Desenvolvimento de um protótipo para detecção de movimentação e classificação de material utilizando radar ativo sdr e inteligência artificial

Abstract

A detecção de movimentações e a classificação de características de objetos constituem desafios relevantes em aplicações de monitoramento remoto e sensoriamento geotécnico. Nesse contexto, sistemas de radar baseados em Rádio Definido por Software (Software Defined Radio - SDR) têm se destacado como alternativas promissoras devido à sua flexibilidade, baixo custo e capacidade de adaptação a diferentes cenários experimentais. Considerando esse contexto, este trabalho apresenta o desenvolvimento e a avaliação de um radar ativo baseado em SDR para detecção de movimentação e classificação de objetos por meio de técnicas de inteligência artificial. O sistema foi implementado utilizando o dispositivo ADALM-PLUTO, uma antena helicoidal direcional e o ambiente GNU Radio para transmissão, recepção e processamento dos sinais Doppler refletidos pelos objetos presentes no ambiente monitorado. A metodologia adotada baseou-se na aquisição de sinais experimentais em diferentes condições de distância, velocidade e material dos objetos analisados, seguida da geração de espectrogramas por meio da Transformada Rápida de Fourier (Fast Fourier Transform - FFT) e do treinamento de modelos de aprendizado de máquina para classificação dos dados. Os resultados demonstraram a viabilidade da utilização de um radar ativo SDR de baixo custo para tarefas de detecção e classificação, alcançando acurácia aproximada de 82% na diferenciação entre ausência de objeto, objeto parado e objeto em movimento, 91% na classificação de distância e 83% na classificação de velocidade. Para a classificação dos materiais analisados, foram obtidos resultados mais modestos, com acurácia próxima de 65%, indicando maior dificuldade na diferenciação entre assinaturas espectrais de materiais distintos. De modo geral, os resultados evidenciam o potencial da combinação entre radares SDR e técnicas de inteligência artificial para aplicações de sensoriamento remoto, monitoramento geotécnico e detecção de movimentações em áreas sujeitas a instabilidades.

The detection of movement and the classification of object characteristics are important challenges in remote monitoring and geotechnical sensing applications. In this context, radar systems based on Software Defined Radio (SDR) have emerged as promising alternatives due to their flexibility, low cost, and adaptability to different experimental scenarios. Considering this context, this work presents the development and experimental evaluation of an SDR-based active radar for movement detection and object classification using artificial intelligence techniques. The proposed system was implemented using the ADALM-PLUTO device, a directional helical antenna, and the GNU Radio environment for the transmission, reception, and processing of Doppler signals reflected by objects present in the monitored environment. The adopted methodology consisted of acquiring experimental signals under different object distance, velocity, and material conditions, followed by spectrogram generation through the Fast Fourier Transform (FFT) and the training of machine learning models for data classification. The results demonstrated the feasibility of using a low-cost SDR active radar for detection and classification tasks, achieving approximately 82% accuracy in distinguishing between the absence of an object, a stationary object, and a moving object, 91% accuracy in distance classification, and 83% accuracy in velocity classification. Material classification presented more modest results, reaching an accuracy of approximately 65%, indicating greater difficulty in distinguishing the spectral signatures of different materials. Overall, the results highlight the potential of combining SDR-based radar systems with artificial intelligence techniques for remote sensing, geotechnical monitoring, and movement detection in areas susceptible to instability.