Posicionamento passivo multi-alvo com classificação de sinais e radar MIMO

Por que localizar rádios ocultos é importante

Operações militares e de segurança modernas dependem fortemente de identificar quem está transmitindo sinais de rádio, onde estão e o que estão fazendo — tudo isso sem revelar a própria posição. O radar tradicional emite pulsos e escuta os ecos, o que pode denunciar a localização do radar. O radar passivo faz o oposto: ouve silenciosamente os sinais que os alvos já emitem. Este artigo explora uma nova forma de duas aeronaves cooperantes trabalharem juntas para localizar simultaneamente vários alvos emissores de rádio, com maior confiabilidade e menos erros, mesmo quando os sinais são fracos e concorridos.

Ouvir em vez de gritar

Em vez de lançar energia no céu, sistemas passivos simplesmente escutam as ondas de rádio que navios, veículos ou dispositivos de comunicação já estão transmitindo. Cada aeronave carrega uma antena em anel capaz de informar de qual direção o sinal chega, de modo semelhante a como nossos dois ouvidos nos ajudam a localizar um som. Ao comparar ângulos medidos por duas aeronaves, o sistema pode triangular a posição de cada fonte no solo. O desafio é que, em campos de batalha reais, frequentemente há muitos emissores ao mesmo tempo, e suas linhas de rumo — linhas imaginárias apontando de cada aeronave em direção a uma fonte — podem se cruzar e sobrepor. Métodos convencionais estimam os ângulos separadamente em cada aeronave e depois tentam casar quais linhas da aeronave A pertencem às linhas da aeronave B, um passo que facilmente pode falhar e levar a alvos mal posicionados.

Fazer com que ambas as aeronaves pensem como uma só

Os autores propõem tratar as duas aeronaves ouvintes como um único sensor virtual maior. Em vez de processar suas medições de forma independente, eles combinam os dados brutos em um único objeto matemático chamado matriz de covariância. A partir dessa visão conjunta aplicam uma técnica conhecida de determinação de direção, MUSIC, que funciona como um microfone direcional altamente seletivo capaz de distinguir várias fontes ao mesmo tempo. Nesse arranjo, o método busca diretamente, em uma única imagem "espectral" compartilhada, pares de ângulos que correspondem ao mesmo alvo visto pelas duas aeronaves. Como o pareamento está incorporado à própria busca, o método evita em grande parte a etapa frágil de correspondência posterior que afeta abordagens mais antigas.

Reduzindo a matemática ao essencial

Trabalhar com duas aeronaves e muitos alvos rapidamente se torna computacionalmente pesado, porque o algoritmo precisa vasculhar combinações de ângulos azimutais e de elevação para ambas as plataformas. Uma busca exaustiva por quatro dimensões de ângulo seria impraticavelmente lenta. Para tornar o problema manejável, os autores introduzem uma estratégia em etapas de "redução de dimensionalidade". Primeiro, eles exploram o fato de que alvos terrestres distantes apresentam ângulos de elevação pequenos, então inicialmente fixam os ângulos verticais e varrem apenas os horizontais para obter direções aproximadas. Em seguida refinam os ângulos verticais em uma busca mais restrita, e finalmente ajustam ambos os conjuntos de ângulos com uma grade fina. Em cada estágio, projetam o mapa de energia multidimensional em curvas unidimensionais simples, onde identificar picos — e assim direções — é muito mais fácil e robusto na presença de ruído.

Testando o método em céus virtuais

Para avaliar o desempenho, os pesquisadores simulam duas aeronaves observando múltiplos alvos terrestres em um ambiente ruidoso. Eles comparam sua abordagem conjunta dual-MUSIC com vários métodos clássicos de determinação de direção e esquemas modernos de localização passiva, mantendo o solucionador final de posições o mesmo para isonomia. O novo método é particularmente forte na estimativa dos ângulos horizontais e na separação e correspondência corretas de múltiplos alvos. Mantém boa precisão mesmo quando a relação sinal-ruído é modesta e quando há apenas um número limitado de instantâneos — curtos trechos de dados — disponíveis, condições sob as quais critérios padrão para contar e separar fontes muitas vezes falham. Embora estimativas de altura permaneçam mais sujeitas a erro, especialmente porque as antenas se situam em um plano plano, os erros de posição horizontal são tipicamente bem inferiores a um quilômetro nos cenários testados.

O que isso significa na prática

Para um público não especialista, o resultado principal é que duas aeronaves ouvintes, se processarem seus dados em conjunto da maneira correta, podem localizar vários emissores de rádio independentes no solo com mais confiabilidade do que se cada aeronave trabalhasse isoladamente e depois tentasse reconciliar os resultados. A técnica proposta integra contagem de fontes, separação de sinais e correspondência entre plataformas em uma estrutura unificada, ao mesmo tempo em que usa atalhos matemáticos para manter o custo computacional dentro de limites realistas. Em termos simples, o método ajuda sistemas de radar passivo a afirmar, com maior confiança e menos confusões, “estes sinais vêm daquele conjunto de veículos ali” — uma capacidade cada vez mais valiosa para vigilância, guerra eletrônica e consciência situacional sem revelar a própria posição.

Citação: 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

Palavras-chave: radar passivo, localização multi-alvo, ângulo de chegada, sensoriamento por duas aeronaves, processamento de sinais