Stealth vliegt onder de radar — of toch niet? AI en sensorfusie combineren radars, satellieten en infrarood om zelfs de meest geavanceerde stealth-vliegtuigen op te sporen. Ontdek hoe het onzichtbare steeds zichtbaarder wordt.

 

 

Inleiding

Stealth-vliegtuigen vormen een grote uitdaging voor moderne detectiesystemen. Deze militaire toestellen zijn ontworpen om onzichtbaar of moeilijk detecteerbaar te zijn voor radars en andere sensoren, door middel van speciale vormgeving en radar-absorberende materialen. Het probleem is dat conventionele enkelvoudige sensoren vaak onvoldoende zijn om zulke doelwitten op te merken. Daarom wordt tegenwoordig steeds vaker sensorfusie – het combineren van data van meerdere sensoren – toegepast, vaak ondersteund door geavanceerde kunstmatige intelligentie (AI) [1]. Sensorfusie en AI beloven de detectie, classificatie en tracking van stealth-objecten te verbeteren, zelfs wanneer deze objecten specifiek ontworpen zijn om traditionele detectiemethoden te ontwijken.

Afbeelding gegeneerd door ChatGPT 4o

In dit artikel verkennen we hoe AI en sensorfusie samen bijdragen aan het opsporen van stealth-vliegtuigen. We beginnen met een korte schets van het probleem en een historisch overzicht van de evolutie van sensorfusie. Vervolgens bespreken we sensorfusie in de context van stealth-detectie en de rol van AI daarin. Daarna gaan we dieper in op diverse AI-toepassingen bij detectie: real-time datafusie, cognitieve radars, snelle dreigingsanalyse, adaptieve automatisering, en – indien relevant – opkomende kwantumsensoren. We sluiten af met conclusies en beschouwingen over de toekomstige ontwikkeling.

We wensen de lezer op voorhaand te wijzen op het feit dat in werkelijkheid de prestaties van dergelijke systemen onder strikte fysische limieten vallen . De effectiviteit van AI is immers afhankelijk van de hoeveelheid en kwaliteit van de beschikbare data. Wanneer stealth-technologie zeer effectief is en het gereflecteerde signaal extreem zwak is, kan ook geavanceerde sensorfusie moeite hebben om dit signaal van achtergrondruis te onderscheiden. Onderzoeken in de literatuur wijzen op een mogelijke verbetering in detectiekans, maar meestal in gecontroleerde omstandigheden of op korte afstanden. Hier ontbreekt vaak de nuance dat er altijd een robuuste statistische drempel is waarboven de detectiekans exponentieel afneemt.

Historische ontwikkeling van sensorfusie

De behoefte om informatie van meerdere sensoren te combineren is niet nieuw. Reeds in de Koude Oorlog zochten defensieprogramma’s naar manieren om gegevens van verschillende radars en detectors te integreren ter verbetering van doelopsporing en vuurleiding. De term “sensor data fusion” (sensor- en informatiefusie) werd officieel geïntroduceerd in 1984 binnen de Amerikaanse defensiesector [2]. Toch gaan de conceptuele wortels verder terug. In de 18e en 19e eeuw legden wiskundigen als Thomas Bayes en Carl Friedrich Gauss al de basis voor het combineren van onzekere informatie, bijvoorbeeld met probabilistische benaderingen en least-squares methoden voor het combineren van metingen [3][4]. Een mijlpaal was de ontwikkeling van het Kalman-filter in 1960, dat voor het eerst in het NASA Apollo-programma werd toegepast om ruisvolle sensorgegevens (zoals positie- en snelheidsmetingen) te combineren tot nauwkeurige baaninschattingen [5]. Dit filter en aanverwante Bayesian filtering-technieken werden al snel de ruggengraat van veel multisensor-trackingsystemen.

Video Kalman Filters

In de jaren 1980 kreeg multisensor datafusie een formeel kader. In 1985 stelde de Joint Directors of Laboratories (JDL) een referentiemodel op dat verschillende fusieniveaus onderscheidde, van het samenvoegen van ruwe data tot besluitvorming op systeemniveau [6]. Vanaf de jaren 1990 nam de belangstelling explosief toe: internationale conferenties (zoals de FUSION-conferentiereeks vanaf 1998) en onderzoeksprogramma’s richtten zich op sensorfusie voor defensie, robotica en remote sensing [7][8]. Klassieke technieken in deze periode omvatten naast Kalman-filters ook Multiple Hypothesis Tracking (voor het koppelen van waarnemingen aan meerdere doelen) en Dempster-Shafer-combinatieregels voor onzekerheidsmodellering. Naarmate computers krachtiger werden, vond sensorfusie toepassing in steeds complexere domeinen – van raketafweer (waarbij gegevens van vroege-waarschuwingsradars en infraroodsatellieten werden gecombineerd) tot autonome voertuigen en industriële systemen.

Sinds de jaren 2000 is een duidelijke trend de integratie van kunstmatige intelligentie. AI-technieken, met name machine learning, vonden hun weg in sensorfusie om patronen te leren uit multi-sensor data en beslissingsprocessen te automatiseren. Hiermee evolueerde sensorfusie van deterministische modelleringsmethoden naar meer datagedreven benaderingen. In recente jaren is sensorfusie alomtegenwoordig – van smartphones (bv. het fuseert kompas-, GPS- en versnellingsmeterdata) tot geavanceerde militaire systemen – en blijft het een cruciale technologie om uit een overvloed aan sensorinformatie consistente, betrouwbare situational awareness te distilleren [2][9].

Sensorfusie bij de detectie van stealth-vliegtuigen

Stealth-vliegtuigen

Stealth-vliegtuigen zijn specifiek ontworpen om detectie te bemoeilijken (Zie Detectie en volgen van stealth-vliegtuigen voor een meer gedetailleerde bespreking). Ze hebben een extreem lage radarterugkaatsing (radar cross section), vergelijkbaar met die van kleine objecten, vooral in frequentiebanden waarin traditionele militaire radars opereren (bijvoorbeeld de X-band, ~8–12 GHz) [10]. Dit wordt bereikt door hun geometrische vorm (vlakke panelen en hoeken die radarstralen afbuigen) en door radarabsorberend materiaal. Een F-35 jachtvliegtuig heeft bijvoorbeeld een effectief radaroppervlak van slechts circa 0,005 m², tegenover pakweg 10–12 m² voor oudere straaljagers [11]. Gevolg: een conventionele radar krijgt nauwelijks reflectie terug en “ziet” het stealth-vliegtuig niet of pas zeer laat.

