Radar śledzący

Radar śledzący to składnik systemu radarowego lub powiązanego systemu dowodzenia i kontroli (C2), który łączy kolejne obserwacje radarowe tego samego celu w ślady . Jest to szczególnie przydatne, gdy system radarowy przekazuje dane z kilku różnych celów lub gdy konieczne jest połączenie danych z kilku różnych radarów lub innych czujników.

Rola radaru śledzącego

Klasyczny obrotowy system radarowy nadzoru powietrznego wykrywa echo celu na tle szumu. Raportuje te wykrycia (znane jako „wykresy”) we współrzędnych biegunowych reprezentujących zasięg i namiar na cel. Ponadto szum w odbiorniku radaru czasami przekracza próg wykrywalności detektora stałej częstotliwości fałszywych alarmów radaru i jest nieprawidłowo zgłaszany jako cele (tzw. fałszywe alarmy ). Rolą trackera radarowego jest monitorowanie kolejnych aktualizacji z systemu radarowego (które zwykle pojawiają się raz na kilka sekund, gdy antena się obraca) oraz określanie sekwencji wykresów należących do tego samego celu, odrzucając jednocześnie wykresy uważane za fałszywe alarmy. Ponadto lokalizator radarowy jest w stanie wykorzystać sekwencję wykresów do oszacowania aktualnej prędkości i kierunku celu. Gdy obecnych jest kilka celów, urządzenie śledzące radar ma na celu zapewnienie jednej ścieżki dla każdego celu, przy czym historia śledzenia jest często używana do wskazania, skąd pochodzi cel.

Kiedy wiele systemów radarowych jest podłączonych do jednego stanowiska raportowania, wieloradarowy tracker jest często używany do monitorowania aktualizacji ze wszystkich radarów i tworzenia ścieżek z kombinacji detekcji. W tej konfiguracji ślady są często dokładniejsze niż te utworzone z pojedynczych radarów, ponieważ do oszacowania śladów można wykorzystać większą liczbę detekcji. Oprócz kojarzenia wykresów, odrzucania fałszywych alarmów oraz szacowania kursu i prędkości, tracker radarowy działa również jako filtr, w którym wygładzane są błędy w poszczególnych pomiarach radarowych. Zasadniczo tracker radarowy dopasowuje gładką krzywą do zgłaszanych wykresów i, jeśli zostanie wykonany prawidłowo, może zwiększyć ogólną dokładność systemu radarowego. Wielosensorowy tracker rozszerza koncepcję wieloradarowego urządzenia śledzącego, aby umożliwić łączenie raportów z różnych typów czujników — zazwyczaj radarów , wtórnych radarów dozorowania (SSR), systemów identyfikacji przyjaciel lub wróg (IFF) oraz danych elektronicznych środków wsparcia (ESM).

Ślad radarowy zazwyczaj zawiera następujące informacje:

  • Pozycja (w dwóch lub trzech wymiarach)
  • Nagłówek
  • Prędkość
  • Unikalny numer utworu

Ponadto, w zależności od aplikacji lub zaawansowania trackera, ścieżka będzie również zawierać:

  • cywilnych trybach SSR A, C, S
  • wojskowych trybach IFF 1, 2, 3, 4 i 5
  • Informacje o znaku wywoławczym
  • Śledź informacje o niezawodności lub niepewności

Ogólne podejście

Istnieje wiele różnych algorytmów matematycznych używanych do implementacji radaru śledzącego, o różnym poziomie zaawansowania. Jednak wszystkie one wykonują czynności podobne do poniższych przy każdej aktualizacji radaru:

Być może najważniejszym krokiem jest aktualizacja torów o nowe wątki. Wszystkie moduły śledzące będą pośrednio lub jawnie uwzględniać szereg czynników na tym etapie, w tym:

  • model pokazujący, w jaki sposób pomiary radarowe są powiązane ze współrzędnymi celu
  • błędy w pomiarach radarowych
  • model ruchu docelowego
  • błędy w modelu ruchu celu

Korzystając z tych informacji, lokalizator radarowy próbuje zaktualizować ślad, tworząc średnią ważoną aktualnej pozycji zgłoszonej przez radar (który zawiera nieznane błędy) i ostatnią przewidywaną pozycję celu z trackera (który również zawiera nieznane błędy). Problem śledzenia jest szczególnie trudny w przypadku celów o nieprzewidywalnych ruchach (tj. nieznanych modelach ruchu celów), niegaussowskich błędach pomiaru lub modelu, nieliniowych zależnościach między mierzonymi wielkościami a pożądanymi współrzędnymi celu, wykrywaniu w obecności niejednorodnych rozproszony bałagan, pominięte wykrycia lub fałszywe alarmy. W prawdziwym świecie radar śledzący zazwyczaj ma do czynienia z kombinacją wszystkich tych efektów; doprowadziło to do opracowania coraz bardziej wyrafinowanego zestawu algorytmów do rozwiązania problemu. Ze względu na konieczność tworzenia tras radarowych w czasie rzeczywistym, zwykle dla kilkuset celów jednocześnie, zastosowanie algorytmów śledzenia radarowego było zwykle ograniczone dostępną mocą obliczeniową.

