Radar-Tracker

Sophie Wirt April 7, 2016 R 0 0
FONT SIZE:
fontsize_dec
fontsize_inc

Ein Radar-Tracker ist eine Komponente von einem Radarsystem oder einem zugehörigen Steuerungs- und Kontrollsystem, das aufeinanderfolgende Radarbeobachtungen desselben Ziel in Spuren zuordnet. Es ist besonders nützlich, wenn das Radarsystem Meldedaten aus verschiedenen Targets oder wenn es notwendig ist, um die Daten aus mehreren verschiedenen Radargeräte oder andere Sensoren zu kombinieren.

Rolle des Radar tracker

Eine klassische Drehluftüberwachungsradarsystem erfasst Zielechos vor einem Hintergrund von Rauschen. Es meldet diese Erkennungen in Polarkoordinaten, die die Entfernung und Peilung des Ziels. Zusätzlich wird Rauschen in dem Radarempfänger gelegentlich die Detektionsschwelle des Radars Konstantfalschalarmrate-Detektor überschreiten und fälschlicherweise als Ziele zu melden. Die Rolle des Radarverfolgungssystem, um aufeinanderfolgende Aktualisierungen von dem Radarsystem zu überwachen und um die Sequenzen von Flächen an die gleiche Ziel Zugehörigkeit zu bestimmen, während die Zurückweisung von Diagrammen angenommen, dass Fehlalarme. Darüber hinaus ist das Radar-Tracker in der Lage, die Sequenz von Diagramme verwenden, um die aktuelle Geschwindigkeit und die Bewegungsrichtung des Ziels zu bestimmen. Wenn mehrere Ziele vorhanden sind, soll das Radartracker auf eine Spur für jedes Ziel zu schaffen, mit der Trackaufzeichnung häufig verwendet wird, um anzugeben, wo das Ziel hat, herkommen.

Wenn mehrere Radarsysteme mit einer einzelnen Melde Pfosten verbunden ist, wird ein Multiradartracking- tracker oft verwendet, um die Aktualisierungen von allen Radargeräten zu untersuchen und eine Spuren von der Kombination der Erfassungen. In dieser Konfiguration sind die Spuren oft genauer als die von der Einzelradare gebildet, wie eine größere Anzahl von Erkennungen verwendet werden, um die Spuren zu schätzen. Zusätzlich zum Zuordnen Plots, die Zurückweisung von Fehlalarmen und Schätzen Kurs und Geschwindigkeit, wirkt das Radar Tracker auch als Filter, in denen Fehler in den einzelnen Radarmessungen geglättet werden. Im Wesentlichen das Radar-Tracker passt eine glatte Kurve, um die gemeldeten Parzellen und, wenn es richtig gemacht, kann die Gesamtgenauigkeit des Radarsystems zu erhöhen. Ein Multitracker erweitert das Konzept des Multiradartracking- tracker, um die Kombination von Berichten aus verschiedenen Sensortypen ermöglichen - typischerweise Radar, Sekundärüberwachungsradare, Identifikation Freund-Feind-Systeme und elektronische Unterstützungsmaßnahmen Daten.

Ein Radarspur enthält typischerweise die folgenden Informationen:

  • Position
  • Überschrift
  • Geschwindigkeit
  • Einzigartige Titelnummer

Zusätzlich und abhängig von der Anwendung oder tracker Raffinesse, die Spur wird auch umfassen:

  • Zivile SSR-Modi A, C, S Informationen
  • Military IFF Modi 1, 2, 3, 4 und 5 Informationen
  • Rufzeichen Informationen
  • Track Zuverlässigkeit oder Unsicherheitsinformation

Allgemeiner Ansatz

Es gibt viele verschiedene mathematische Algorithmen zur Implementierung eines Radar-Tracker, mit einem unterschiedlichen Grad der Komplexität verwendet. Doch sie alle durchführen wie die folgenden jedes Mal, wenn der Radar Aktuelles Schritte:

  • Zuordnen eines Radargrundstück mit einer vorhandenen Spur
  • Aktualisieren Sie die Spur mit dieser neuesten Grundstück
  • Spawn neue Tracks mit allen Grundstücke, die nicht mit den vorhandenen Spuren zugeordnet sind,
  • Löschen Sie alle Spuren, die nicht aktualisiert wurden, oder vorhersagen, ihre neue Position auf Basis des bisherigen Kurs und Geschwindigkeit

Vielleicht der wichtigste Schritt ist eine Aktualisierung der Spuren mit neuen Flächen. Alle trackers wird aufgrund einer Reihe von Faktoren, die implizit oder explizit zu nehmen in dieser Phase, einschließlich:

  • ein Modell für, wie die Radarmessungen werden an die Zielkoordinaten bezogen
  • die Fehler auf den Radarmessungen
  • ein Modell des Zielbewegungs
  • Fehler in dem Modell der Zielbewegung