Sensoren

Afbeelding gemaakt door ChatGPT 4o

Om dit te counteren, zetten moderne luchtverdedigingsnetwerken in op sensorfusie: het combineren van verschillende soorten sensoren die elk zwakke punten van stealth-technologie kunnen uitbuiten. Eén enkel sensorsysteem is doorgaans onvoldoende, maar gezamenlijk kunnen sensoren elkaars blinde vlekken opvullen [1]. Enkele voorbeelden van een multisensor-aanpak zijn:

• Laagfrequente radars (VHF/UHF-band) voor vroege detectie: Deze radars zenden golven met een langere golflengte uit, waarbij stealth-vliegtuigen niet optimaal zijn ontworpen. Hun radarprofiel kan dan (veel) groter lijken dan bij hoge frequenties [12][13]. Zo detecteerden Sovjet/Russische VHF-radars als de P-18 en Nebo-M al stealth-doelen op aanzienlijke afstanden (tot ~300 km), zij het met lage resolutie [14][15].
• Multistatische en passieve radars: In plaats van één zendantenne en -ontvanger op dezelfde locatie (monostatisch), worden de ontvangers ruimtelijk gespreid (bistatisch/multistatisch). Stealth-ontwerpen zijn geoptimaliseerd om radarstraling terug te kaatsen naar de zenderbron, maar door ontvangers elders te plaatsen kunnen verstrooide reflecties alsnog worden opgepikt [16]. Passieve systemen (PCL) gebruiken bovendien bestaande transmissies (zoals radio- en tv-signalen of satellietsignalen) als illuminatiebron, zodat het stealth-object zich verraadt als het deze signalen blokkeert of verstoort [17][18]. Dergelijke systemen (bv. Lockheed Martin’s Silent Sentry of het Oekraïense Kolchuga-systeem) kunnen stealth-vliegtuigen “zien” zonder zelf te zenden, wat zowel de stealth detecteert als de eigen radar onzichtbaar houdt [19][20].
• Infraroodsensoren en elektro-optische camera’s: Stealth vermindert radarzichtbaarheid, maar vliegtuigen blijven warmte uitstralen (door motoren) en kunnen visueel worden waargenomen. Ruimtegebaseerde infraroodsensoren (zoals de SBIRS-satellieten van de VS - Space Invaders: Waarom stealth-piloten best eens omhoog mogen kijken) kunnen op grote hoogte de hittesignatuur van vliegtuigen detecteren [21]. Geavanceerde IRST (Infra-Red Search and Track) systemen op vliegtuigen of grondvoertuigen worden ook ingezet om zonder radar gebruik toch vliegende objecten op te sporen via hun thermische emissie. Optische telescopen of camera’s kunnen indien weer en afstand het toelaten, een stealth-vliegtuig visueel bevestigen zodra een approximate locatie bekend is.
• Elektronische luister- en verstoringssensoren: Stealth-vliegtuigen proberen hun eigen emissies te minimaliseren, maar vaak moeten zij toch communiceren of hun radar/sensor gebruiken. Signalen van datacommunicatie, radar-altimeters of andere elektronische emissies kunnen met gevoelig elektronisch toezicht (ESM) worden opgevangen. Daarnaast kunnen elektronische oorlogsvoerings-netwerken (passieve sensorclusters) afwijkingen in het spectrum waarnemen die wijzen op een stealth-platform. Ook meelifters zoals radarverstorende drones of decoys kunnen door een multisensornetwerk ontmaskerd worden door kruiskoppeling van data [1][22].

Afbeelding gemaakt door ChatGPT 4o

 

Video Sensor Fusion

AI in sensorfusie

Terug naar onze stealthvliegtuigen. Door data van al deze bronnen te fusioneren ontstaat een vollediger luchtbeeld. Zo’n netwerk van onderling doorverwezen sensoren verkleint de kans dat een stealth-object ongezien door alle lagen glipt [23]. Vaak is het doel van deze geïntegreerde opstelling vroege detectie: het stealth-vliegtuig voldoende vroeg lokaliseren zodat andere middelen (bijv. gevechtsvliegtuigen, gericht hogere-frequentie radar, of infraroodgeleide raketten) erop kunnen worden gericht [24][23]. Men erkent dat zelfs sensorfusie stealth niet “overbodig” maakt, maar het kan de tactische effectiviteit ervan wel reduceren [23].

In dit hele proces speelt kunstmatige intelligentie een steeds grotere rol. AI komt op diverse manieren in actie bij sensorfusie voor stealth-detectie.

Ten eerste helpt AI bij het interpreteren van sensoroutput die erg ruiserig of onvolledig is. Machine-learning algoritmes kunnen getraind zijn om in radarecho’s of infraroodbeelden bepaalde anomalieën of patronen te herkennen die een mens moeilijk ziet. Zo kan AI kleine onregelmatigheden in achtergrondruis detecteren of subtiele, herhalende reflecties identificeren die wijzen op een verborgen object [25].

Daarnaast ondersteunt AI de datafusie zelf: het correleren en combineren van metingen van verschillende sensoren. Dit omvat taken als het matchen van een zwakke radarplot met een warmtebron gedetecteerd door IR, of het voorspellen van de baan van een doelwit zodat gescheiden sensormeldingen aan hetzelfde object worden toegewezen.

Ten slotte speelt AI een rol in de beslissingsondersteuning: bijvoorbeeld om automatisch het gedetecteerde object te classificeren (vijandig vliegtuig, vogelzwerm, storing?) en een dreigingsniveau toe te kennen. In onderstaande secties gaan we dieper in op deze AI-toepassingen en de bijbehorende uitdagingen.

Afbeelding gemaakt door ChatGPT 4o

Verschillende vormen van AI

Waarom verschillende AI-methodes nodig zijn

De meeste mensen kennen AI als Generatieve Artificiële Intelligentie maar de AI in Sensorfusie ziet er wel iets anders uit.

Omdat stealth-vliegtuigen ontworpen zijn om detectie te vermijden, levert geen enkele sensor op zich voldoende informatie. Daarom zijn verschillende AI-technieken nodig om:

1. Onzekere signalen te begrijpen (Bayesiaans redeneren),

2. Data slim te combineren (Machine Learning),

3. Patronen te ontdekken (Deep Learning),

4. Beslissingen te ondersteunen (Expertsystemen).

Deze AI-systemen werken samen in een soort "denkproces", zodat zelfs de meest onzichtbare vliegtuigen toch gedetecteerd kunnen worden. We overlopen kort de verschillende vormen van AI.

