Análisis de rango de radar: intervalos de confianza de Montecarlo

Por qué las estimaciones del rango de detección de un solo punto lo traicionarán

Todos los libros de texto sobre radares te proporcionan la ecuación de rango. Conecta la potencia de transmisión, la ganancia de la antena, la cifra de ruido, apunta al RCS, gira la manivela y sale un número. Los ingenieros toman esa cifra, elaboran los presupuestos de todo el sistema en torno a ella, asignan el margen en función de ella y, después, se sorprenden cuando el radar fabricado no da en el clavo.

Este es el problema: la ecuación del rango es determinista, pero no hay nada en el mundo real que coopere con eso. El RCS objetivo no se queda quieto; fluctúa enormemente según el ángulo de orientación y los mecanismos de dispersión. ¿Cifra de ruido del receptor? Eso varía de una unidad a otra que sale de la línea de producción. La potencia de transmisión puede situarse en el mínimo de especificaciones en una mañana fría y subir al máximo cuando el radar ha estado funcionando en una estantería caliente durante toda la tarde. La atenuación de la lluvia depende de lo que realmente caiga del cielo en este momento, no del promedio anual que obtengas de una base de datos meteorológicos.

Una estimación de un solo punto oculta toda esta incertidumbre. Te da una falsa confianza. Lo que realmente necesita es una distribución de probabilidad: un rango de resultados con probabilidades asociadas. Ahí es donde entra en juego la simulación de Montecarlo.

En este artículo se muestra un ejemplo práctico en el que se utiliza el simulador de detección de radar de Monte Carlo para analizar un radar pulsado en banda X. Le mostraremos cómo las bandas de confianza de Montecarlo le brindan la información que realmente necesita para tomar decisiones de diseño defendibles, no solo bonitas diapositivas de PowerPoint.

El diseño de referencia

Estamos ante un radar terrestre de banda X de 10 GHz. Nada exótico: una configuración bastante estándar que podría encontrarse en un pequeño sistema de vigilancia o en una aplicación de detección de vehículos aéreos no tripulados. Estos son los parámetros:

El objetivo que estamos rastreando es un UAV pequeño o quizás un ave grande (1 m² significa RCS) con características de fluctuación lenta. Lo hemos modelado como Swerling I, lo que significa que el RCS permanece prácticamente constante en todos los pulsos de una sola pausa, pero cambia de un escaneo a otro. Esto es realista para los objetivos en los que el ángulo de orientación no cambia mucho durante el tiempo de integración.

La tasa de falsas alarmas se establece en 10-1, lo que es bastante normal en los radares de búsqueda. Si lo aprietas más, pasarás todo el tiempo persiguiendo fantasmas; si lo haces más holgado, la consola del operador se ilumina como un árbol de Navidad.

Configuración del análisis nominal

Introduzca estos valores en la herramienta Monte Carlo de detección por radar. La calculadora muestra inmediatamente algunos números clave:

• R= 45,2 km: este es tu rango de detección nominal del 50%, la distancia en la que tienes probabilidades iguales de detectar el objetivo
• R= 28,4 km: el rango de detección del 90%, un número mucho más conservador que te da mucha confianza
• Ganancia de integración = 6,3×: a partir de la aproximación n^0,8 con 10 pulsos no coherentes

La gráfica SNR en función del rango muestra que la SNR posterior a la integración supera el umbral de detección (unos 12,4 dB por encima del nivel mínimo de ruido de Pfa = 10-1 con 10 pulsos integrados) en torno a 45 km. Esto coincide con lo que se obtendría de la ecuación de rango clásica, que es tranquilizadora: al menos el caso nominal tiene sentido.

Pero esto es lo interesante: la brecha entre Ry Res enorme. Pierdes casi 17 km al pasar del 50% de confianza al 90% de confianza. Ese diferencial indica algo importante sobre la incertidumbre de este sistema, impulsada principalmente por el modelo de fluctuación del Swerling I RCS.

# Comparación del modelo Swerling

Ahora intenta algo: cambia el modelo de Swerling de I a 0 (objetivo no fluctuante) y vuelve a ejecutar la simulación. El Rse desplaza a 50,1 km, lo que supone un aumento del 10%. A primera vista, esto parece al revés. ¿No debería ser más difícil detectar un objetivo fluctuante?