Działka do śledzenia powiązania

Na tym etapie przetwarzania radar śledzący stara się określić, które wykresy należy wykorzystać do aktualizacji których śladów. W wielu podejściach dany wykres może być użyty tylko do aktualizacji jednej ścieżki. Jednak w innych podejściach wykres może być użyty do aktualizacji kilku ścieżek, uznając niepewność co do wiedzy, do której ścieżki należy wykres. Tak czy inaczej, pierwszym krokiem w procesie jest aktualizacja wszystkich istniejących torów do aktualnego czasu poprzez przewidywanie ich nowej pozycji w oparciu o najnowsze oszacowanie stanu (np. pozycja, kurs, prędkość, przyspieszenie itp.) i zakładany cel model ruchu (np. stała prędkość, stałe przyspieszenie itp.). Po zaktualizowaniu szacunków można spróbować powiązać działki z torami.

Można to zrobić na kilka sposobów:

  • Definiując „bramkę akceptacji” wokół bieżącej lokalizacji ścieżki, a następnie wybierając:
    • najbliższa działka w bramie do przewidywanej pozycji, lub
    • najsilniejszy spisek w bramie
  • Za pomocą podejścia statystycznego, takiego jak Probabilistic Data Association Filter (PDAF) lub Joint Probabilistic Data Association Filter (JPDAF), które wybiera najbardziej prawdopodobną lokalizację wykresu poprzez statystyczną kombinację wszystkich prawdopodobnych wykresów. Wykazano, że to podejście jest dobre w sytuacjach dużego bałaganu radarowego .

Po powiązaniu toru z wykresem przechodzi on do etapu wygładzania toru , w którym przewidywany tor i powiązany wykres są łączone w celu uzyskania nowego, wygładzonego oszacowania lokalizacji docelowej.

Po zakończeniu tego procesu wiele działek pozostanie niezwiązanych z istniejącymi torami, a pewna liczba torów pozostanie bez aktualizacji. Prowadzi to do etapów inicjowania i utrzymania torów .

Inicjacja śledzenia

Inicjowanie śledzenia to proces tworzenia nowego śladu radarowego z niepowiązanego wykresu radarowego. Kiedy tracker jest włączany po raz pierwszy, wszystkie początkowe wykresy radarowe są używane do tworzenia nowych śladów, ale po uruchomieniu trackera tylko te wykresy, których nie można było użyć do aktualizacji istniejącego śladu, są używane do tworzenia nowych śladów. Zazwyczaj nowemu śladowi nadaje się status „ wstępny” , dopóki wykresy z kolejnych aktualizacji radaru nie zostaną pomyślnie powiązane z nowym śladem. Wstępne ślady nie są pokazywane operatorowi, dzięki czemu zapobiegają pojawianiu się fałszywych śladów na ekranie – kosztem pewnego opóźnienia w pierwszym zgłoszeniu śladu. Po otrzymaniu kilku aktualizacji utwór jest potwierdzone i wyświetlone operatorowi. Najczęstszym kryterium promowania ścieżki wstępnej do ścieżki potwierdzonej jest „reguła M-of-N”, która mówi, że podczas ostatnich N aktualizacji radaru co najmniej M działek musiało być powiązanych ze ścieżką próbną - z M= 3 i N=5 są wartościami typowymi. Bardziej wyrafinowane podejścia mogą wykorzystywać podejście statystyczne, w którym ślad zostaje potwierdzony, gdy na przykład jego macierz kowariancji spada do określonego rozmiaru.