We beschrijven eerst de verschillende vormen om ze dan vervolgens in een bredere context te plaatsen.

AI voor het interpreteren van individuele sensoren

Elke sensor – zoals radar, infrarood of een akoestische sensor – levert onvolledige en soms vage informatie. Daarom gebruikt men eenvoudige AI-technieken die kunnen omgaan met onzekerheid. Denk aan AI die patronen herkent in wazige radarbeelden of AI die kleine temperatuurverschillen detecteert in infraroodbeelden.

Een vaak gebruikte techniek is het Bayesiaans netwerk. Dit is een AI-model dat helpt om waarschijnlijkheden te berekenen: “Hoe waarschijnlijk is het dat dit signaal afkomstig is van een vliegtuig?” Deze AI is vooral geschikt wanneer informatie onbetrouwbaar of fragmentarisch is [60][61].

AI voor het combineren van informatie uit meerdere sensoren

Sensorfusie betekent: verschillende soorten informatie slim samenbrengen. Bijvoorbeeld: radar ziet een vaag object, infrarood meet wat warmte, en geluidssensoren registreren iets ongewoons. AI moet dan beslissen: horen die signalen bij elkaar, en is dit een stealth-vliegtuig?

Hier gebruikt men vaak machine learning, waarbij de AI leert uit ervaring. Bijvoorbeeld: door veel voorbeelden te analyseren van wat een echt vliegtuig is en wat niet, kan de AI leren juiste combinaties te herkennen. Een bekende methode hiervoor heet AdaBoost: dit combineert verschillende “beslissende factoren” tot één oordeel, zoals een slimme jury [61].

Video Machine Learning

De video legt op een toegankelijke manier uit wat machine learning is, hoe het werkt, en waar je het in het dagelijks leven tegenkomt. Er wordt uitgelegd dat machine learning een onderdeel is van kunstmatige intelligentie waarbij computers leren van data, zonder expliciet geprogrammeerd te zijn voor elke taak. De video behandelt de drie hoofdtypen van machine learning: supervised learning (leren met gelabelde data), unsupervised learning (leren met ongelabelde data), en reinforcement learning (leren door beloning en straf). Er worden praktische voorbeelden gegeven, zoals aanbevelingssystemen van Netflix, spraakherkenning, en beeldherkenning. Ook worden enkele veelgebruikte algoritmes kort genoemd, zoals lineaire regressie, decision trees en k-means clustering.

AI voor het herkennen van complexe patronen in grote hoeveelheden data

Bij geavanceerdere systemen komt veel data tegelijk binnen zoals beelden, geluid, radar. In dit geval kan men diepe neurale netwerken (Deep Learning) gebruiken. Dit is  een vorm van AI die zichzelf traint om patronen te herkennen die voor mensen onzichtbaar zijn.

Bijvoorbeeld: deze AI kan leren dat een bepaalde combinatie van radarflits, temperatuurverschil en timing typisch is voor een stealth-vliegtuig. Een specifiek type deep learning combineert beelden en radarsignalen tegelijk, wat bijzonder nuttig is wanneer een stealth-vliegtuig probeert zich te verstoppen [62][64].

Video Deep Learning

In de video wordt uitgelegd dat deep learning een subset is van machine learning, waarbij gebruik wordt gemaakt van kunstmatige neurale netwerken die zijn geïnspireerd op het menselijk brein. De belangrijkste punten uit de video zijn:

• Deep learning gebruikt meerdere lagen van neuronen (neurale netwerken) om complexe patronen in grote hoeveelheden data te herkennen.
• Het wordt toegepast in allerlei moderne technologieën, zoals spraakherkenning (denk aan Siri of Google Assistant), beeldherkenning (zoals gezichtsherkenning op je telefoon), en zelfrijdende auto's.
• In tegenstelling tot traditionele machine learning, waarbij vaak handmatig kenmerken (features) uit data moeten worden gehaald, leert een deep learning-model deze kenmerken zelf uit de ruwe data.
• De video laat ook zien hoe deep learning verschilt van gewone machine learning en waarom het zo krachtig is bij het oplossen van complexe problemen.

Video Neurale Netwerken

AI voor het ondersteunen van beslissingen

Tot slot is er AI die adviseert of actie nodig is. Stel dat alle signalen wijzen op een mogelijk vijandelijk vliegtuig, maar er is nog twijfel. AI kan dan bijvoorbeeld waarschuwen: “Dit object moet verder onderzocht worden.”
Deze AI weegt de zekerheid en de risico’s af, en ondersteunt menselijke beslissers zoals piloten of operatoren. Hier worden vaak expertsystemen of beslissingsbomen gebruikt, die logische redeneringen volgen [63][66].

Samenvatting: Welke AI doet wat?

 

 Voor een meer diepgaande bespreking over de mogelijke problemen van AI in een militaire context: AI for Military Decision-Making: Harnessing the Advantages and Avoiding the Risks. Center for Security and Emerging Technology [65].

AI-toepassingen voor stealth-detectie: mogelijkheden en uitdagingen

Real-time datafusie en nauwkeurige detectie

Een cruciale eigenschap van AI-gestuurde sensorfusie is aldus het vermogen om real-time enorme hoeveelheden sensordata te verwerken. In moderne luchtverdedigingssystemen worden data van radars, camera’s, IR-detectoren, geluidssensoren, etc., in milliseconden samengevoegd en geanalyseerd [26]. Deze snelheid is van levensbelang: een stealth-raket of vliegtuig kan in enkele seconden van detectie naar inslag gaan, dus elke milliseconde winst in de besluitvorming telt [26]. Traditionele verwerkingsmethoden – waarbij sensorgegevens sequentieel door mensen of trage algoritmes werden beoordeeld – schieten tekort zodra dreigingen “op machine-snelheid” opereren [27]. AI maakt het mogelijk een bulk aan data parallel te verwerken.

Geavanceerde fusie-algoritmen op basis van AI kunnen sensorinformatie bijna onmiddellijk samenvoegen tot één coherent beeld van de situatie [26]. In een milliseconde kan een AI-systeem bijvoorbeeld detecties van meerdere radarstations correleren, rekening houdend met elk systeem’s positie en timing, en dit verrijken met informatie van andere bronnen (satellietbeelden, IFF-transponders, etc.) [28]. Dit resulteert in een nauwkeuriger en completer luchtbeeld met minder onzekerheid. Door real-time datafusie worden stealth-objecten eerder en met hogere betrouwbaarheid opgemerkt, zelfs als elk individueel sensorbericht erg zwak of ambigu is. Een praktisch voorbeeld: waar in de jaren ‘90 luchtverdedigingssystemen soms enkele seconden nodig hadden om radarbeelden van verschillende stations te combineren, bereiken moderne gefuseerde systemen identificatie in fracties van seconden – tot wel 75% sneller [29][26].