Unter Verwendung dieser Informationen, versucht der Radar-Tracker, um die Spur durch Bilden eines gewichteten Mittelwertes des aktuellen gemeldete Position des Radars und der letzten vorhergesagten Position des Ziels vom Tracker aktualisieren. Die Tracking-Problem ist für Ziele mit unvorhersehbaren Bewegungen, nicht-Gauß-Messung oder Modellfehler, nicht-lineare Zusammenhänge zwischen den Messgrößen und den gewünschten Zielkoordinaten, Erkennung in Gegenwart von ungleichmäßig verteilten Unordnung besonders schwierig gemacht, verpassten Detektionen oder falsch Alarme. In der realen Welt, steht ein Radar Tracker typischerweise eine Kombination all dieser Effekte; Dies hat zur Entwicklung einer zunehmend ausgeklügelten Satz von Algorithmen führte zur Lösung des Problems. Wegen der Notwendigkeit, die Radar Spuren in Echtzeit in der Regel über mehrere hundert Ziele gleichzeitig zu bilden, hat sich der Einsatz von Radarverfolgungsalgorithmen typischerweise durch die verfügbare Rechenleistung begrenzt.

Grundstück zu Verein verfolgen

In diesem Schritt der Verarbeitung sucht der Radar-Tracker, um festzustellen, welche Grundstücke sollten verwendet werden, um zu aktualisieren, welche Spuren. In vielen Ansätzen kann eine bestimmte Handlung nur verwendet werden, um eine Spur zu aktualisieren. Doch in anderen Ansätzen eine Darstellung kann verwendet werden, um mehrere Spuren zu aktualisieren, die Anerkennung der Unsicherheit in dem Wissen, zu dem das Grundstück gehört zu verfolgen. So oder so, ist der erste Schritt in dem Prozess, um alle vorhandenen Spuren auf die aktuelle Zeit durch die Vorhersage der neuen Position basierend auf der jüngsten Zustandsschätzung und der angenommenen Zielbewegungsmodell zu aktualisieren. Nach Aktualisierung der Schätzungen ist es möglich, zu versuchen, die Grundstücke, um Tracks zu verknüpfen.

Dies kann in einer Anzahl von Wegen durchgeführt werden:

  • Durch die Definition eines "Annahmeweiche" rund um die aktuelle Spurposition und wählen Sie dann:
    • das nächstgelegene Grundstück im Tor der vorhergesagten Position, oder
    • der stärkste Grundstück in der Gate-
  • Durch einen statistischen Ansatz, wie die probabilistische Data Association Filter oder dem Gemischten Probabilistic Data Association Filter, die die wahrscheinlichste Ort der Handlung durch eine statistische Kombination aller Wahrscheinlichkeit Parzellen zu wählen. Diese Vorgehensweise hat sich gezeigt, gut in Situationen mit hoher Radar Unordnung zu sein.

Sobald eine Spur mit einem Grundstück in Verbindung gebracht, der Spurglättungsstufe, wo die Strecke Vorhersage und zugehörigen Grundstück kombiniert werden, um eine neue, geglättete Schätzung der Zielstelle bereitzustellen bewegt.

Nach Abschluss dieses Vorgangs wird eine Reihe von Parzellen unassociated zu vorhandenen Spuren bleiben und eine Reihe von Spuren, ohne Updates bleiben. Dies führt zu den Stufen des Spur Initiierung und Gleisinstandhaltung.

Track Einleitung

Track Initiation ist der Prozess der Erstellung eines neuen Radarspur aus einem nicht assoziierten Radargrundstück. Wenn der Verfolger erstmals eingeschaltet wird, werden alle Anfangsradarstücke verwendet, um neue Tracks zu erzeugen, aber wenn der Verfolger in Betrieb ist, werden nur die Parzellen, die nicht verwendet werden könnten, um eine vorhandene Spur zu aktualisieren, um neue Tracks erzeugen. Typischerweise wird eine neue Spur wird der Status der vorläufige Frist bis zum Grundstücke aus der Folgeradar Updates wurden erfolgreich mit der neuen Spur zugeordnet. Mit Vorbehalt Tracks werden nicht an den Bediener dargestellt und so sind sie ein Mittel zur Verhinderung von Falsch Tracks von auf dem Bildschirm zur Verfügung - auf Kosten einer gewissen Verzögerung in der ersten Berichts einer Spur. Sobald mehrere Updates empfangen worden sind, wird die Spur bestätigt und dem Bediener angezeigt. Die häufigste Kriterium für die Förderung einer vorläufigen Bahn mit einem bestätigten Spur ist der "M-aus-N-Regel", wonach in den letzten N Radar Updates, mindestens M Grundstücke muß mit der vorläufigen Bahn zugeordnet haben erklärt - mit M = 3 und N = 5 wobei typische Werte. Kompliziertere Ansätze können eine statistische Methode, bei der ein Rundkurs bestätigt, wenn, zum Beispiel, fällt seine Kovarianzmatrix zu einer gegebenen Größe zu verwenden.

