认知雷达系统是一个基于深度学习的智能雷达仿真与训练平台，专门针对低慢小目标（如无人机、鸟类等）的探测与跟踪。该系统通过强化学习算法实现雷达参数的自适应优化，提高目标检测性能。
- 🎯 智能认知雷达：基于强化学习的自适应雷达系统
- 📊 多种雷达类型：支持10种不同配置的专业雷达系统
- 🎮 多种训练算法：支持PPO、RSL-RL等多种强化学习算法
- 📈 完整仿真环境：包含目标运动模型、杂波模拟、传播模型等
- 🎨 可视化工具：提供距离-多普勒图、航迹图等多种可视化功能
- 🔧 模块化设计：高度可扩展的架构，支持自定义雷达和目标模型
- 多类型雷达支持：实现10种不同配置的专业雷达系统
- PD-LS01 (X波段基础型)
- PD-LS02 (Ku波段便携式)
- PD-LS03 (Ku波段城市监控)
- PD-LS04 (L波段长程预警)
- PD-LS05 (C波段反无人机)
- PD-LS06 (S波段海岸监视)
- PD-LS07 (S波段低功耗)
- PD-LS08 (X波段机场监控)
- PD-LS09 (C波段战术雷达)
- PD-LS10 (Ka波段微型探测)
- 信号生成与处理：
- 脉冲压缩
- MTI滤波
- 多普勒处理
- 峰值检测
- 性能计算：
- 信噪比(SNR)计算
- 检测概率评估
- 距离/速度精度计算
- 杂波抑制分析
- 基础运动模型：
- 静态模型 (StaticModel)
- 匀速直线运动 (LinearMotion)
- 圆周运动 (CircularMotion)
- 振动运动 (VibrationMotion)
- 复合运动模型：
- 复合运动 (CompositeMotion)
- 轨迹运动 (TrajectoryMotion)
- 相位锁定运动 (PhaseLockedMotion)
- 场景管理器 (ScenarioManager)：
- 目标调度与创建
- 状态更新与跟踪
- 多目标协同运动
- 目标生命周期管理
- 自由空间传播 (FreeSpacePropagation)
- 地形感知传播 (TerrainAwarePropagation)
- 地形损耗计算
- 植被衰减评估
- 大气衰减建模
- 杂波模型：
- 常数杂波模型 (ConstantClutterModel)
- 经验杂波模型 (EmpiricalClutterModel)
- 杂波特性：
- 杂波RCS计算
- 杂波地图生成
- 海杂波/地杂波模拟
- 雷达显示：
- 距离-多普勒图(RD Map)
- 距离-脉冲图
- 3D RD图显示
- 目标显示：
- 2D/3D轨迹显示
- 波束覆盖范围
- 多目标跟踪显示
- 性能分析：
- 检测性能指标
- 轨迹对比分析
- 信号强度分布
- 动画生成：
- RD图动画
- 轨迹动画
- 实时数据流显示
- 标准Gym接口：
- 动作空间配置
- 观测空间定义
- 奖励函数设计
- 多环境支持：
- 向量化环境
- 并行训练支持
- 异步环境更新
- 算法支持：
- PPO算法
- RSL-RL算法
- 训练管理：
- 模型保存/加载
- 训练进度监控
- 性能评估
- 窗函数比较：
- Hamming窗
- Hanning窗
- Blackman窗
- 特征提取：
- RD图特征
- 目标特征
- 杂波特征
- 信号处理图：
- 距离-多普勒图
- 距离-脉冲图
- 航迹关联图
- 距离-多普勒图
- 检测性能：
- ROC曲线
- 检测概率曲线
- 虚警率分析
- 系统性能：
- 最大探测距离
- 测量精度
- 抗干扰能力
- Python 3.8+
- PyTorch 1.10+
- Stable Baselines3
- RSL-RL
- RadarSimPy
- 克隆仓库：
git clone https://github.com/ten2net/cognitive_radar_system.git
cd cognitive_radar_system- 创建虚拟环境：
python -m venv radar_env
source radar_env/bin/activate # Linux/Mac
# 或
radar_env\Scripts\activate # Windows- 安装依赖：
pip install -r requirements.txt- 训练模型：
uv run -m cognitive_radar.train.rsl_rl.train --train
或
uv run -m cognitive_radar.train.sb3.train --train- 评估模型：
python scripts/rsl_rl/train_.py --eval path/to/model.pth --config assets/configs/radar/radar_config.ymlfrom cognitive_radar.environment import CognitiveRadarEnv
from cognitive_radar.radar_system import DefaultRadarFactory
# 创建雷达
factory = DefaultRadarFactory()
radar = factory.create("PD-LS02")
# 创建环境
env = CognitiveRadarEnv({
"radar_type": "PD-LS05",
"max_steps": 1000
})
# 运行仿真
obs = env.reset()
for _ in range(1000):
action = env.action_space.sample()
obs, reward, done, info = env.step(action)
if done:
obs = env.reset()cognitive_radar_system/
├── assets/ # 资源文件
│ ├── configs/ # 配置文件
│ ├── models/ # 3D模型
│ └── trajectories/ # 轨迹文件
├── src/cognitive_radar/ # 源代码
│ ├── environment/ # 环境模型
│ ├── radar_system/ # 雷达系统
│ ├── motion_models/ # 运动模型
│ ├── train/ # 训练脚本
│ └── utils.py # 工具函数
├── scripts/ # 训练和评估脚本
├── tests/ # 测试代码
└── docs/ # 文档
| 型号 | 类型 | 频段 | 特点 |
|---|---|---|---|
| PD-LS01 | 基础型低空监视 | X波段 | 自适应MTI滤波 |
| PD-LS02 | 机动型便携 | Ku波段 | 快速部署 |
| PD-LS03 | 高分辨率城市监控 | Ku波段 | 多径抑制 |
| PD-LS04 | 长程低空预警 | L波段 | 气象杂波抑制 |
| PD-LS05 | 反无人机专用 | C波段 | 微多普勒识别 |
| PD-LS06 | 海岸监视 | S波段 | 海杂波抑制 |
| PD-LS07 | 低功耗边境巡逻 | S波段 | 太阳能供电 |
| PD-LS08 | 机场跑道监控 | X波段 | ICAO标准 |
| PD-LS09 | 多功能战术 | C波段 | SAR成像 |
| PD-LS10 | 微型无人机探测 | Ka波段 | 深度学习分类 |
- PPO (Proximal Policy Optimization)
- Stable baseine 3
- RSL-RL (Robotic Systems Lab - Reinforcement Learning)
训练参数在 assets/configs/radar/radar_config.yml 中配置：
training:
algorithm: ppo
learning_rate: 3e-4
batch_size: 128
num_envs: 4
save_interval: 100
我们欢迎任何形式的贡献！请遵循以下步骤：
- Fork 本仓库
- 创建特性分支 (
git checkout -b feature/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 创建 Pull Request
- 使用 Black 进行代码格式化
- 遵循 PEP 8 规范
- 编写单元测试
- 更新文档
本项目采用 MIT 许可证 - 详见 LICENSE 文件。
感谢所有贡献者和以下开源项目：
- 初始版本发布
- 支持10种雷达类型
- 实现PPO和RSL-RL训练算法
- 添加完整的仿真环境