Radarressourcenmanagement (englisch Radar Resource Management, RRM) bezeichnet die Auswahl von Betriebsparametern sowie die Priorisierung, Ressourcenzuweisung und zeitliche Einplanung von Aufgaben eines Radarsystems. Es wird vor allem bei Multifunktionsradaren mit elektronisch geschwenkter Phased-Array-Antenne eingesetzt. Diese militärisch genutzten Systeme müssen begrenzte Zeit-, Energie- und Rechenressourcen zwischen Funktionen wie Luftraumüberwachung, Zielverfolgung und Feuerleitung verteilen.^[1][2]

Die technische Voraussetzung für das Radarressourcenmanagement entstand mit Radaren, die mehrere Funktionen mit einer elektronisch geschwenkten Antenne ausführen konnten. In den 1980er Jahren wurden Multifunktionsradare beschrieben, die ihre Antenne mechanisch im Azimut drehten und den Radarstrahl zugleich elektronisch in Azimut und Elevation schwenkten. Ein 1985 veröffentlichter Beitrag behandelte solche Rotating Electronically Scanned Radars für die Luftraumüberwachung.^[3]

Im Jahr 1990 erschienen Arbeiten, die Ressourcenmanagement ausdrücklich auf Multifunktionsradare bezogen. Yoshihiro Yamada behandelte die Zuweisung von Radarressourcen zur Unterdrückung von Clutter. R. Filippi und S. Pardini stellten eine Steuerungsarchitektur für ein rotierendes Multifunktionsradar mit Phased-Array-Antenne vor. Die Architektur sah einen auf einem Mehrprozessorsystem ausgeführten Radar Management Computer vor.^[4][5]

Gerhard van Keuk und Samuel S. Blackman formulierten 1993 die Strahlplanung und die Einstellung von Radarparametern für die Mehrzielverfolgung als Optimierungsproblem. Berücksichtigt wurden unter anderem Strahlrichtung, Signal-Rausch-Verhältnis, Detektionsschwelle sowie Radar- und Rechnerauslastung.^[6] Andrew J. Orman und weitere Autoren untersuchten 1996 die zeitliche Planung eines Multifunktionsradars mit Methoden des Operations Research. Sie modellierten Sende- und Empfangsabschnitte als gekoppelte Aufgaben und verglichen mehrere Planungsheuristiken.^[7]

Das experimentelle britische Multifunktionsradar MESAR erhielt in den frühen 1990er Jahren einen Echtzeitplaner nach dem Zeitbilanzverfahren. Spätere Arbeiten verglichen dieses Verfahren mit Planern für gekoppelte Aufgaben und untersuchten wissensbasierte Verfahren zur Priorisierung.^[8] Eine 2008 veröffentlichte Übersicht ordnete die bis dahin vorgeschlagenen Verfahren unter anderem nach Aufgabenpriorisierung, Strahlplanung und adaptiver Wahl von Aktualisierungsintervallen.^[9]

Seit den 2010er Jahren werden neben regelbasierten und mathematischen Verfahren auch koordinierte Ansätze für Radarnetze sowie Methoden des maschinellen Lernens untersucht. Eine 2020 veröffentlichte Übersicht ordnete adaptive und kognitive Verfahren nach dem Umfang ein, in dem sie Informationen aus der Umgebung in einen Wahrnehmungs-Handlungs-Zyklus einbeziehen.^[10][2]

Eine elektronisch geschwenkte Phased-Array-Antenne kann die Strahlrichtung und die Beleuchtungsdauer ohne mechanische Bewegung verändern. Ein Multifunktionsradar kann dadurch aufeinanderfolgend unterschiedliche Such-, Verfolgungs- und Klassifikationsaufgaben ausführen. Eine Radarfunktion erzeugt hierfür einzelne Aufgaben. Diese fordern Messvorgänge mit einer bestimmten Strahlrichtung, Wellenform, Ausführungsdauer und gewünschten Ausführungszeit an.^[1]

Zu den verwalteten Größen gehören insbesondere die verfügbare Radarzeit, die Sendeenergie und die Rechenkapazität. Einstellbare Parameter sind unter anderem Strahlrichtung, Beleuchtungsdauer, Trägerfrequenz, Pulswiederholfrequenz, Wellenform und Sendeleistung. Die Wahl dieser Parameter beeinflusst sowohl den Ressourcenbedarf als auch die erwartete Qualität einer Messung.^[1][9]

Eine Überlastung liegt vor, wenn nicht alle angeforderten Messungen innerhalb ihrer Zeitvorgaben ausgeführt werden können. Der Ressourcenmanager muss dann Aufgaben verschieben, mit veränderten Parametern ausführen oder auslassen. Das Ergebnis hängt deshalb nicht allein von der verfügbaren Radarzeit ab, sondern auch von der Bewertung und Priorisierung der Aufgaben.^[8]

