Machine Learning enabled 2D-CFAR improvement in Integrated Sensing and Communications
(2026) In Master's Theses in Mathematical Sciences FMSM01 20261Mathematical Statistics
- Abstract
- A total of 24 UAV flights in the vicinity of integrated sensing and communications-enabled (ISAC) antenna systems, called base stations, were selected to investigate whether tracking can be improved using machine learning methods. This was done by inputting time series of range-Doppler (r-D) maps created from continuously calculating channel estimates of the bistatic environment around base stations to various neural network designs. The r-D maps were processed by a constant false alarm rate (CFAR) algorithm to detect potential candidate points with a higher signal-to-noise ratio. Patches surrounding the CFAR detection points were then extracted from the current time step and the three previous time steps and fed to a neural network to... (More)
- A total of 24 UAV flights in the vicinity of integrated sensing and communications-enabled (ISAC) antenna systems, called base stations, were selected to investigate whether tracking can be improved using machine learning methods. This was done by inputting time series of range-Doppler (r-D) maps created from continuously calculating channel estimates of the bistatic environment around base stations to various neural network designs. The r-D maps were processed by a constant false alarm rate (CFAR) algorithm to detect potential candidate points with a higher signal-to-noise ratio. Patches surrounding the CFAR detection points were then extracted from the current time step and the three previous time steps and fed to a neural network to compute a probability score for each point. The probability scores were then used to classify the CFAR points as UAVs or clutter. The final neural network, reached by iterating through different designs, relied on three convolutional blocks to learn spatial relations in the patches along with a transformer block to employ attention between different sensing directions. This design managed to achieve 94.2\% accuracy and 98.9\% recall at a 50\% decision threshold, and 87.8\% accuracy and 99.4\% recall at a 30\% decision threshold. Furthermore, it required only 400 ms to process 6,400 CFAR detection points. Implementing similar task-specific neural networks in any radar system can enable the development of faster and more resource-efficient radars, not only in the ISAC framework. (Less)
- Popular Abstract (Swedish)
- Nästa steg i utvecklingen av 5G och mobilnätet är att integrera förmågan att känna av objekt som rör sig i omgivningen kring mobilmaster. I det rådande omvärldsläget är detta en viktig egenskap, då främmande drönare har setts kring känsliga anläggningar såsom flygplatser, kärnkraftverk och hamnar. Föreställ er att kunna klicka på en knapp och sedan detektera drönare runt omkring världens redan existerande mobilmaster. Det skulle kunna förhindra potentiella attentat eller driftstopp vid känsliga anläggningar.
Ett problem är att det kan finnas mängder av ofarliga objekt i närheten av mobilmaster såsom fåglar, bilar eller båtar. Detta kan leda till att de system som hanterar objektsavkänningen kan bli överbelastade, och riskera att missa... (More) - Nästa steg i utvecklingen av 5G och mobilnätet är att integrera förmågan att känna av objekt som rör sig i omgivningen kring mobilmaster. I det rådande omvärldsläget är detta en viktig egenskap, då främmande drönare har setts kring känsliga anläggningar såsom flygplatser, kärnkraftverk och hamnar. Föreställ er att kunna klicka på en knapp och sedan detektera drönare runt omkring världens redan existerande mobilmaster. Det skulle kunna förhindra potentiella attentat eller driftstopp vid känsliga anläggningar.
Ett problem är att det kan finnas mängder av ofarliga objekt i närheten av mobilmaster såsom fåglar, bilar eller båtar. Detta kan leda till att de system som hanterar objektsavkänningen kan bli överbelastade, och riskera att missa mål som är mer intressanta. Det här examensarbetet fokuserar på att förbättra avkänningsförmågan genom att använda neurala nätverk för att sortera samt filtrera bort mål som anses ointressanta. Anledningen är att neurala nätverk kan ta in en stor mängd information parallellt, prioritera olika delar av den och sedan snabbt fatta ett beslut om ett måls relevans. Examensarbetet har utförts genom att studera tidigare genomförda flygningar med kända drönare, och dessa har sedan använts för att träna olika typer av neurala nätverk.
