Введение

Радарный компонент Радарный трекер - это компонент радиолокационной системы или связанной с ней системы управления и управления (C2), которая объединяет последовательные радиолокационные наблюдения за одной и той же целью в трассы. Это особенно полезно, когда радарная система сообщает данные с нескольких разных целей или когда необходимо объединить данные с нескольких разных радаров или других датчиков.

Запуск рельсов

Инициация трассы - это процесс создания новой радиолокационной трассы из не связанного радиолокационного участка. Когда трекер впервые включен, все первоначальные радарные схемы используются для создания новых треков, но как только трекер запускается, только те схемы, которые не могут быть использованы для обновления существующего трека, используются для создания новых треков. Обычно новой трассе присваивается статус "предварительного" до тех пор, пока участки из последующих обновлений радаров не будут успешно связаны с новой трассой. Предварительные трассы не отображаются оператору, поэтому они обеспечивают средство предотвращения появления ложных трасс на экране за счет некоторой задержки в первом сообщении о трассе. После получения нескольких обновлений, трасса подтверждается и отображается оператору. Наиболее распространенным критерием для продвижения предварительного пути к подтвержденному пути является "правило M из N", которое гласит, что во время последних обновлений радара N, по крайней мере, M участков должны были быть связаны с предварительным путем с M = 3 и N = 5 как типичные значения. Более сложные подходы могут использовать статистический подход, при котором трасса подтверждается, когда, например, ее матрица ковариантности падает до заданного размера.

Выровняемость рельсов

На этом важном этапе последнее прогнозирование трассы объединяется с соответствующим графиком, чтобы получить новую, улучшенную оценку целевого состояния, а также пересмотренную оценку ошибок в этом прогнозе. Существует большое разнообразие алгоритмов, различной сложности и вычислительной нагрузки, которые могут быть использованы для этого процесса.

Альфа-бета-трекер

Ранний подход отслеживания, использующий альфа-бета-фильтр, который предполагает фиксированные ошибки ковариантности и постоянную скорость, не маневрирующую модель цели для обновления треков.

Кальманский фильтр

Роль фильтра Калмана состоит в том, чтобы взять текущее известное состояние (т.е. положение, курс, скорость и, возможно, ускорение) цели и предсказать новое состояние цели на момент последнего измерения радаром. При этом он также обновляет свою оценку собственной неопределенности (т.е. ошибок) в этом прогнозе. Затем он формирует средневзвешенное значение этого прогноза состояния и последнего измерения состояния, принимая во внимание известные ошибки измерений радара и его собственную неопределенность в моделях движения цели. Наконец, он обновляет свою оценку неопределенности государственной оценки. Ключевое предположение математики фильтра Калмана заключается в том, что уравнения измерения (т.е. взаимосвязь между измерениями радаров и целевым состоянием) и уравнения состояния (т.е. уравнения для прогнозирования будущего состояния на основе текущего состояния) являются линейными. Кальманский фильтр предполагает, что ошибки измерения радаров, ошибки в модели движения цели и ошибки в оценке состояния - все нулевые средние значения с известной ковариантностью. Это означает, что все эти источники ошибок могут быть представлены матрицей ковариантности. Математика фильтра Калмана, следовательно, связана с распространением этих матриц ковариантности и использованием их для формирования взвешенной суммы прогноза и измерения. В ситуациях, когда движение цели хорошо соответствует базовой модели, есть тенденция фильтра Калмана стать "слишком уверенным" в своих собственных прогнозах и начать игнорировать радарные измерения. Если цель затем маневрирует, фильтр не сможет следовать за маневром. Поэтому при внедрении фильтра обычно произвольно увеличивают величину ковариантной матрицы оценки состояния при каждом обновлении, чтобы предотвратить это.

Трекер множественной гипотезы (MHT)

MHT позволяет обновлять трассу более чем одним сюжетом при каждом обновлении, создавая несколько возможных трасс. По мере получения каждого обновления радаров, каждый возможный трек может быть потенциально обновлен с каждым новым обновлением. Со временем, дорога разветвляется во многих возможных направлениях. MHT рассчитывает вероятность каждого потенциального пути и обычно сообщает только наиболее вероятный из всех путей. По причинам ограниченной компьютерной памяти и вычислительной мощности, MHT обычно включает в себя некоторый подход к удалению наиболее маловероятных потенциальных обновлений трассы. MHT предназначен для ситуаций, в которых модель движения цели очень непредсказуема, поскольку учитываются все потенциальные обновления трассы. По этой причине он популярен для проблем отслеживания наземных целей в системах воздушного наземного наблюдения (AGS).

Многочисленная модель взаимодействия (IMM)

IMM - это оценочный показатель, который может использоваться MHT или JPDAF. IMM использует два или более фильтра Калмана, которые работают параллельно, каждый из которых использует разную модель для движения цели или ошибок. IMM формирует оптимальную взвешенную сумму выхода всех фильтров и может быстро адаптироваться к целевым маневрам. В то время как MHT или JPDAF занимаются ассоциацией и обслуживанием трассы, IMM помогает MHT или JPDAF в получении отфильтрованной оценки целевого положения.

Расширенный фильтр Калмана (EKF)

EKF является расширением фильтра Калмана для решения задач, когда связь между измерениями радаров и координатами трассы, или координатами трассы и моделью движения, нелинейна. В этом случае связь между измерениями и состоянием имеет форму h = f (где h - вектор измерений, x - целевое состояние и f (). является функцией, относящейся к обоим). Аналогичным образом, связь между будущим состоянием и текущим состоянием имеет форму x(t+1) = g(x(t)) (где x(t) - это состояние в момент времени t и g(.) является функцией, которая предсказывает будущее состояние). Для решения этих нелинейных задач, ЭКФ линеаризирует два нелинейных уравнения, используя первый термин ряда Тейлора, а затем рассматривает проблему как стандартную линейную проблему фильтра Калмана. Хотя концептуально прост, фильтр может легко расходиться (т.е. постепенно выполнять все более и более плохо), если оценка состояния, о которой уравнения линейно выражены, является плохой. Непахлый фильтр Калмана и фильтры частиц - попытки преодолеть проблему линейной формулы.

Фильтр Калмана без запаха (UKF)

UKF пытается улучшить EKF, устранив необходимость линейной оценки и уравнений состояния. Он избегает линеаризации, представляя среднюю и ковариансную информацию в виде множества точек, называемых сигма-точками. Эти точки, представляющие собой распределение с указанными средними значениями и ковариантностью, затем распространяются непосредственно через нелинейные уравнения, и полученные обновленные образцы затем используются для расчета нового среднего значения и дисперсии. Этот подход не страдает от проблем расхождения из-за плохой линейной идентификации и, тем не менее, сохраняет общую вычислительную простоту ЭКФ.

Фильтр для частиц

Фильтр частиц можно рассматривать как обобщение УКФ. Он не делает никаких предположений о распределении ошибок в фильтре, и не требует, чтобы уравнения были линейными. Вместо этого он генерирует большое количество случайных потенциальных состояний ("частиц") и затем распространяет это "облако частиц" через уравнения, в результате чего происходит различное распределение частиц на выходе. Полученное распределение частиц может быть использовано для вычисления среднего значения или дисперсии или любого другого статистического показателя. Полученная статистика используется для получения случайной выборки частиц для следующей итерации. Фильтр частиц примечателен своей способностью обрабатывать мультимодальные распределения (т.е. распределения, где PDF имеет более одного пика). Однако, это очень интенсивное вычисление и в настоящее время не подходит для большинства реальных приложений в реальном времени.