Analyse de la portée radar : intervalles de confiance de Monte Carlo

Pourquoi les estimations de portée de détection à point unique vous trahiront

Chaque manuel de radar vous donne l'équation de distance. Vous branchez la puissance d'émission, le gain d'antenne, le facteur de bruit, le RCS cible, vous tournez la manivelle et vous faites apparaître un chiffre. Les ingénieurs prennent ce chiffre, élaborent des budgets complets du système en fonction de celui-ci, allouent une marge en fonction de celui-ci, puis sont surpris lorsque le radar fabriqué n'atteint pas tout à fait la cible.

Voici le problème : l'équation de plage est déterministe, mais rien dans le monde réel ne coopère avec cela. Le RCS cible ne reste pas immobile ; il fluctue énormément en fonction de l'angle d'aspect et des mécanismes de diffusion. Chiffre de bruit du récepteur ? Cela varie d'une unité à l'autre en sortant de la chaîne de production. Votre puissance d'émission peut se situer au minimum par une matinée froide et atteindre le maximum lorsque le radar a fonctionné dans un rack d'équipement chaud tout l'après-midi. L'atténuation de la pluie dépend de ce qui tombe réellement du ciel en ce moment, et non de la moyenne annuelle que vous avez tirée d'une base de données météorologiques.

Une estimation en un seul point dissipe toute cette incertitude. Cela vous donne une fausse confiance. Ce dont vous avez réellement besoin, c'est d'une distribution de probabilité, c'est-à-dire d'une gamme de résultats associés à des probabilités. C'est là qu'intervient la simulation de Monte-Carlo.

Cet article présente un exemple concret utilisant le simulateur Radar Detection Monte Carlo pour analyser un radar pulsé en bande X. Nous montrerons comment les bandes de confiance de Monte-Carlo vous fournissent les informations dont vous avez réellement besoin pour prendre des décisions de conception défendables, et pas seulement de jolies diapositives PowerPoint.

Le design de référence

Nous étudions un radar au sol en bande X de 10 GHz. Rien d'exotique : une configuration assez standard que vous pourriez trouver dans un petit système de surveillance ou une application de détection de drones. Voici les paramètres :

La cible que nous suivons est un petit drone ou peut-être un gros oiseau : un RCS moyen de 1 m² avec des caractéristiques de fluctuation lente. Nous l'avons modélisé sous le nom de Swerling I, ce qui signifie que le RCS reste à peu près constant sur toutes les impulsions d'un seul passage, mais change de balayage en scan. Cela est réaliste pour les cibles dont l'angle d'aspect ne change pas beaucoup pendant la durée d'intégration.

Le taux de fausses alertes est réglé à 10, ce qui est assez standard pour les radars de recherche. Plus serré que cela, vous passez tout votre temps à chasser des fantômes ; si vous le relâchez, votre console de commande s'illumine comme un sapin de Noël.

Configuration de l'analyse nominale

Entrez ces valeurs dans l' outil Radar Detection Monte Carlo. La calculatrice recrache immédiatement quelques chiffres clés :

• R = 45,2 km : il s'agit de votre plage de détection nominale de 50 %, la distance à laquelle vous avez des chances égales de détecter la cible
• R = 28,4 km — la plage de détection de 90 %, une valeur beaucoup plus prudente qui vous donne une grande confiance
• Gain d'intégration = 6,3× — à partir de l'approximation n^0,8 avec 10 impulsions non cohérentes

Le diagramme SNR en fonction de la portée montre que le SNR post-intégration franchit le seuil de détection (environ 12,4 dB au-dessus du plancher de bruit pour Pfa = 10) avec 10 impulsions intégrées) à environ 45 km. Cela correspond à ce que vous obtiendriez de l'équation de plage classique, ce qui est rassurant : au moins, le cas nominal est logique.

Mais voici ce qui est intéressant : l'écart entre R et R est énorme. Vous perdez près de 17 km en passant de 50 % à 90 % de confiance. Cet écart vous en dit long sur l'incertitude qui règne dans ce système, principalement due au modèle de fluctuation Swerling I RCS.

# Comparaison des modèles Swerling

Maintenant, essayez quelque chose : modifiez le modèle Swerling de I à 0 (cible non fluctuante) et relancez la simulation. La distance entre la ligne R et la distance passe à 50,1 km, soit une augmentation de 10 %. À première vue, cela semble aller à l'encontre de la réalité. Une cible fluctuante ne devrait-elle pas être plus difficile à détecter ?