Der Ressourcenmanager erhält Anforderungen der Radarfunktionen und Informationen über die Lage, die verfügbaren Wellenformen und den Zustand des Systems. Er wählt für jede Aufgabe eine Konfiguration, bestimmt ihre Priorität und übergibt die ausgewählten Anforderungen an einen Zeitplaner. Dieser ordnet die Messungen auf der Zeitachse des Radars an. Ergebnisse aus Detektion und Zielverfolgung fließen anschließend in die Erzeugung neuer Anforderungen ein.^[1][8]

Prioritäten können fest, dynamisch oder aus festen und dynamischen Anteilen zusammengesetzt sein. Feste Prioritäten werden vor dem Betrieb definiert. Dynamische Prioritäten werden während des Betriebs aus Merkmalen wie Fälligkeit, Zielzustand, Qualität einer Zielspur oder Anforderungen an einen Überwachungssektor berechnet.^[8]

Bei der Zielverfolgung kann der Ressourcenmanager den Abstand zwischen zwei Messungen an die vorhergesagte Spurqualität anpassen. Ein kürzeres Aktualisierungsintervall erhöht gewöhnlich den Zeit- und Energiebedarf. Ein längeres Intervall verringert die Belastung des Radars, vergrößert jedoch die Unsicherheit der Zustandsschätzung. Die Parameterauswahl kann deshalb gemeinsam mit dem verwendeten Verfolgungsfilter betrachtet werden.^[6][1]

Regelbasierte Verfahren verwenden beispielsweise feste Rangfolgen oder Wenn-dann-Regeln. In wissensbasierten Ansätzen wurden auch Verfahren der Fuzzylogik untersucht. Dabei werden Eingangsgrößen wie Spurqualität, Entfernung oder Annäherungsgeschwindigkeit durch Zugehörigkeitsfunktionen abgebildet und zu einer Priorität zusammengeführt.^[8]

Der Zeitplaner entscheidet, welche Anforderungen ausgeführt werden und zu welchem Zeitpunkt ihre Ausführung beginnt. Dabei berücksichtigt er Ausführungsdauer, gewünschte Ausführungszeit, zulässige Abweichungen und technische Ausschlussbedingungen. Sende- und Empfangsabschnitte einer Messung können durch eine Wartezeit getrennt sein. Einige Planungsverfahren nutzen diese Zeit, um Aufgaben ineinander zu verschachteln.^[7][8]

Beim Zeitbilanzverfahren besitzt jede Aufgabe eine Bilanz, die ihre zeitliche Abweichung vom vorgesehenen Ausführungszeitpunkt beschreibt. Überfällige Aufgaben erhalten dadurch gegenüber noch nicht fälligen Aufgaben ein höheres Gewicht. Andere Verfahren modellieren zusammengehörige Sende- und Empfangsvorgänge als gekoppelte Aufgaben. Vergleichsstudien zeigen, dass sich Planungsverfahren bei geringer Auslastung unterschiedlich verhalten können, während bei Überlastung die Aufgabenpriorisierung einen stärkeren Einfluss auf das Ergebnis erhält.^[11]

Für das Radarressourcenmanagement werden Heuristiken, regelbasierte Systeme, Dynamische Programmierung, mathematische Optimierungsverfahren und Methoden des maschinellen Lernens eingesetzt. Die Verfahren unterscheiden sich darin, ob sie Parameterauswahl, Priorisierung und Zeitplanung getrennt oder als gemeinsames Optimierungsproblem behandeln.^[9][2]

Das Quality-of-Service Resource Allocation Model (Q-RAM) beschreibt für jede Aufgabe mehrere ausführbare Konfigurationen. Jede Konfiguration besitzt einen Ressourcenbedarf und eine erwartete Qualität beziehungsweise einen Nutzen. Für Aufgaben ${\displaystyle \tau _{1},\ldots ,\tau _{n}}$, Konfigurationen ${\displaystyle \varphi _{i}}$, Umgebungsinformationen ${\displaystyle e}$ und Ressourcenobergrenzen ${\displaystyle R_{j}}$ kann die Auswahl als

${\displaystyle \max _{\varphi =(\varphi _{1},\ldots ,\varphi _{n})}u(\varphi ,e)}$

unter den Nebenbedingungen

${\displaystyle \sum _{i=1}^{n}\left[g_{i}(\varphi _{i})\right]_{j}\leq R_{j},\qquad j=1,\ldots ,k}$

formuliert werden. Dabei bezeichnet ${\displaystyle u}$ den Gesamtnutzen und ${\displaystyle g_{i}}$ den Ressourcenbedarf einer Konfiguration. Nach der Konfigurationsauswahl werden die gewählten Aufgaben auf der Radarzeitachse eingeplant.^[12]