AI draagt hiertoe bij via technieken als deep learning voor patroonherkenning en reinforcement learning voor het optimaliseren van sensor-gegevensverwerking (zie Deep Learning, Reinforcement Learning). Deep learning-netwerken kunnen getraind worden op grote datasets van sensormetingen (bijv. radarreflecties van bekende vliegtuigen in verschillende omstandigheden) en leren zo onderscheid te maken tussen normale achtergrond en een mogelijk stealth-signatuur [25]. Zulke netwerken kunnen een probabilistische “heatmap” van dreigingsposities genereren uit multi-sensor input, waarbij rekening wordt gehouden met onzekerheden. Daarnaast helpen AI-algoritmes bij multi-sensor tracking: ze voorspellen waar een doel zich heen beweegt en koppelen daaropvolgende detecties aan dezelfde track, zelfs als het doel tijdelijk uit één sensorbeeld verdwijnt. Dit voorkomt dat een stealth-vliegtuig verloren raakt in de data of verward wordt met meerdere doelen. Kortom, AI-gebaseerde real-time fusie leidt tot hogere detectiekans en nauwkeuriger volgrapporten (tracks) van stealth-doelen [9].

Video Reinforcement Learning

Toch zijn er uitdagingen [66]. Een belangrijk probleem is datakwaliteit en synchronisatie: verschillende sensoren hebben uiteenlopende resoluties, update-snelheden en precisies. AI moet getrainde modellen hebben die robuust zijn tegen deze variaties. Daarnaast is er de enorme hoeveelheid data – high-resolution radar, full-motion video, enz. – die vraagt om efficiënte AI-modellen en hardware (denk aan GPU’s of gespecialiseerde AI-chips op het slagveld). Moderne systemen benutten edge computing (de verwerking dicht bij de sensor - zie onderstaande afbeelding) om vertraging door netwerktransmissie te verminderen [30][31]. AI maakt het zo mogelijk dreigingen direct bij de bron te analyseren (bijv. een drone die zelf de camerabeelden met een neurale netwerk in real-time doorzoekt naar vliegtuigen) [32]. Dit ontlast centrale commandoposten en voorkomt beslissingsvertraging bij verbroken communicatielinks [33][32].

Afbeelding gemaakt door ChatGPT 4o

Cognitieve radar en adaptieve detectiestrategieën

Een van de meest innovatieve toepassingen van AI in sensordomein is de ontwikkeling van cognitieve radars. Een cognitieve radar is een radar die gestuurd wordt door AI-algoritmen en die zich dynamisch kan aanpassen aan de omgeving en het doelwitgedrag [34]. In plaats van met een vaste zendsignaalvorm en vaste verwerkingsroutine te werken, “denkt” een cognitieve radar als het ware mee. Het systeem observeert continu de resultaten van zijn eigen metingen en leert daaruit hoe het zijn toekomstige uitzendingen kan optimaliseren – vergelijkbaar met hoe een zelfrijdende auto constant de rijstijl bijstuurt op basis van sensorinput [35][36].

Video Cognitive Radar

In de praktijk betekent dit dat een AI-gestuurde radar bijvoorbeeld zijn frequentie, pulsduur, antennepatroon of polarimetrie in real-time kan wijzigen om een glimp van een stealth-doelwit op te vangen. Stealth-vliegtuigen zijn vaak geoptimaliseerd tegen een bepaald radarfrequentiebereik of -perspectief. Een cognitieve radar kan echter verschillende frequenties uitproberen, kijken bij welke instellingen een verdacht signaal optreedt, en vervolgens meer energie of aandacht daar op focussen.

Dit proces volgt het principe van de waarneming-actie cyclus: de radar percipieert de omgeving, orienteert zich op potentiële doelen, beslist een nieuwe strategie (bijv. andere golfvorm uitzenden), en handelt door die uitzendparameter te wijzigen – waarna de cyclus herhaalt [34][37]. Dit komt overeen met wat we eerder gezien hebben (Video Sensor Fusion): Sense - Perceive - Plan - Act of Observe - Orient - Decide - Act (OODA-Loop). Machine learning (zoals reinforcement learning) speelt hier een rol: het algoritme krijgt beloning voor metingen die de detectiekans verhogen en straf voor loze uitzendingen, zodat het na verloop van tijd leert welke detectiestrategieën tegen een bepaald stealth-doel effectief zijn [38][39].

Naast de ontwikkeling van kwantumradars (zie ook lager), blijken cognitieve radars vooral nuttig in het tegengaan van adaptieve stealth-technieken en storingsmiddelen. Een stealth-vliegtuig kan bijvoorbeeld actieve elektronica aan boord hebben om bepaalde radarsignalen te verstoren (zogenoemde Electronic Countermeasures (ECM)). Een conventionele radar met vast protocol kan hierdoor verblind raken, maar een cognitieve radar kan de storing detecteren en slim ontwijken door van modus te veranderen – bijvoorbeeld door onverwachte waveform wijzigingen die de tegenstander niet voorzag [40][41].

Evenzo kan een cognitieve radar zich richten op het ontmaskeren van stealth door subtiele indirecte effecten: als een stealth-object het radarbeeld beïnvloedt (zij het minimaal), kan de radar dit leren herkennen als indicatief patroon. Dit is vergelijkbaar met het idee dat stealth-vliegtuigen mogelijk zichtbaar zijn door de “schaduw” die ze werpen tegen achtergrondstraling (denk aan het Starlink-satellietverlichtingsvoorbeeld (PCL)) – een cognitief systeem zou een klein signaalverlies van een satelliet detecteren en concluderen dat er een object in de baan moet zitten [18][42].

Onderzoeker dr. Simon Haykin, die het concept van cognitieve radar introduceerde, benadrukte dat een cognitieve radar elementen van menselijke cognitie nabootst: geheugen (onthoudt eerdere detecties en gemiste kansen), aandacht (richt zich op belangrijke sectoren) en flexibiliteit [35]. In experimentele opstellingen is aangetoond dat cognitieve radars beter kunnen omgaan met ongekende situaties en “verdachte” doelen kunnen blijven volgen waar traditionele radars het spoor bijster raken [34].