La réponse dépend entièrement de la probabilité de détection qui vous intéresse. À un Pd très élevé (supérieur à 0,9), les cibles non fluctuantes sont nettement plus faciles à détecter car le RCS ne descend jamais à une valeur catastrophiquement basse. Vous avez la garantie d'un certain rendement minimum. Mais à un Pd modéré autour de 50 %, des cibles fluctuantes (Swerling I) peuvent en fait atteindre des performances similaires, voire légèrement meilleures. Pourquoi ? Parce que parfois, le RCS dépasse largement sa valeur moyenne, et ces réalisations chanceuses à un RCS élevé font grimper la plage de détection médiane. La fameuse « perte Swerling », la pénalité que vous payez en cas de fluctuation du RCS, n'apparaît réellement que lorsque vous exigez des probabilités de détection élevées.

Passez maintenant à Swerling II (fluctuation rapide, où le RCS change d'impulsion en impulsion, tout en suivant une distribution du chi carré avec 2 degrés de liberté). Avec le même RCS moyen, vous obtenez R5 = 43,8 km, soit légèrement plus court que Swerling I à 50 % Pd. La fluctuation rapide est en fait un peu utile lorsque vous intégrez de nombreuses impulsions, car statistiquement, certaines de ces impulsions sont garanties pour atteindre un état RCS élevé. C'est un effet subtil, mais il est là.

Impact de l'atténuation de la pluie

D'accord, ajoutons maintenant la météo au mélange. Réglez le taux de pluie à 25 mm/h. Il s'agit de fortes pluies tropicales qui vous obligent à vous arrêter sur l'autoroute. Relancez la simulation avec Swerling I.

L'outil applique une atténuation bidirectionnelle ITU-R P.838. À 10 GHz, le modèle donne :

• k = 0,0101, α = 1,276 (coefficients dépendant de la fréquence)
• Atténuation spécifique : γ = 0,0101 × 25^1,276 ≈ 0,57 dB/km unidirectionnel
• Trajectoire bidirectionnelle : 1,14 dB/km

À la plage de détection nominale de 45 km, vous obtenez une perte de pluie bidirectionnelle de 51,3 dB. C'est catastrophique. La distance entre la ligne R et la distance passe à 12,3 km. Votre plage de détection vient d'être réduite de plus de trois fois. Le système est désormais totalement limité par la pluie, et non par le matériel.

C'est une leçon brutale que les concepteurs de radars en bande X apprennent très tôt : vous pouvez avoir toute la puissance d'émission et le gain d'antenne du monde, mais de fortes pluies peuvent tout de même ruiner vos performances. C'est précisément pour cette raison que les radars météorologiques fonctionnant en bande X présentent une marge significative par rapport à leur plage de détection dans un ciel clair. Le concepteur a besoin de connaître le nombre de jours ensoleillés dans des conditions météorologiques réalistes, et pas seulement le nombre de jours ensoleillés qui apparaît bien dans la proposition.

Dans la pratique, vous devriez probablement fonctionner à une fréquence plus basse (bande S ou bande L) si vous avez besoin de performances par tous les temps, ou accepter que votre système en bande X ait une plage de précipitations dégradée. Il n'y a pas de déjeuner gratuit.

Les bandes de confiance de Monte-Carlo

Remettez le taux de pluie à zéro et examinez de plus près les bandes de confiance de Monte Carlo pour Swerling I. C'est là que les choses deviennent intéressantes du point de vue du design :

• Bande p95 (dans le meilleur des cas) : R = 52,1 km, soit 15 % de mieux que la valeur nominale
• bande p50 (médiane) : R5 = 45,2 km — correspond à la prévision nominale, comme prévu
• bande p5 (pire des cas) : R = 38,7 km, soit 14 % de moins que la valeur nominale

L'asymétrie est ici assez faible car les variations de paramètres que nous avons autorisées (± 0,5 dB sur le facteur de bruit, ± 0,3 dB sur la puissance d'émission) sont modestes par rapport à la fluctuation Swerling I RCS, qui domine l'écart statistique. Si vous resserriez encore les tolérances matérielles, vous n'y gagneriez pas grand-chose : la fluctuation du RCS resterait le facteur limitant.

Voici les principales informations pour la fabrication et les tests : l'exigence doit être écrite en fonction de la courbe p5. Votre radar doit atteindre une valeur de R ≥ 38,7 km sur toutes les unités fabriquées, y compris dans la pire des combinaisons de tolérances des composants. Si vous rédigez les spécifications en fonction du nombre nominal de 45,2 km, environ la moitié de vos unités de production échoueront aux tests de réception, et vous passerez des mois à discuter avec le client pour savoir si le radar « fonctionne » ou non.