En drönarflygning som inte användes för att träna våra neurala nätverk reserverades för att utvärdera hur väl metoden fungerade. Vår modell lyckades filtrera bort 9245 av totalt 9920 ointressanta mål på denna flygning, och missade endast 23 av 2059 mål. Vi fann att detta är en siffra som kan justeras. Det vill säga att färre mål kan missas, men på bekostnad av att färre ointressanta mål filtreras bort. Det är alltså en fråga om vad som prioriteras högst, att minimera antalet ointressanta mål eller att maximera antalet mål som inte får missas.
Resultaten är lovande. Förhållandet kan förbättras ytterligare om fler framtida flygningar studeras. I arbetet studerades endast en typ av drönare, vilket innebär att även fler typer behöver studeras. Resultatet kan alltså ses som ett bevis på att tekniken fungerar, men att lite mer arbete behövs innan den kan implementeras. En sak är dock säker. Möjligheten att sortera mål baserat på om man vill upptäcka drönare, bilar eller något annat är mycket eftersträvansvärd. Den kan potentiellt möjliggöra en ny familj av mer resurseffektiva och snabbare radarsystem, inte bara i mobilmaster. (Less)
Please use this url to cite or link to this publication:
https://lup.lub.lu.se/student-papers/record/9239556
- author
- Svensson, Emil LU and Orrhede, Axel LU
- supervisor
-
- Maria Sandsten LU
- Bo Bernhardsson LU
- Guoda Tian LU
- Dino Pjanić LU
- organization
- alternative title
- Maskininlärningsbaserad förbättring av 2D-CFAR inom integrerad avkänning och kommunikation
- course
- FMSM01 20261
- year
- 2026
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Integrated Sensing and Communications (ISAC), Constant False Alarm Rate (CFAR), 2D-CA-CFAR, Drone Detection, Machine Learning, Range-Doppler Maps, OFDM, Beam Attention, False Alarm Reduction, 5G Sensing
- publication/series
- Master's Theses in Mathematical Sciences
- report number
- LUTFMS-3560-2026
- ISSN
- 1404-6342
- other publication id
- 2026:E70
- language
- English
- id
- 9239556
- date added to LUP
- 2026-06-18 16:19:58
- date last changed
- 2026-06-18 16:19:58
@misc{9239556,
abstract = {{A total of 24 UAV flights in the vicinity of integrated sensing and communications-enabled (ISAC) antenna systems, called base stations, were selected to investigate whether tracking can be improved using machine learning methods. This was done by inputting time series of range-Doppler (r-D) maps created from continuously calculating channel estimates of the bistatic environment around base stations to various neural network designs. The r-D maps were processed by a constant false alarm rate (CFAR) algorithm to detect potential candidate points with a higher signal-to-noise ratio. Patches surrounding the CFAR detection points were then extracted from the current time step and the three previous time steps and fed to a neural network to compute a probability score for each point. The probability scores were then used to classify the CFAR points as UAVs or clutter. The final neural network, reached by iterating through different designs, relied on three convolutional blocks to learn spatial relations in the patches along with a transformer block to employ attention between different sensing directions. This design managed to achieve 94.2\% accuracy and 98.9\% recall at a 50\% decision threshold, and 87.8\% accuracy and 99.4\% recall at a 30\% decision threshold. Furthermore, it required only 400 ms to process 6,400 CFAR detection points. Implementing similar task-specific neural networks in any radar system can enable the development of faster and more resource-efficient radars, not only in the ISAC framework.}},
author = {{Svensson, Emil and Orrhede, Axel}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master's Theses in Mathematical Sciences}},
title = {{Machine Learning enabled 2D-CFAR improvement in Integrated Sensing and Communications}},
year = {{2026}},
}