Gleisbau

Gleisbau ist der Prozess, in welchem ​​eine Entscheidung darüber, ob die Lebensdauer eines Schienenendes vorgenommen. Wenn ein Track nicht mit einem Grundstück im Grundstück zugeordnet ist, um Assoziationsphase zu verfolgen, dann gibt es eine Chance, dass das Ziel nicht länger besteht. Alternativ besteht jedoch die Möglichkeit, dass das Radar kann nur versagt haben, um das Ziel in diesem Update zu sehen, aber es wird wieder auf der nächsten Aktualisierung. Gemeinsame Konzepte für die Entscheidung darüber, ob, um einen Titel zu beenden sind:

  • Wenn das Ziel war nicht für die letzten M aufeinanderfolgenden Aktualisierungsmöglichkeiten sehen
  • Wenn das Ziel war nicht für die letzten M-aus-N neueste Update Chancen gesehen
  • Wenn das Ziel der Spur Unsicherheit hat sich über einen bestimmten Schwellenwert gewachsen

Track Glättung

In diesem wichtigen Schritt wird der aktuelle Track-Vorhersage mit dem zugehörigen Grundstück, um eine neue, verbesserte Schätzung der Zielzustand als auch eine überarbeitete Schätzung der Fehler in dieser Vorhersage liefern kombiniert. Es gibt eine Vielzahl von Algorithmen unterschiedlicher Komplexität und Rechenbelastung, die für dieses Verfahren verwendet werden kann.

Alpha-beta-Tracker

Eine frühe Tracking-Ansatz unter Verwendung eines alpha beta-Filter, die behoben übernommenen Kovarianz-Fehler und eine konstante Geschwindigkeit, Nicht Manövrieren Zielmodell, um Tracks zu aktualisieren.

Kalman-Filter

Die Rolle des Kalman-Filters, die aktuelle bekannten Stand der Ziel nehmen und Vorhersage der neuen Zustand des Ziels zu der Zeit des letzten Radarmessung. Bei dieser Voraussage, aktualisiert er auch seine Schätzung der eigenen Unsicherheit in dieser Vorhersage. Es bildet dann ein gewichteter Durchschnitt dieser Vorhersage des Zustandes und der neuesten Messung der Staat, unter Berücksichtigung der bekannten Messfehler des Radar und ihre eigene Unsicherheit in den Zielbewegungsmodelle. Schließlich aktualisiert er seine Schätzung der Unsicherheit der Zustandsschätzung. Eine Schlüsselannahme in der Mathematik der Kalman-Filter ist, dass die Messung von Gleichungen und die Zustandsgleichungen linear sind.

Das Kalman-Filter setzt voraus, dass die Messfehler des Radar, und die Fehler in der Zielbewegungsmodell, und die Fehler in der Zustandsschätzung sind alle Null-Mittel mit bekannter Kovarianz. Dies bedeutet, dass alle diese Fehlerquellen durch eine Kovarianzmatrix dargestellt werden. Die Mathematik des Kalman-Filters betrifft daher Vermehrung dieser Kovarianzmatrizen und mit ihnen, um die gewichtete Summe der Vorhersage und Messung bilden.

In Situationen, wo die Bewegung des Ziels passt sich gut an die darunterliegende Modell gibt es eine Tendenz des Kalman-Filters "overconfident" eigene Vorhersagen zu werden und beginnen, die Radarmessungen zu ignorieren. Dann, wenn die Zielmanöver, wird der Filter nicht um das Manöver zu folgen. Es ist daher gängige Praxis bei der Ausführung des Filters beliebig erhöhen die Größe der Zustandsschätzung Kovarianzmatrix leicht bei jeder Aktualisierung, dies zu verhindern.

Mehrere Hypothese tracker

Das MHT ermöglicht eine Spur, die von mehr als einem Grundstück an jedem Update aktualisiert werden, Laich mehrere mögliche Spuren. Da jeder Radar Update empfangen wird jede mögliche Spur kann potentiell mit jedem neuen Update aktualisiert werden. Im Laufe der Zeit die Spur Niederlassungen in vielen möglichen Richtungen. Das MHT berechnet die Wahrscheinlichkeit eines jeden potentiellen Spur und in der Regel nur, berichtet die wahrscheinlichste aller Titel. Aus Gründen der Finite-Computer-Speicher und Rechenleistung, die MHT enthält in der Regel eine gewisse Annäherung zum Löschen der unwahrscheinlichsten Potenzial Track Updates. MHT ist für Situationen, in denen die Zielbewegungsmodell ist sehr unberechenbar ausgebildet, wie alle potentiellen Spur Updates berücksichtigt. Aus diesem Grund ist es beliebt für Probleme der Bodenzielverfolgung in Airborne Ground Surveillance-Systeme.