Die allgemeine Aufgabenplanung ist ein NP-schweres Problem. Exakte Verfahren wie Branch-and-Bound können für begrenzte Problemgrößen optimale Lösungen bestimmen, ihre Rechenzeit wächst jedoch stark mit der Zahl der Aufgaben. Heuristische Verfahren benötigen weniger Rechenzeit, liefern aber nicht notwendigerweise eine optimale Lösung. Untersucht wurden deshalb auch Näherungsverfahren, die Monte-Carlo-Baumsuche mit trainierten neuronalen Netzen verbinden.^[13]

Adaptive Verfahren verändern die Parameterauswahl, Priorisierung oder Zeitplanung anhand neuer Messdaten und geänderter Umgebungsbedingungen. Frühe Ansätze passten Strahlrichtung, Sendeenergie und das Intervall zwischen zwei Spuraktualisierungen an die vorhergesagte Verfolgungsleistung an.^[6] Spätere Arbeiten ordneten Verfahren danach ein, ob sie lediglich einzelne Parameter nachführen oder zusätzlich Wissen über die Umgebung aufbauen und in einem Wahrnehmungs-Handlungs-Zyklus verwenden.^[10]

Bei elektromagnetischen Störungen kann der Ressourcenmanager unter anderem Ausführungszeit, Frequenz, Strahlrichtung oder Beamformingverfahren auswählen.^[12]

Koordiniertes Radarressourcenmanagement bezieht Mess- oder Zustandsinformationen anderer Radare in die lokale Planung ein. Ausgetauscht werden können Detektionen, Zielspuren, Plattformzustände und Angaben über bereits ausgeführte Überwachungsaufgaben. In einer zentralisierten Architektur erstellt ein gemeinsamer Ressourcenmanager die Zeitpläne mehrerer Radare. In einer verteilten Architektur besitzt jeder Radarknoten einen eigenen Ressourcenmanager und tauscht Informationen mit den übrigen Knoten aus.^[1][14]

Moo und Ding verglichen unabhängiges und koordiniertes Ressourcenmanagement in einer Simulation mit zwei Radaren und 30 Zielen. In diesem Szenario erreichten die koordinierten Verfahren eine ähnliche Vollständigkeit der Zielspuren bei geringerer zeitlicher Belastung durch Verfolgungsaufgaben und kürzerer Wiederholzeit der Überwachung. Für die Koordination mussten jedoch Daten über einen Kommunikationskanal übertragen werden. Bei nicht verfügbarer Kommunikation näherte sich die Leistung der untersuchten koordinierten Verfahren der unabhängigen Planung an. Die Autoren beschränkten ihre Ergebnisse auf das untersuchte Szenario und forderten Vergleiche mit weiteren Radar- und Zielszenarien.^[14]

Die Bewertung wird getrennt für Zeitplanung, Detektion und Zielverfolgung vorgenommen. Kenngrößen der Zeitplanung sind unter anderem die maximale und die aufsummierte Verspätung, der Anteil eingeplanter Messungen sowie die zeitliche Belegung durch Überwachungs- und Verfolgungsaufgaben. Für die Detektion werden die Detektionswahrscheinlichkeit und die Wiederholzeit eines überwachten Bereichs verwendet. Die Zielverfolgung kann anhand des Fehlers zwischen wahrer und geschätzter Zielposition sowie der Vollständigkeit einer Zielspur bewertet werden.^[15]

Eine einzelne Kenngröße erfasst nicht alle Radarfunktionen. Eine geringere Belastung durch Zielverfolgung kann beispielsweise zusätzliche Zeit für die Überwachung freigeben, während längere Aktualisierungsintervalle den Fehler der Zielspuren erhöhen können. Bewertungsverfahren verwenden deshalb mehrere funktionsbezogene Kenngrößen oder führen sie über eine Nutzenfunktion zusammen.^[15][10]

Vergleiche von Ressourcenmanagementverfahren werden überwiegend anhand definierter Szenarien und Radar-Simulationsmodelle durchgeführt.^[15][11]

Für vernetzte Verfahren kommen Kenngrößen der Kommunikation hinzu. Dazu gehören die zu übertragende Datenmenge, die verfügbare Kanalkapazität und die Auswirkungen von Übertragungsfehlern oder Verbindungsunterbrechungen auf die Planung. Die Bewertung muss außerdem angeben, ob unabhängige, zentralisierte oder verteilte Ressourcenmanager miteinander verglichen werden.^[1][14]

