INTERAKTIVE DEMONSTRATION

Radar-Pipeline erleben

Vom Rohsignal bis zur Klassifikationsstufe: Die interaktive Demonstration zeigt, wie eine FMCW-Pipeline Merkmale von Flugobjekten untersuchen kann.

Simulation – kein Ozense-Feldleistungsnachweis

Alle hier dargestellten Ziele, Entfernungen, Signalstärken und Klassifikationsergebnisse werden im Browser simuliert. Sie sind eine Lehrdemonstration der Signalverarbeitung und beschreiben weder eine gemessene noch eine zugesicherte Leistung des Ozense-Systems. Der real belegte Stand ist ein deutlich engerer: belastbares Feld-Tracking bisher eher 14–20 m, zulässiger Output possible moving drone candidate oder Unknown. Den tatsächlichen Entwicklungsstand finden Sie unter Validierung.

SIG
▶
FFT
▶
CFAR
▶
TRK
▶
AI
MISSION CONTROL
Radar-Processing-Pipeline: Signal → Detektion → Tracking → KI
Szenario
Wähle eine Situation, die das Radar simuliert
CFAR-Schwellwert
12
Höher = weniger Fehlalarme, aber schwache Ziele gehen verloren
Noise Floor
20%
Simuliert Umgebungsstörungen — mehr Rauschen erschwert die Erkennung
Sim-Speed
1.0x
Beschleunigt oder verlangsamt die gesamte Simulation
Targets
Szenario starten…
Log
> System bereit.
> Warte auf Szenario…
PPI SCOPE FMCW  Resolution

PPI-Radaransicht

Radaransicht von oben — wie beim Flughafen-Radar. Der Sweep dreht sich und zeigt erkannte Ziele als leuchtende Punkte. Die Ringe markieren die Entfernung in Metern, die gestrichelten Kästchen den Kalman-Tracking-Bereich jedes Ziels.

RANGE-DOPPLER MAP Resolution  CRT

Range-Doppler-Karte

Diese Heatmap zeigt gleichzeitig Entfernung (vertikal) und Geschwindigkeit (horizontal) aller Ziele. Helle Bereiche bedeuten starke Radarechos. Die gestrichelte Linie zeigt den CFAR-Schwellwert — alles darüber wird als potenzielles Ziel erkannt.

MICRO-DOPPLER μ-Doppler  RCS

Micro-Doppler-Spektrogramm

Das Bewegungsmuster des ausgewählten Ziels über die Zeit. Drohnen-Rotoren erzeugen periodische Streifen, Vogelflügel unregelmäßige Muster und der menschliche Gang einen charakteristischen Rhythmus. Genau diese Unterschiede nutzt die KI zur Klassifikation.

KI-Klassifikation  CRNN  Bayes
UAV
0%
BIRD
0%
PERSON
0%
VEHICLE
0%
CLUTTER
0%
Ergebnis
—
CRNN-Netz Bayes μ-Doppler Kalman CFAR

KI-Klassifikation

Ein neuronales Netz (CRNN) bewertet die Micro-Doppler-Signatur des Ziels und vergibt Wahrscheinlichkeiten für jede Kategorie. Mit mehr Beobachtungszeit wird die Klassifikation sicherer — bis ein eindeutiges Ergebnis feststeht.