La respuesta depende completamente de la probabilidad de detección que le interese. Con una Pd muy alta (superior a 0,9), los objetivos que no fluctúan son sin duda más fáciles de detectar porque el RCS nunca cae a un valor catastróficamente bajo. Se le garantiza un rendimiento mínimo determinado. Sin embargo, con un Pd moderado, de alrededor del 50%, los objetivos fluctuantes (Swerling I) pueden lograr un rendimiento similar o incluso ligeramente mejor. ¿Por qué? Porque, de vez en cuando, el RCS alcanza picos muy por encima de su valor medio, y los afortunados que obtienen un RCS alto aumentan el rango medio de detección. La famosa «pérdida vertiginosa» (la penalización que se paga por la fluctuación del RCS) en realidad solo aparece cuando se exigen probabilidades de detección altas.

Ahora opta por el Swerling II (fluctuación rápida, en el que el RCS cambia de pulso a pulso, pero sigue una distribución cuadrática con 2 grados de libertad). Con la misma media del RCS, se obtiene un R= 43,8 km, ligeramente más corto que el Swerling I con un 50% de Pd. De hecho, la rápida fluctuación ayuda un poco a la hora de integrar muchos pulsos, porque estadísticamente se garantiza que algunos de esos pulsos alcanzarán un estado de RCS alto. Es un efecto sutil, pero está ahí.

Impacto de atenuación de la lluvia

Bien, ahora añadamos el clima a la mezcla. Establece la velocidad de lluvia en 25 mm/h, es decir, lluvia tropical intensa, del tipo que hace que te detengas en la carretera. Vuelva a ejecutar la simulación con Swerling I.

La herramienta aplica la atenuación bidireccional ITU-R P.838. A 10 GHz, el modelo ofrece:

• k = 0,0101, α = 1,276 (coeficientes dependientes de la frecuencia)
• Atenuación específica: γ = 0,0101 × 25^1,276 ≈ 0,57 dB/km en un solo sentido
• Trayectoria bidireccional: 1,14 dB/km

Con un rango de detección nominal de 45 km, se trata de una pérdida de lluvia bidireccional de 51,3 dB. Eso es catastrófico. El R cae a 12,3 km. Tu alcance de detección acaba de reducirse en más de un factor de tres. El sistema ahora está completamente limitado por la lluvia, no por el hardware.

Esta es una lección brutal que los diseñadores de radares de banda X aprenden pronto: puedes tener toda la potencia de transmisión y ganancia de antena del mundo, pero las fuertes lluvias seguirán arruinando tu rendimiento. Precisamente por eso, los radares meteorológicos que funcionan en la banda X tienen un margen considerable con respecto a su rango de detección en cielo despejado. El diseñador necesita saber cuál es el valor del Ren condiciones meteorológicas realistas, y no solo el número de días soleados que se ve bien en la propuesta.

En la práctica, es probable que prefiera operar a una frecuencia más baja (banda S o banda L) si necesita un rendimiento en cualquier clima, o aceptar que su sistema de banda X tendrá un rango reducido en caso de precipitación. No hay comida gratis.

Las Confidence Bands de Montecarlo

Reduzca el índice de lluvia a cero y eche un vistazo más de cerca a las bandas de confianza de Montecarlo para el Swerling I. Aquí es donde las cosas se ponen interesantes desde el punto de vista del diseño:

• Banda p95 (en el mejor de los casos) : R= 52,1 km, un 15% mejor que la nominal
• banda p50 (mediana) : R= 45,2 km: coincide con la predicción nominal, tal y como se esperaba
• banda p5 (en el peor de los casos) : R= 38,7 km, un 14% peor que la nominal

La asimetría aquí es bastante pequeña porque las variaciones de parámetros que hemos permitido (±0,5 dB en la cifra de ruido, ±0,3 dB en la potencia de transmisión) son modestas en comparación con la fluctuación del RCS del Swerling I, que domina la dispersión estadística. Si se aumentaran aún más las tolerancias del hardware, no se obtendría mucho; la fluctuación del RCS seguiría siendo el factor limitante.

Esta es la información clave para la fabricación y las pruebas: el requisito debe escribirse en función de la curva p5. El radar debe alcanzar una distancia máxima de ≥ 38,7 km en todas las unidades fabricadas, incluida la peor combinación posible de tolerancias entre componentes. Si comparas las especificaciones con el número nominal de 45,2 km, aproximadamente la mitad de tus unidades de producción no superarán las pruebas de aceptación y pasarás meses discutiendo con el cliente si el radar «funciona» o no.