De implementatie brengt echter uitdagingen met zich mee: hoge rekenvereisten, behoefte aan zeer snelle algoritmes (omdat de radarbeslissingen in microseconden genomen moeten worden tussen opeenvolgende pulsen), en complexiteit in ontwerp en validatie. Desondanks worden cognitieve radars gezien als de volgende generatie radarsystemen, met name om te kunnen concurreren tegen steeds geavanceerdere stealth-technieken en elektronische tegenmaatregelen [34][43]. Grote defensiemachten investeren in prototypes en testprogramma’s waarin AI-algoritmes radars aansturen om adaptief zendantennes te managen en spectrum slim te gebruiken [44][45].

Snelle dreigingsanalyse en reactievermogen

In moderne luchtverdediging is niet alleen het detecteren van stealth-doelen belangrijk, maar ook hoe snel men ze kan identificeren als dreiging en erop reageren. AI speelt hierin een sleutelrol, doordat het analysewerk dat vroeger seconden of minuten duurde, terugbrengt naar milliseconden [46]. Bijvoorbeeld, waar een menselijk operator tijd nodig heeft om een radarspoor te beoordelen en te besluiten of het een vijandelijk toestel betreft, kan een AI-classificatiemodel vrijwel direct een waarschijnlijkheid toekennen dat het spoor een stealth-vliegtuig is, op basis van kenmerken als bewegingspatroon, zwakke multispectrale signatuur, etc.

In een milliseconde-schaal analyseert een AI-systeem het fused sensorbeeld en voert het een dreigingsanalyse uit: het correleert het pad van het object met beschermde zones, beoordeelt de snelheid/hoogte (past het bij een kruisvluchtwapen of verkenningsdrone?), en checkt databanken (is er een friendly of bekende flightplan op die positie?). Op basis daarvan kan AI prioriteit aan de dreiging geven. Dit is essentieel omdat moderne aanvallen vaak snel en zwermgewijs zijn – denk aan een salvo van raketten of drones. AI kan in fracties van seconden tientallen sporen rangschikken, het urgentste doel aanwijzen en zelfs een onderscheppingsvoorstel doen [28][29].

 

Video Advanced Battle Management System

Wel te verstaan voor raketten en dus niet stealth-vliegtuigen, is het Amerikaanse ABMS-experiment (Advanced Battle Management System) in 2020 een treffend voorbeeld, waar AI werd ingezet om sensorgegevens van verschillende krijgsmachtdelen te koppelen en zo de besluitvorming in een raketaanvalscenario van minuten naar seconden terug te brengen [47]. In algemene zin geldt: wie sneller besluit, heeft de tactische overhand. AI versnelt de OODA-loop (Observe-Orient-Decide-Act) drastisch [48][27]. “Elke milliseconde telt,” zoals een defensie-analyse het stelt – geautomatiseerde systemen kunnen raketten lanceren of storingspulsen uitzenden vrijwel op het moment dat een bedreiging opkomt [26][46].

Video ABMS: Decision Advantage

Dit verhoogde tempo stelt ook nieuwe eisen. Ten eerste moet de AI zeer betrouwbaar zijn – valse alarmen of verkeerde classificaties in milliseconden kunnen leiden tot onnodige vuurleidingen of juist gemiste kansen. Moderne AI-systemen worden daarom grondig getraind en getest met grote datasets van zowel dreigingsscenario’s als benign scenario’s om de false-positive/false-negative ratio te minimaliseren. Daarnaast wordt gewerkt aan uitlegbare AI (XAI ofte Explainable artificial intelligence (niet de AI van X)), zodat zelfs in een flitsbeslissing achteraf te herleiden is waarom de AI iets als dreiging aanmerkte (belangrijk voor menselijk vertrouwen en verfijning van de algoritmes) [49].

Video Explainable AI (XAI)

Snelle dreigingsanalyse door AI bewijst zijn nut vooral in complexe, overlappende situaties: stel dat een stealth-cruise missile gelijktijdig met een groep decoy-drones aankomt. Een mens zou moeite hebben in realtime te bepalen welk spoor prioritair is, maar AI kan razendsnel de kinematica en signatuur van elk object doorlichten en bijvoorbeeld herkennen dat één object een afwijkend infraroodspoor heeft (raketmotor) terwijl de rest geen warmte vertoont – wat kan betekenen dat die ene het echte wapen is. Zulke subtiliteiten in milliseconde analyseren maakt het verschil tussen een tijdige onderschepping of een succesvolle aanval. AI kan dus ervoor zorgen dat moderne luchtverdediging niet meer reactief is op menselijke schaal, maar proactief op machineschaal.

AI is geen wondermiddel

Hoewel AI en geavanceerde machine learning-technieken de detectie van zwakke signalen hebben verbeterd, blijven er inherente beperkingen bestaan. AI-systemen leren op basis van trainingsdata, en indien de trainingsdata niet representatief zijn voor alle operationele omstandigheden (bijvoorbeeld bij uitzonderlijke weersomstandigheden, tegenmaatregelen of radartechnische beperkingen), kan de betrouwbaarheid van de detectie ernstig verminderen. Bovendien zijn er altijd een zekere mate van fout-positieven en -negatieven aanwezig, wat betekent dat stealth-vliegtuigen in de praktijk nog steeds met een zekere graad van succes verborgen kunnen blijven.

Adaptieve automatisering en mens-machine samenwerking

De integratie van AI in sensorfusie en detectiesystemen roept de vraag op: wat is de rolverdeling tussen mens en machine? Adaptieve automatisering is het concept waarbij AI dynamisch bepaalt welke taken geautomatiseerd worden en welke door menselijke operators worden uitgevoerd, op basis van de situatie en urgentie. In traditionele systemen was een mens “in the loop” voor belangrijke beslissingen (bv. wel/niet vuren). Maar door de toegenomen snelheid en complexiteit zien we een verschuiving naar human-on-the-loop: de mens houdt toezicht en grijpt in waar nodig, terwijl de AI de routineuze of razendsnelle besluiten neemt [50][67].

Concreet betekent adaptieve automatisering dat AI routinematige of zeer complexe analytische taken uit handen neemt, zodat de mens zich kan richten op strategische keuzes en uitzonderingen. Bijvoorbeeld, AI kan continu alle binnenkomende sensorfeeds monitoren op anomalieën (een taak die voor een mens saai en uitputtend zou zijn) en meldingen genereren wanneer iets verdachts opduikt. De operator hoeft dan alleen de relevante alerts te bekijken in plaats van rauwe data [51]. Evenzo kan AI een lijst van gedetecteerde doelen automatisch aanvullen met identificatie (vriend/vijand/ongedefinieerd) en een aanbevolen prioriteit. De mens kan akkoord gaan of ingrijpen als hij/zij andere informatie heeft. Dit verhoogt de situational awareness van de operator zonder deze te overbelasten. Sterker nog, in scenario’s met een overvloed aan dreigingen (bv. een zwerm aanval) is volledige menselijke controle ondoenlijk – hier is automatische taakverdeling essentieel om überhaupt effectief te kunnen reageren [29][50].