1. ↑ ^{a b c d e f g} Peter W. Moo, Zhen Ding: Adaptive Radar Resource Management. Academic Press, 2015, ISBN 978-0-12-802902-2, doi:10.1016/C2014-0-02505-1 (englisch). 
2. ↑ ^{a b c} Umair Sajid Hashmi, Sunila Akbar, Raviraj Adve, Peter W. Moo, Jack Ding: Artificial intelligence meets radar resource management: A comprehensive background and literature review. In: IET Radar, Sonar & Navigation. Band 17, Nr. 2, 2023, S. 153–178, doi:10.1049/rsn2.12337 (englisch). 
3. ↑ David A. Ethington, Peter J. Kahrilas, Gerald D. Wright: Multifunction rotating electronically scanned radar (RESR) for air surveillance. In: Proceedings of the IEEE. Band 73, Nr. 2, 1985, S. 340–354, doi:10.1109/PROC.1985.13144 (englisch). 
4. ↑ Yoshihiro Yamada: New clutter suppression approach for multifunction radar—Radar resource management for the clutter suppression. In: IEEE Aerospace and Electronic Systems Magazine. Band 5, Nr. 6, 1990, S. 14–16, doi:10.1109/62.54637 (englisch). 
5. ↑ R. Filippi, S. Pardini: An example of resources management in a multifunctional rotating phased array radar. In: IEE Colloquium on Real-Time Management of Adaptive Radar Systems. 1990, S. 1–3 (englisch). 
6. ↑ ^{a b c} Gerhard van Keuk, Samuel S. Blackman: On phased-array radar tracking and parameter control. In: IEEE Transactions on Aerospace and Electronic Systems. Band 29, Nr. 1, 1993, S. 186–194, doi:10.1109/7.249124 (englisch). 
7. ↑ ^{a b} Andrew J. Orman, Chris N. Potts, Ashok K. Shahani, Anthony R. Moore: Scheduling for a multifunction phased array radar system. In: European Journal of Operational Research. Band 90, Nr. 1, 1996, S. 13–25, doi:10.1016/0377-2217(95)00307-X (englisch). 
8. ↑ ^{a b c d e f} Sergio L. C. Miranda, Christopher J. Baker, Karl Woodbridge, Hugh D. Griffiths: Knowledge-based resource management for multifunction radar: A look at scheduling and task prioritization. In: IEEE Signal Processing Magazine. Band 23, Nr. 1, 2006, S. 66–76, doi:10.1109/MSP.2006.1593338 (englisch). 
9. ↑ ^{a b c} Zhen Ding: A survey of radar resource management algorithms. In: 2008 Canadian Conference on Electrical and Computer Engineering. IEEE, 2008, S. 1559–1564, doi:10.1109/CCECE.2008.4564804 (englisch). 
10. ↑ ^{a b c} Alexander Charlish, Folker Hoffmann, Christoph Degen, Isabel Schlangen: The Development From Adaptive to Cognitive Radar Resource Management. In: IEEE Aerospace and Electronic Systems Magazine. Band 35, Nr. 6, 2020, S. 8–19, doi:10.1109/MAES.2019.2957847 (englisch). 
11. ↑ ^{a b} Sergio L. C. Miranda, Christopher J. Baker, Karl Woodbridge, Hugh D. Griffiths: Comparison of scheduling algorithms for multifunction radar. In: IET Radar, Sonar & Navigation. Band 1, Nr. 6, 2007, S. 414–424, doi:10.1049/iet-rsn:20070003 (englisch). 
12. ↑ ^{a b} Sebastian Durst, Pascal Marquardt, Stefan Brüggenwirth: Quality of service based radar resource management for interference mitigation. In: 2022 IEEE Topical Conference on Wireless Sensors and Sensor Networks (WiSNeT). IEEE, 2022, S. 32–35, doi:10.1109/WiSNet53095.2022.9721374 (englisch). 
13. ↑ Mahdi Shaghaghi, Raviraj S. Adve, Zhen Ding: Multifunction cognitive radar task scheduling using Monte Carlo tree search and policy networks. In: IET Radar, Sonar & Navigation. Band 12, Nr. 12, 2018, S. 1437–1447, doi:10.1049/iet-rsn.2018.5276 (englisch). 
14. ↑ ^{a b c} Peter W. Moo, Zhen Ding: Coordinated radar resource management for networked phased array radars. In: IET Radar, Sonar & Navigation. Band 9, Nr. 8, 2015, S. 1009–1020, doi:10.1049/iet-rsn.2013.0368 (englisch). 
15. ↑ ^{a b c} Peter W. Moo, Zhen Ding: Adaptive Radar Resource Management. Academic Press, 2015, ISBN 978-0-12-802902-2, Comparison of Adaptive and Nonadaptive Techniques, S. 37–58, doi:10.1016/B978-0-12-802902-2.00003-X (englisch).