wichtigste Ergebnis: Wenn zwei lauschende Flugzeuge ihre Daten gemeinsam auf die richtige Weise verarbeiten, können sie mehrere unabhängige Funkquellen am Boden zuverlässiger orten, als wenn jedes Flugzeug allein arbeitet und die Ergebnisse anschließend abgleichen muss. Die vorgeschlagene Technik integriert Quellenzählung, Signaltrennung und plattformübergreifende Zuordnung in ein einheitliches Rahmenwerk und nutzt zugleich mathematische Abkürzungen, um den Rechenaufwand in realistischen Grenzen zu halten. Einfach ausgedrückt hilft die Methode passiven Radarsystemen dabei, mit größerer Zuversicht und weniger Verwechslungen zu sagen: „Diese Signale stammen von jener bestimmten Fahrzeuggruppe dort drüben“ — eine Fähigkeit, die für Überwachung, elektronische Kriegsführung und Lagebildgebung ohne Preisgabe der eigenen Position zunehmend wertvoll ist.

Zitation: Wang, H., Liu, X. & Lei, Z. Multi-target passive positioning with signal classification and MIMO radar. Sci Rep 16, 7777 (2026). https://doi.org/10.1038/s41598-026-36881-9

Schlüsselwörter: passives Radar, Mehrziel-Lokalisierung, Einfallswinkel, Dual-Flugzeug-Sensorik, Signalverarbeitung