La plupart des ingénieurs sautent cette étape et le regrettent plus tard lorsque la première unité de production revient des tests d'intégration et n'atteint pas tout à fait la plage prévue. L'analyse de Monte Carlo vous indique dès le départ la marge que vous devez allouer.

Interprétation de la courbe ROC

La courbe ROC (Receiver Operating Characteristic) montre la probabilité de détection par rapport à —log( Pfa) dans la plage R. Au point de fonctionnement, nous avons choisi (Pfa = 10, ce qui correspond à —log = 6 sur l'axe horizontal) :

• Pd ≈ 0,50 — par construction, puisque nous avons spécifiquement choisi la plage de détection de 50 %

Mais regardez ce qui se passe lorsque vous faites varier le taux de fausses alertes. Si vous réduisez la valeur de Pfa à 10, la probabilité de détection chute à 0,31. Vous avez rendu le détecteur si conservateur qu'il rate des cibles plus des deux tiers du temps à cette distance. À l'inverse, si vous relâchez Pfa jusqu'à 10 (—log10 = 4), Pd grimpe à 0,72. Il s'agit du compromis classique entre détection et fausse alarme que les processeurs CFAR (Constant False Alarm Rate) utilisent en permanence dans les systèmes opérationnels réels.

En pratique, vous implémenteriez probablement un seuil adaptatif qui s'ajuste en fonction de l'environnement sonore local. Mais la courbe ROC vous montre l'espace de compromis fondamental dans lequel vous travaillez. Aucun algorithme magique ne vous donne à la fois un faible taux de fausses alarmes et une probabilité de détection élevée sans un SNR suffisant. La physique ne le permet pas.

Principaux points à retenir pour le design

Voici quelques points que vous devriez repartir avec :

Utilisez toujours la courbe p5 pour l'allocation des marges. La plage de détection nominale est une estimation optimiste en un point que seuls 50 % des scénarios opérationnels atteindront ou dépasseront. Si vous rédigez une spécification de système ou une exigence contractuelle, basez-la sur le centile p5 ou p10, et non sur la médiane. Votre futur moi (et votre ingénieur de test) vous en remerciera. La pluie domine en bande X Dans les environnements humides, la plage de détection atténuée par la pluie est la contrainte de liaison, et non les performances matérielles par ciel dégagé. Si vous concevez un système qui doit fonctionner dans des environnements tropicaux ou maritimes, optez pour une fréquence plus basse ou acceptez une plage de précipitations considérablement réduite. Vous ne pouvez pas lutter contre les modèles d'atténuation de l'UIT-R. Le modèle Swerling est important lorsque les exigences en Pd sont élevées. À Pd = 0,9, le passage de Swerling 0 (non fluctuant) à Swerling I coûte environ 6 à 8 dB de SNR, ce que l'on appelle la perte Swerling. Cela se traduit par une réduction d'environ 2 fois de la plage de détection à 90 % de Pd. Si votre client exige des probabilités de détection élevées par rapport à des cibles fluctuantes, les performances de la gamme en subiront un impact significatif par rapport à un scénario non fluctuant. L'intégration des impulsions vaut la peine d'être réalisée. Dix impulsions non cohérentes fournissent un gain SNR 6,3 fois, ce qui équivaut à une augmentation de la puissance de crête de 8 dB ou du gain d'antenne de 4 dBi. Il s'agit d'une performance presque gratuite : vous collectez simplement plus d'échantillons et vous en faites la moyenne. Le gain d'intégration suit à peu près une loi n^0,8 pour une intégration non cohérente (par rapport au n^1,0 idéal que vous obtiendriez avec une intégration cohérente parfaite). Même avec le penalty incohérent, c'est une énorme victoire.

L'approche de Monte-Carlo vous oblige à réfléchir de manière probabiliste aux performances des radars, ce à quoi vous auriez dû penser depuis le début. Les équations de plage déterministes sont utiles pour les estimations de fin d'enveloppe, mais elles masquent l'incertitude qui peut vous affecter lors des tests du système. Exécutez la simulation Monte Carlo au début de la phase de conception, comprenez vos intervalles de confiance et allouez la marge en conséquence. Votre responsable de programme n'appréciera peut-être pas les chiffres les plus conservateurs, mais au moins vous ne vous efforcerez pas d'expliquer pourquoi le radar ne répond pas aux spécifications lorsqu'il apparaît sur la plage de test.