De AI kan zich adaptief opstellen door te schalen naargelang de situatie. Bij lage dreigingsintensiteit laat het routinewerk over aan de machine maar kan de mens nog beslissen, terwijl bij hoge dreigingsintensiteit de AI meer beslissingsbevoegdheid autonoom uitvoert om de snelheid vol te houden. Uit rapportages blijkt dat als het aantal simultane bedreigingen groeit, het beslissingsproces “onvermijdelijk verschuift naar AI en machine learning” – anders is tijdige respons niet haalbaar [50]. Tegelijkertijd wordt benadrukt dat de AI’s beslissingen begrijpelijk en controleerbaar moeten blijven voor de mens. Adaptieve automatisering vereist daarom een naadloze mens-machine interface waarin de AI’s analyses transparant zijn en de operator snel kan ingrijpen of bijsturen wanneer nodig.

Afbeelding gegenereerd door DALL-E

Een voordeel van deze samenwerking is dat menselijke operators zich kunnen concentreren op urgente strategische beslissingen in plaats van op micromanagement. Zo kunnen commandanten focussen op bijvoorbeeld het coördineren van een verdedigingsstrategie of communicatie met andere eenheden, terwijl AI de individuele sensoranalyses en dreigingsclassificaties uitvoert. Bovendien leert de AI ook van de mens: als de operator een alert als vals alarm markeert of een doel anders inschat, kan het systeem dit feedback gebruiken om zijn modellen aan te passen (een vorm van online learning).

Uitdagingen in adaptieve automatisering zijn er ook. Oververtrouwen in AI is een risico: operators kunnen geneigd zijn klakkeloos de AI te volgen, wat gevaarlijk is als de AI eens fout zit [52]. Daarom wordt getraind op een juiste balans: de mens moet de AI als assistent zien, niet als onfeilbare waarheid. Andersom is onderbenutting ook een punt – als de mens de AI voortdurend negeert of uitschakelt, gaan de voordelen verloren. Training en doctrine binnen defensie evolueren om optimaal van AI gebruik te maken, met behoud van menselijk inzicht op cruciale momenten. Denk aan regels dat een mens altijd de laatste vuurknoop controleert tenzij er geen tijd is (bv. point-defense tegen supersnelle wapens, waar AI autonoom mag vuren).

Adaptieve automatisering is bedoeld om de cognitieve workload te verdelen. AI excelleert in snelheid, patroonherkenning en multitasking, terwijl mensen sterk blijven in oordeelsvorming, contextbegrip en ethische afwegingen. Door routine en hectische rekenklusjes te automatiseren, ontstaat er voor menselijke besluitvormers “lucht” om de grote lijnen te bewaken en te reageren op onvoorziene situaties. Zo vormt AI geen vervanging van de mens, maar een vermenigvuldiger van menselijk vermogen – essentieel in de complexe en snel veranderende omgeving van stealth-detectie en luchtverdediging [50][53].

Opkomende technologie: quantum-radar en -sensoren

Tot slot is het relevant kort stil te staan bij opkomende technologieën uit de kwantummechanica die de detectie van stealth-objecten in de toekomst kunnen beïnvloeden. Hoewel dit enigszins buiten het directe domein van AI valt, worden quantum-radars en -sensoren vaak in samenhang met slimme detectienetwerken genoemd.

Quantum radar (zie Kwantumradar: veel kwantumtheorie, maar weinig radar ... voorlopig voor meer uitleg) gebruikt principes als kwantumverstrengeling om doelwitten te detecteren op een manier die fundamenteel verschilt van klassieke radar. In theorie zou een kwantumradar een paar fotonen verstrengelen, één de ruimte in sturen en de ander behouden; als de uitgezonden foton met een object interacteert, verandert de toestand van de behouden foton direct. Hiermee zou men uiterst zwakke of subtiele terugkaatsingen kunnen opmerken, potentieel genoeg om zelfs stealth-vliegtuigen te onderscheiden die voor conventionele radar onzichtbaar zijn [54]. Chinese onderzoekers hebben geclaimd een dergelijk principe op kleine schaal te demonstreren, en hoge functionarissen bij DARPA (zoals Rob McHenry) waarschuwen dat quantum-sensing de huidige stealth-technologie uiteindelijk kan ondermijnen [45][44]. McHenry stelt: “Ik denk niet dat we operationeel gezien nog zullen kunnen verbergen, door de verfijning van sensorfusie en tracking met AI en andere technieken” – waarmee hij doelt op de combinatie van geavanceerde multisensorfusie (eventueel quantum) en AI die stealth doorziet [55].

Afbeelding gegenereerd door DALL-E

Naast kwantumradar zijn er ook kwantumsensoren (quantum sensors) zoals kwantum-magnetometers en kwantum-gyroscopen. Deze extreem gevoelige instrumenten kunnen minimale verstoringen in magnetische of gravitatievelden meten [56][57]. In theorie zou een stealth-vliegtuig, ondanks alle verstop-maatregelen, toch een minieme verstoring in het aardmagnetisch veld kunnen veroorzaken, die een kwantum-magnetometer kan waarnemen. Of subtiele gravitatie-anomalieën door de massa van een vliegtuig zouden met quantum-gravimeters te detecteren zijn. Hoewel dit nog zeer experimenteel is, zijn wereldmachten als de VS en China druk bezig met onderzoek hiernaar, omdat een doorbraak op dit vlak game-changing zou zijn in militaire strategie [58][59]. Een kwantum-infraroodsensor of LiDAR zou bijvoorbeeld fotonen in quantumtoestand kunnen gebruiken om door storingsbronnen of camouflage heen te “kijken” op een manier die klassieke sensoren niet kunnen.

Video LiDAR

Belangrijk is wel te beseffen dat deze quantumtechnologieën zich nog in de onderzoeks- of prototypestadia bevinden. Technische hordes als het behouden van quantumverstrengeling over grote afstand, en het kwantumapparaat robuust laten functioneren in veldomstandigheden (temperatuur, trillingen, etc.), zijn nog niet opgelost [60]. Zelfs als kwantumradar werkt, zal het waarschijnlijk eerst als aanvulling op bestaande systemen dienen in plaats van als vervanging [61]. Bovendien zullen stealth-ontwerpen zich ook blijven ontwikkelen – mogelijk komen er tegenmaatregelen specifiek tegen quantumdetectie (bijvoorbeeld materialen die quantumverstoringen minimaliseren) [62].

