Come insegnare ai grandi modelli di linguaggio a “vedere” i radar?

I profili di distanza ad alta risoluzione (HRRP) sono come le impronte digitali dei velivoli: mostrano i punti di scattering, cioè dove le onde radar rimbalzano sul corpo dell’aereo. Queste informazioni sono fondamentali per il riconoscimento automatico dei bersagli (ATR). Il problema? Quando si hanno pochi esempi – pochi “scatti” di radar – i metodi tradizionali tendono a “imparare a memoria” e falliscono su nuovi angoli di visuale.

Un team di ricercatori ha provato a sfruttare i grandi modelli di linguaggio (LLM), noti per l’apprendimento in contesto, per riconoscere gli HRRP con un solo esempio (HRRPLLM). Funziona, ma perde di precisione quando l’angolo di osservazione cambia, perché considera solo la distribuzione dei punti di scattering e ignora la loro variazione con l’aspetto.

La soluzione proposta è l’Aspect‑Distributed Prototype (ADP). In pratica, il modello crea “prototipi” che includono non solo i punti di scattering, ma anche come questi cambiano al variare dell’angolo di vista. Così, anche con pochi esempi, il modello può riconoscere un aereo da prospettive diverse.

I test, sia su dati simulati che su misurazioni reali di aerei, mostrano che ADP supera di gran lunga i metodi esistenti, dimostrando che i LLM possono diventare più robusti alle variazioni geometriche. Un passo avanti per rendere i radar più intelligenti, anche con pochi dati a disposizione.

L’HRRP (High‑Resolution Range Profile) è una rappresentazione unidimensionale della risposta radar in funzione della distanza, ottenuta mediante una trasformata di Fourier di un segnale FMCW o di un impulso chirp. I picchi nello spettro corrispondono a centri di scattering (SC), punti del bersaglio dove l’energia radar è riflessa con intensità significativa. La posizione e l’intensità di questi SC dipendono dalla geometria del bersaglio e dalle sue proprietà elettromagnetiche (conduttività, permittività).\n\nNel contesto dell’ATR, i modelli di deep learning tradizionali apprendono una mappatura fissa tra HRRP e classe di bersaglio. Con pochi esempi, la varianza introdotta dall’aspetto (angle‑dependent scattering) porta a overfitting: il modello memorizza i pattern specifici del set di addestramento senza generalizzare.\n\nL’approccio ADP introduce prototipi distribuiti per aspetto. Formalmente, per ogni classe c si costruisce un insieme di prototipi \(\{p_{c,\theta}\}\) associati a diversi angoli \(\theta\). Durante l’inference, il LLM riceve in input l’HRRP e un prompt che descrive il set di prototipi disponibili. Grazie all’in‑context learning, il modello confronta il nuovo HRRP con i prototipi più vicini in uno spazio latente, valutando sia la corrispondenza dei picchi SC sia la loro variazione angolare.\n\nDal punto di vista computazionale, ADP richiede una fase di pre‑processing per estrarre i SC (ad esempio mediante algoritmo di peak‑picking) e una codifica degli angoli (es. embedding sinusoidale). I prototipi possono essere aggiornati online con tecniche di few‑shot meta‑learning, mantenendo la capacità di adattarsi a nuovi bersagli con pochi esempi.\n\nI risultati sperimentali mostrano un miglioramento medio del 12‑15% in termini di accuratezza top‑1 rispetto a HRRPLLM e a metodi basati su CNN o transformer, sia su dataset simulati (radar EM‑sim) sia su misurazioni reali (radar X‑band). Questo dimostra che l’integrazione di informazioni geometriche (aspetto) nei prompt LLM è una strategia promettente per superare le limitazioni dei modelli tradizionali in scenari di data‑scarcity.