Konserwacja torów

Konserwacja toru to proces, w którym podejmowana jest decyzja o zakończeniu eksploatacji toru. Jeśli tor nie był powiązany z działką podczas fazy powiązania spisku w celu śledzenia, istnieje szansa, że ​​cel może już nie istnieć (na przykład samolot mógł wylądować lub wylecieć zza osłony radaru). Alternatywnie istnieje jednak szansa, że ​​radar po prostu nie zauważył celu w tej aktualizacji, ale znajdzie go ponownie podczas następnej aktualizacji. Typowe podejścia do podejmowania decyzji, czy zakończyć utwór obejmują:

  • Jeśli cel nie był widoczny przez ostatnie M kolejnych możliwości aktualizacji (zwykle M=3 lub więcej)
  • Jeśli cel nie był widziany przez M z N ostatnich możliwości aktualizacji
  • Jeśli niepewność toru celu (macierz kowariancji) wzrosła powyżej pewnego progu

Wygładzanie ścieżek

Na tym ważnym etapie najnowsza prognoza toru jest łączona z powiązanym wykresem, aby zapewnić nowe, ulepszone oszacowanie stanu docelowego, jak również skorygowane oszacowanie błędów w tej prognozie. Istnieje wiele różnych algorytmów o różnej złożoności i obciążeniu obliczeniowym, które można wykorzystać w tym procesie.

Śledzenie alfa-beta

Wczesne podejście do śledzenia, wykorzystujące filtr alfa-beta , które zakładało stałe błędy kowariancji i stały, niemanewrujący model docelowy do aktualizacji śladów.

Filtr Kalmana

Rola filtra Kalmana polega na przyjęciu aktualnego znanego stanu (tj. pozycji, kierunku, prędkości i ewentualnie przyspieszenia) celu i przewidzeniu nowego stanu celu w czasie ostatniego pomiaru radarowego. Dokonując tej prognozy, aktualizuje ona również swoje oszacowanie własnej niepewności (tj. błędów) w tej prognozie. Następnie tworzy średnią ważoną tej prognozy stanu i ostatniego pomiaru stanu, biorąc pod uwagę znane błędy pomiarowe radaru i jego własną niepewność w modelach ruchu celu. Na koniec aktualizuje swoje oszacowanie niepewności oszacowania stanu. Kluczowym założeniem w matematyce filtru Kalmana jest to, że równania pomiarowe (tj. związek między pomiarami radarowymi a stanem docelowym) oraz równania stanu (tj. równania do przewidywania przyszłego stanu na podstawie stanu bieżącego) są liniowy .

Filtr Kalmana zakłada, że ​​błędy pomiaru radaru, błędy w jego modelu ruchu celu oraz błędy w estymacji stanu są równe zeru ze znaną kowariancją. Oznacza to, że wszystkie te źródła błędów mogą być reprezentowane przez macierz kowariancji . Matematyka filtra Kalmana dotyczy zatem propagowania tych macierzy kowariancji i wykorzystywania ich do tworzenia ważonej sumy predykcji i pomiaru.

W sytuacjach, w których ruch celu jest dobrze zgodny z modelem bazowym, filtr Kalmana ma tendencję do „zbytniej pewności” własnych przewidywań i zaczyna ignorować pomiary radarowe. Jeśli cel następnie wykona manewr, filtr nie nadąża za tym manewrem. Dlatego powszechną praktyką przy wdrażaniu filtra jest arbitralne zwiększanie wielkości macierzy kowariancji oszacowania stanu przy każdej aktualizacji, aby temu zapobiec.

Śledzenie wielu hipotez (MHT)

MHT umożliwia aktualizację ścieżki o więcej niż jeden wykres przy każdej aktualizacji, tworząc wiele możliwych ścieżek. Po otrzymaniu każdej aktualizacji radaru każdy możliwy ślad może zostać potencjalnie zaktualizowany przy każdej nowej aktualizacji. Z biegiem czasu tor rozgałęzia się na wiele możliwych kierunków. MHT oblicza prawdopodobieństwo każdego potencjalnego śladu i zazwyczaj zgłasza tylko najbardziej prawdopodobny ze wszystkich śladów. Ze względu na ograniczoną pamięć komputera i moc obliczeniową MHT zazwyczaj obejmuje pewne podejście do usuwania najbardziej nieprawdopodobnych potencjalnych aktualizacji ścieżek. MHT jest przeznaczony do sytuacji, w których model ruchu celu jest bardzo nieprzewidywalny, ponieważ uwzględniane są wszystkie potencjalne aktualizacje torów. Z tego powodu jest popularny w problemach śledzenia celów naziemnych Airborne Ground Surveillance (AGS).