De relevantie van AI in dit kwantum-verhaal is dat, mocht kwantum-sensorfusie realiteit worden, de data-analyse wederom door AI zal moeten gebeuren. Kwantum-sensoren kunnen zeer complexe data opleveren waar AI geschikt voor is om patronen in te herkennen. Ook het integreren van quantum-sensoroutput met klassieke sensordata zal waarschijnlijk via AI-fusie-algoritmes verlopen, net zoals nu radar en IR worden gecombineerd. We kunnen dus stellen dat AI en sensorfusie het overkoepelende kader vormen, waarin zowel huidige als toekomstige sensortypen – inclusief quantum – een plek krijgen.

Conclusies en verdere beschouwingen

AI en sensorfusie veranderen fundamenteel de wijze waarop stealth-vliegtuigen worden gedetecteerd, gevolgd en bestreden. Waar vroeger een stealth-toestel bijna absolute onzichtbaarheid genoot tegen een enkel radarstation, zien we nu dat een netwerk van complementaire sensoren die gegevens delen de detectiekansen sterk verhogen [1][22].

Multisensorfusie maakt gebruik van de diverse signaturen die een stealth-platform ondanks alles afgeeft – of het nu gaat om een piepklein radarechootje, een infrarode warmtepluim, of verstoring van achtergrondsignalen. Cruciaal daarbij is de inzet van AI om al die heterogene informatie in real-time te analyseren en te integreren tot één situatiebeeld. AI-algoritmen (zoals deep learning en reinforcement learning) identificeren patronen en anomalieën die menselijke analisten zouden ontgaan of te laat zouden opmerken [25][9]. Bovendien zorgen AI-gestuurde systemen voor een drastische versnelling: beslissingen die voorheen te traag of onmogelijk waren, worden nu binnen milliseconden genomen, wat een must is in confrontaties met hypersonische wapens en andere hoogtempo dreigingen [26][46].

Een belangrijk inzicht is dat AI niet enkel een hulpmiddel is, maar een game-changer in het tactisch voordeel. In de geschiedenis van de strijd tussen detectie en ontduiking was stealth lange tijd een troef van aanvallende middelen. We zien nu de pendel terugzwaaien: door slimme sensorfusie en AI krijgen verdedigers opnieuw een kans om de stealth-kloof te dichten [63][64]. Dit betekent niet dat stealth-vliegtuigen ineens waardeloos worden – integendeel, de detectie blijft uitdagend en vereist aanzienlijke investering in sensornetwerken en rekenkracht. Maar het monopolie dat stealth enige decennia had, brokkelt af. In de nabije toekomst zullen succesvolle luchtverdediging en luchtoperaties afhangen van wie de beste AI-gedreven informatiepositie heeft. De side die het data-overwicht en de intelligentste beslissingsalgoritmes heeft, kan zelfs een technisch stealthy tegenstander te slim af zijn.

Verder hebben we gezien dat menselijke operators niet verdwijnen uit dit plaatje, maar hun rol evolueert. Ze fungeren meer als supervisors en strategen, terwijl AI de uitvoerende analyse en coördinatie doet [50][53]. Dit vraagt om nieuwe training en doctrine: vertrouwen op AI waar die beter presteert, maar ook begrijpen wanneer menselijke interventie nodig is. Transparantie van AI-systemen en robuuste fail-safes (bijvoorbeeld hoe te handelen als AI of communicatie uitvalt) moeten ingebouwd worden.

Wat betreft toekomstige beschouwingen, is het duidelijk dat de wedloop tussen stealth-technologie en detectiemethoden doorgaat. AI en sensorfusie hebben stealth uitgedaagd, maar op hun beurt zullen stealth-ontwerpers reageren. Mogelijk komen er in de toekomst stealth-materialen die adaptief hun signatuur veranderen om AI’s verwarrende inputs te geven, of decoy’s die AI-algoritmes proberen te misleiden. Dit maakt het noodzakelijk dat AI-systemen lerend en adaptief blijven, zoals de cognitieve radarconcepten laten zien. Daarnaast zullen ethische en strategische vragen rond autonomie prominenter worden: mag een AI autonoom besluiten tot een defensieve dodelijke actie op basis van sensorfusie? Veel landen aarzelen om de “trigger” volledig aan AI over te laten.

Ten slotte, als quantum-sensing rijper wordt, zou het weleens de volgende revolutie kunnen zijn. Een volledig uitgebouwde kwantumradar of kwantum-sensornetwerk, geïntegreerd met AI, zou stealth in zijn huidige vorm mogelijk irrelevant maken [45][54]. Maar zoals altijd in technologie is er geen zilveren kogel: elke nieuwe vinding brengt nieuwe tegenmaatregelen voort [65][64]. In dit voortdurende kat-en-muis-spel is de samenwerking van mens en AI wellicht de meest bepalende factor – intelligentie (zowel menselijk als kunstmatig) wordt de ultieme heerser over detectie of ondetecteerbaarheid.

In een notendop kunnen we stellen dat  Sensorfusie en AI samen een krachtig antwoord op de uitdagingen van stealth-detectie vormen. Door real-time geïntegreerde waarneming, cognitieve adaptiviteit en supersnelle besluitvorming te bieden, verkleinen ze de veilige schaduw waarachter stealth-vliegtuigen opereren. Feitelijk luidt de huidige ontwikkeling een nieuw tijdperk in waarin informatie en algoritmische superioriteit net zo belangrijk zijn als fysieke wapentechnologie. Deze evolutie blijft geworteld in wetenschappelijk onderbouwde methoden en innovatie, en zoals steeds zal een wetenschappelijke aanpak – gestoeld op feiten, experimenten en iteratieve verbeteringen – ons brengen naar de volgende fase in zowel stealth- als detectietechnologie. Maarstealth-vliegtuigen zijn ontworpen om reflecties te minimaliseren, en zelfs op dit moment met de beste sensorfusietechnieken zal er een grens zijn waarachter het signaal verloren gaat in ruis. Stealth is bijlange nog niet afgeschreven.