La mayoría de los ingenieros se saltan este paso y se arrepienten más adelante, cuando la primera unidad de producción regresa de las pruebas de integración y no alcanza el rango previsto. El análisis de Montecarlo le indica por adelantado qué margen debe asignar.

Interpretación de la curva ROC

La curva ROC (característica operativa del receptor) muestra la probabilidad de detección comparándola con la de —log( Pfa) en el rango de R. En el punto de operación, elegimos (Pfa = 10-5.8, que es —log= 6 en el eje horizontal):

• Pd ≈ 0,50: por construcción, ya que elegimos específicamente el rango de detección del 50%

Pero mira lo que pasa cuando cambias la frecuencia de falsas alarmas. Si ajustas el valor de Pfa a 10-1 (—log= 8), la probabilidad de detección se reduce a 0,31. Has hecho que el detector sea tan conservador que no alcanza objetivos más de dos tercios de las veces en este rango. Por el contrario, si relajas el Pfa hasta 10-1 (—log= 4), el Pd sube a 0,72. Este es el clásico equilibrio entre detección y falsa alarma que los procesadores CFAR (tasa constante de falsas alarmas) utilizan constantemente en los sistemas operativos reales.

En la práctica, probablemente implementaría un umbral adaptativo que se ajustara en función del entorno de ruido local. Sin embargo, la curva ROC te muestra el espacio de compensación fundamental en el que estás trabajando. No existe ningún algoritmo mágico que ofrezca falsas alarmas bajas y una alta probabilidad de detección sin una SNR suficiente; la física no lo permitirá.

# Conclusiones clave para el diseño

Algunas cosas que debes dejar de lado:

Utilice siempre la curva p5 para la asignación del margen. El rango nominal de detección es una estimación optimista de un solo punto que solo el 50% de los escenarios operativos cumplirán o superarán. Si vas a escribir una especificación del sistema o un requisito contractual, basalo en el percentil p5 o p10, no en la mediana. Tu yo futuro (y tu ingeniero de pruebas) te lo agradecerán. La lluvia domina en la banda X. En entornos húmedos, el límite más importante es el rango de detección atenuado por la lluvia, no el rendimiento del hardware a cielo despejado. Si está diseñando un sistema que necesita funcionar en entornos tropicales o marítimos, cambie a una frecuencia más baja o acepte un rango de precipitación significativamente reducido. No puedes luchar contra los modelos de atenuación de la UIT-R. El modelo Swerling es ideal cuando los requisitos de Pd son altos. Con un Pd = 0.9, cambiar del Swerling 0 (sin fluctuación) al Swerling I cuesta entre 6 y 8 dB de SNR, lo que se conoce como pérdida Swerling. Esto se traduce en una reducción de aproximadamente el doble del rango de detección con una Pd del 90%. Si su cliente exige altas probabilidades de detección contra objetivos fluctuantes, el rendimiento del rango se verá afectado considerablemente en comparación con el caso de que no fluctúe. Vale la pena integrar los pulsos. Diez pulsos no coherentes proporcionan una ganancia SNR de 6,3 veces mayor, lo que equivale a aumentar la potencia máxima en 8 dB o la ganancia de la antena en 4 dBi. Se trata de un rendimiento prácticamente gratuito: basta con recopilar más muestras y promediarlas. La ganancia de integración sigue aproximadamente una ley de n^0.8 para la integración no coherente (frente al n^1.0 ideal que se obtendría con una integración coherente perfecta). Incluso con una penalización no coherente, es una gran victoria.

El enfoque de Montecarlo te obliga a pensar de forma probabilística sobre el rendimiento del radar, que es lo que deberías haber estado pensando desde el principio. Las ecuaciones de rango deterministas son útiles para realizar estimaciones exageradas, pero ocultan la incertidumbre que se generará durante la prueba del sistema. Ejecute la simulación de Montecarlo al principio de la fase de diseño, comprenda sus intervalos de confianza y asigne el margen en consecuencia. Es posible que a su director de programas no le gusten las cifras más conservadoras, pero al menos no tendrá problemas para explicar por qué el radar no cumple con las especificaciones cuando aparezca en el campo de pruebas.