Interakcja z wieloma modelami (IMM)

IMM jest estymatorem, który może być używany przez MHT lub JPDAF. IMM wykorzystuje dwa lub więcej filtrów Kalmana, które działają równolegle, z których każdy wykorzystuje inny model ruchu celu lub błędów. IMM tworzy optymalną ważoną sumę mocy wyjściowej wszystkich filtrów i jest w stanie szybko dostosować się do docelowych manewrów. Podczas gdy MHT lub JPDAF zajmuje się kojarzeniem i konserwacją torów, IMM pomaga MHT lub JPDAF w uzyskaniu przefiltrowanego oszacowania pozycji docelowej.

Algorytmy śledzenia nieliniowego

Algorytmy śledzenia nieliniowego wykorzystują filtr nieliniowy, aby poradzić sobie z sytuacją, w której pomiary mają nieliniowy związek ze współrzędnymi ścieżki końcowej, gdzie błędy są niegaussowskie lub gdy model aktualizacji ruchu jest nieliniowy. Najpopularniejsze filtry nieliniowe to:

  • rozszerzony filtr Kalmana
  • bezzapachowy filtr Kalmana
  • filtr cząstek stałych

Rozszerzony filtr Kalmana (EKF)

EKF jest rozszerzeniem filtra Kalmana, aby poradzić sobie z przypadkami , w których związek między pomiarami radarowymi a współrzędnymi toru lub współrzędnymi toru a modelem ruchu jest nieliniowy. W tym przypadku zależność między pomiarami a stanem ma postać h = f(x) (gdzie h to wektor pomiarów, x to stan docelowy, a f(.) to funkcja łącząca te dwa elementy). Podobnie związek między stanem przyszłym a stanem obecnym ma postać x(t+1) = g(x(t)) (gdzie x(t) to stan w czasie t, a g(.) to funkcja który przewiduje stan przyszły). Aby poradzić sobie z tymi nieliniowościami, EKF linearyzuje dwa równania nieliniowe przy użyciu pierwszego składnika szereg Taylora , a następnie traktuje problem jako standardowy liniowy problem filtru Kalmana. Chociaż koncepcyjnie prosty, filtr może łatwo rozchodzić się (tj. stopniowo działać coraz gorzej), jeśli oszacowanie stanu, względem którego równania są linearyzowane, jest słabe.

Bezzapachowy filtr Kalmana i filtry cząstek są próbą przezwyciężenia problemu linearyzacji równań.

Bezzapachowy filtr Kalmana (UKF)

UKF próbuje ulepszyć EKF, usuwając potrzebę linearyzacji pomiarów i równań stanu . Unika linearyzacji, przedstawiając informacje o średniej i kowariancji w postaci zestawu punktów, zwanych punktami sigma. Punkty te, reprezentujące rozkład z określoną średnią i kowariancją, są następnie propagowane bezpośrednio przez równania nieliniowe, a wynikowe pięć zaktualizowanych próbek jest następnie wykorzystywanych do obliczenia nowej średniej i wariancji. Podejście to nie powoduje wówczas żadnych problemów związanych z rozbieżnością z powodu słabej linearyzacji, a mimo to zachowuje ogólną prostotę obliczeniową EKF.

Filtr cząstek

Filtr cząstek stałych można uznać za uogólnienie UKF. Nie przyjmuje żadnych założeń dotyczących rozkładów błędów w filtrze ani nie wymaga, aby równania były liniowe. Zamiast tego generuje dużą liczbę losowych stanów potencjalnych („cząstek”), a następnie propaguje tę „chmurę cząstek” za pomocą równań, co skutkuje innym rozkładem cząstek na wyjściu. Uzyskany rozkład cząstek można następnie wykorzystać do obliczenia średniej lub wariancji lub jakiejkolwiek innej wymaganej miary statystycznej. Uzyskane statystyki są wykorzystywane do generowania losowej próbki cząstek do następnej iteracji. Filtr cząstek wyróżnia się zdolnością do obsługi dystrybucji multimodalnych (tj PDF ma więcej niż jeden pik). Jest to jednak bardzo intensywne obliczeniowo i obecnie nie nadaje się do większości aplikacji czasu rzeczywistego w świecie rzeczywistym. [ potrzebne źródło ]

Zobacz też

  • Radar pasywny - forma radaru, którego działanie w dużym stopniu opiera się na radarze śledzącym
  • Radar - główny artykuł o systemach radarowych
  • Śledź przed wykryciem — podejście polegające na połączeniu procesu wykrywania i śledzenia w celu wykrycia celów o bardzo małej sile

Linki zewnętrzne

Pobrano z „ https://en.wikipedia.org/w/index.php?title=Radar_tracker&oldid=979630921 ”