Referenties

• FlyAJetFighter. (2025, 27 juni). How radars detect stealth aircraft today. Retrieved from https://www.flyajetfighter.com/how-radars-detect-stealth-aircraft-today/[1][22]
• Informatik 4, University of Bonn. (z.d.). What is Sensor Data and Information Fusion? (deutsche/English version) – Sectie Where does it come from?. Retrieved from https://net.cs.uni-bonn.de/de/wg/sdf/what-is-it/[2]
• Kugler, L. (2024, 10 december). The End of Stealth? Communications of the ACM, 68(1). Retrieved from https://cacm.acm.org/news/270123-the-end-of-stealth/fulltext[18][66]
• Whitney, J. (2025, 16 april). Artificial intelligence (AI) takes its place in sensor, signal, and image processing. Military & Aerospace Electronics. Retrieved from https://www.militaryaerospace.com/computers/article/55273984[32][9]
• Real-Time Innovations. (2025, 30 april). Decision-making at the speed of relevance: Modernizing the OODA Loop for today’s threats. Breaking Defense. Retrieved from https://breakingdefense.com/2025/04/decision-making-at-the-speed-of-relevance-modernizing-the-ooda-loop-for-todays-threats/[26][50]
• Buritica, A. (2024, 28 oktober). The Intelligent Future of Spectrum Visibility (Part 2). Microwaves & RF. Retrieved from https://www.mwrf.com/technologies/test-measurement/article/55238716[34]
• Seitz, I. (2025, 28 juni). “Quantum Sensing” Could Make Stealth B-21 Bombers and F-35 Fighters Obsolete. National Security Journal. Retrieved from https://nationalsecurityjournal.org/quantum-sensing-could-make-stealth-b-21-bombers-and-f-35-fighters-obsolete/[44][54]

[1] [10] [11] [12] [13] [14] [15] [16] [19] [21] [22] [23] [24] [25] How radars detect stealth aircraft today

https://www.flyajetfighter.com/how-radars-detect-stealth-aircraft-today/

[2] [3] [4] [5] Informatik 4: What is it (deutsche Version)

https://net.cs.uni-bonn.de/de/wg/sdf/what-is-it/

[6] Dirty Secrets in Multisensor Data Fusion | Request PDF

https://www.researchgate.net/publication/319770451_Dirty_Secrets_in_Multisensor_Data_Fusion

[7] [8] isif.org

https://isif.org/files/isif/2024-03/37-42_ipif-01.pdf

[9] [30] [31] [32] [33] [43] [51] [53] AI-Driven Signal Processing and Sensor Fusion for Military Situational Awareness | Military Aerospace

https://www.militaryaerospace.com/computers/article/55273984/artificial-intelligence-ai-and-machine-learning-in-sensor-signal-and-image-processing

[17] [18] [20] [42] [63] [64] [65] [66] The End of Stealth? – Communications of the ACM

https://cacm.acm.org/news/the-end-of-stealth/

[26] [27] [28] [29] [48] [49] [50] Decision-making at the speed of relevance: Modernizing the OODA Loop for today’s threats - Breaking Defense

https://breakingdefense.com/2025/04/decision-making-at-the-speed-of-relevance-modernizing-the-ooda-loop-for-todays-threats/

[34] [35] [36] [37] [38] [39] Cognitive Radar and AI in RF Spectrum Management | Microwaves & RF

https://www.mwrf.com/technologies/test-measurement/article/55238716/tektronix-cognitive-radar-and-ai-in-rf-spectrum-management

[40] Future of Radar Systems Market: AI Integration Explained

https://www.marketsandmarkets.com/ResearchInsight/ai-impact-analysis-on-radar-systems-industry.asp

[41] Automotive Radar Advancements with AI - Revolutionizing Safety ...

https://multicorewareinc.com/automotive-radar-advancements-with-ai-revolutionizing-safety-perception-part-1/

[44] [45] [54] [55] [56] [57] [58] [59] [60] [61] [62] 'Quantum Sensing' Could Make Stealth B-21 Bombers and F-35 Fighters Obsolete - National Security Journal

https://nationalsecurityjournal.org/quantum-sensing-could-make-stealth-b-21-bombers-and-f-35-fighters-obsolete/

[46] Role of AI and Robots in Air Defense System - Statetimes

https://statetimes.in/role-of-ai-and-robots-in-air-defense-system/

[47] AI's Role in Defense - Accelerating Decision Dominance

https://owlcyberdefense.com/blog/ai-role-in-defense-accelerating-decision-dominance/

[52] Overtrust in AI Alters Decision-Making, Raising Concerns for Military ...

https://www.digitalinformationworld.com/2025/02/overtrust-in-ai-alters-decision-making.html

[60] Onbekende auteur. (2024). Bayesian networks for interpretable and extensible multisensor fusion [Conference Paper]. SPIE. https://doi.org/10.1117/12.3028532

[61] Kim, S., Song, W.-J., & Kim, S.-H. (2016). Robust ground target detection by SAR and IR sensor fusion using AdaBoost-based feature selection. Sensors, 16(7), 1117. https://doi.org/10.3390/s16071117

[62] Nobis, F., Geisslinger, M., Weber, M., Betz, J., & Lienkamp, M. (2020). A deep learning-based radar and camera sensor fusion architecture for object detection. arXiv. https://doi.org/10.48550/arXiv.2005.07431

[63] Zhao, Y., Zhao, L., Liu, Z., Hu, D., Kuang, G., & Liu, L. (2022). Attentional feature refinement and alignment network for aircraft detection in SAR imagery. arXiv. https://doi.org/10.48550/arXiv.2201.07124

[64] Kaul, C., Mitchell, K. J., Kassem, K., Tragakis, A., Kapitany, V., Starshynov, I., … & Faccio, D. (2024). AI‑Enabled sensor fusion of time‑of‑flight imaging and mmWave for concealed metal detection. Sensors, 24(18), 5865. https://doi.org/10.3390/s24185865

[65] Probasco, E., Toner, H., Burtell, M., & Rudner, T. G. J. (2025, april). AI for Military Decision-Making: Harnessing the Advantages and Avoiding the Risks. Center for Security and Emerging Technology. https://cset.georgetown.edu/wp-content/uploads/CSET-AI-for-Military-Decision-Making.pdf

[66] Wilson, J. (2024, 19 augustus). Artificial intelligence (AI) and machine learning in military operations. Military Aerospace. https://www.militaryaerospace.com/computers/article/55126930/artificial-intelligence-ai-machine-learning-military-operations

[67] DIDEV. (z.d.). AI vs. traditionele automatisering: De cruciale verschillen voor bedrijven. Geraadpleegd op 2 augustus 2025, van https://didev.nl/ai/ai-vs-traditionele-automatisering-wat-is-het-verschil-en-waarom-is-het-belangrijk/