Die Interaktion mehrerer Modell

Das IMM ist ein Schätzer die entweder von MHT oder JPDAF verwendet werden kann. IMM verwendet zwei oder mehreren Kalman-Filter, die parallel laufen, die jeweils mit einem anderen Modell für die Zielbewegung oder Fehler. Die IMM bildet eine optimale gewichtete Summe der Ausgabe aller Filter und ist in der Lage, sich schnell anpassen, um Manöver zielen. Während MHT oder JPDAF nimmt die Assoziation und Gleisinstandhaltung, ein IMM hilft MHT oder JPDAF bei der Erlangung einer gefilterten Schätzung der Zielposition.

Nichtlineare Verfolgungsalgorithmen

Nichtlineare Verfolgungsalgorithmen verwenden einen nicht-linearen Filter, mit der Situation fertig zu werden, wo die Messungen haben eine nicht-lineare Beziehung zu den letzten Track-Koordinaten, wo die Fehler sind nicht-Gauß'schen oder wenn die Bewegungsaktualisierung Modell nicht-linear ist. Die häufigste nicht-lineare Filter sind:

  • die erweiterten Kalman-Filters
  • das Unscented Kalman-Filter
  • Der Partikelfilter

Erweiterten Kalman-Filters

Das EKF ist eine Erweiterung des Kalman-Filters, mit Fällen fertig zu werden, wo die Beziehung zwischen dem Radarmessungen und den Spurkoordinaten oder den Spurkoordinaten und Bewegungsmodells ist nicht-linear. In diesem Fall ist von der Form h die Beziehung zwischen den Messungen und dem Zustand = f ist die Funktion hinsichtlich der beiden). In ähnlicher Weise ist die Beziehung zwischen dem zukünftigen Zustand und den aktuellen Stand der Form x = g) wird der Zustand zum Zeitpunkt t und g ist die Funktion, die den zukünftigen Zustand prognostiziert). Um diese Nicht-Linearitäten zu behandeln, das EKF linearisiert das zwei nicht-linearen Gleichungen mit dem ersten Term der Taylor-Reihe und behandelt das Problem, wie die Standard-Linear Kalman Filterproblem dann. Obwohl vom Konzept her einfach, kann der Filter leicht divergieren, wenn der Zustandsschätzung, um die die Gleichungen linearisiert werden schlecht ist.

Die unscented Kalman-Filter und Partikelfilter sind Versuche, das Problem der Linearisierung der Gleichungen überwinden.

Unscented Kalman-Filter

Die UKF versucht, auf dem EKF, indem die Notwendigkeit, um die Messung und Zustandsgleichungen linearisieren verbessern. Es vermeidet Arisierung durch das Darstellen der Mittelwert und Kovarianzinformationen in Form einer Reihe von Punkten, die so genannte Sigma-Punkten. Diese Punkte, die eine Verteilung mit dem vorgegebenen Mittelwert und die Kovarianz darstellen, werden dann direkt durch die nicht-linearen Gleichungen vermehrt und die resultierenden fünf aktualisiert Proben werden dann verwendet, um einen neuen Mittelwert und die Varianz zu berechnen. Dieser Ansatz leidet dann keines der Probleme der Divergenz aufgrund der schlechten Linearisierung und dennoch behält die Gesamtrechen Einfachheit des EKF.

Partikelfilter

Der Partikelfilter kann als eine Verallgemeinerung der UKF berücksichtigen. Es macht keine Annahmen über die Verteilungen der Fehler in dem Filter und es ist auch nicht erforderlich, die Gleichungen linear zu sein. Stattdessen wird eine große Anzahl von Zufallspotentialzustände und breitet sich dann dieses "Partikelwolke" durch die Gleichungen, was in einer unterschiedlichen Verteilung der Teilchen am Ausgang. Dann kann die resultierende Verteilung der Partikel verwendet werden, um einen Mittelwert oder Varianz, oder was auch immer andere statistische Maßnahme ist erforderlich, zu berechnen. Die resultierende Statistik verwendet, um die Zufallsauswahl von Teilchen für die nächste Iteration zu erzeugen. Der Partikelfilter ist bemerkenswert in ihrer Fähigkeit, multimodale Verteilungen behandeln. Es ist jedoch sehr rechenintensiv und wird derzeit am meisten realen Welt, Echtzeitanwendungen ungeeignet.

  Like 0   Dislike 0
Bemerkungen (0)
Keine Kommentare

Fügen Sie einen Kommentar

smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile
Zeichen übrig: 3000
captcha