Radar tracker

En radarspårare är en komponent i ett radarsystem , eller ett tillhörande kommando- och kontrollsystem (C2), som associerar radarobservationer i följd av samma mål till spår . Det är särskilt användbart när radarsystemet rapporterar data från flera olika mål eller när det är nödvändigt att kombinera data från flera olika radarer eller andra sensorer.

Radarspårarens roll

Ett klassiskt roterande luftövervakningsradarsystem upptäcker målekon mot en bakgrund av buller. Den rapporterar dessa detektioner (kända som "plots") i polära koordinater som representerar målets avstånd och bäring. Dessutom kommer brus i radarmottagaren ibland att överskrida detektionströskeln för radarns konstanta falsklarmfrekvensdetektor och felaktigt rapporteras som mål (så kallade falsklarm ). Radarspårarens roll är att övervaka på varandra följande uppdateringar från radarsystemet (som vanligtvis sker en gång med några sekunders mellanrum, när antennen roterar) och att fastställa de sekvenser av plotter som tillhör samma mål, samtidigt som de avvisar alla plotter som tros vara falska larm. Dessutom kan radarspåraren använda sekvensen av plotter för att uppskatta den aktuella hastigheten och målets kurs. När flera mål är närvarande siktar radarspåraren på att tillhandahålla ett spår för varje mål, där spårhistoriken ofta används för att indikera var målet har kommit ifrån.

När flera radarsystem är anslutna till en enda rapporteringspost, används ofta en multiradarspårare för att övervaka uppdateringarna från alla radar och bilda spår från kombinationen av detektioner. I denna konfiguration är spåren ofta mer exakta än de som bildas från enstaka radarer, eftersom ett större antal detekteringar kan användas för att uppskatta spåren. Förutom att associera plotter, avvisa falsklarm och uppskatta kurs och hastighet, fungerar radartrackern även som ett filter, där fel i de enskilda radarmätningarna jämnas ut. I huvudsak passar radarspåraren en jämn kurva till de rapporterade plottarna och kan, om den görs på rätt sätt, öka radarsystemets övergripande noggrannhet. En multisensor tracker utökar konceptet för multiradar tracker för att tillåta kombinationen av rapporter från olika typer av sensorer - typiskt radar , sekundära övervakningsradar (SSR), identifiering vän eller fiende (IFF) system och elektroniska stödåtgärder (ESM) data.

Ett radarspår innehåller vanligtvis följande information:

  • Position (i två eller tre dimensioner)
  • Rubrik
  • Fart
  • Unikt spårnummer

Dessutom, och beroende på applikations- eller spårningsförfining, kommer spåret också att innehålla:

  • Civila SSR- lägen A, C, S information
  • Militära IFF -lägen 1, 2, 3, 4 och 5 information
  • Information om anropssignal
  • Spåra information om tillförlitlighet eller osäkerhet

Allmän riktlinje

Det finns många olika matematiska algoritmer som används för att implementera en radarspårare, av olika sofistikerade nivåer. Men de utför alla steg som liknar följande varje gång radarn uppdateras:

Det kanske viktigaste steget är uppdateringen av spår med nya tomter. Alla spårare kommer implicit eller explicit att ta hänsyn till ett antal faktorer under detta skede, inklusive:

  • en modell för hur radarmätningarna är relaterade till målkoordinaterna
  • felen på radarmätningarna
  • en modell av målrörelsen
  • fel i modellen för målrörelsen

Med hjälp av denna information försöker radarspåraren att uppdatera spåret genom att bilda ett viktat medelvärde av den aktuella rapporterade positionen från radarn (som har okända fel) och den sista förutsagda positionen för målet från spåraren (som också har okända fel). Spårningsproblemet försvåras särskilt för mål med oförutsägbara rörelser (dvs. okända målrörelsemodeller), icke-Gaussiska mätnings- eller modellfel, icke-linjära samband mellan de uppmätta kvantiteterna och de önskade målkoordinaterna, detektering i närvaro av ojämnt distribuerad röran, missade upptäckter eller falsklarm. I den verkliga världen möter en radarspårare vanligtvis en kombination av alla dessa effekter; detta har lett till utvecklingen av en allt mer sofistikerad uppsättning algoritmer för att lösa problemet. På grund av behovet av att skapa radarspår i realtid, vanligtvis för flera hundra mål på en gång, har användningen av radarspårningsalgoritmer vanligtvis begränsats av den tillgängliga beräkningskraften.

Plot to track association

I detta steg av bearbetningen försöker radarspåraren bestämma vilka plotter som ska användas för att uppdatera vilka spår. I många tillvägagångssätt kan en given plot endast användas för att uppdatera ett spår. Men i andra tillvägagångssätt kan en plot användas för att uppdatera flera spår, med hänsyn till osäkerheten i att veta vilket spår tomten tillhör. Oavsett vilket är det första steget i processen att uppdatera alla befintliga spår till den aktuella tiden genom att förutsäga deras nya position baserat på den senaste tillståndsuppskattningen (t.ex. position, kurs, hastighet, acceleration, etc.) och det antagna målet rörelsemodell (t.ex. konstant hastighet, konstant acceleration, etc.). Efter att ha uppdaterat uppskattningarna är det möjligt att försöka associera tomterna till spår.

Detta kan göras på flera sätt:

  • Genom att definiera en "acceptansgrind" runt den aktuella spårplatsen och sedan välja:
    • den närmaste tomten i porten till den förutsagda positionen, eller
    • den starkaste tomten i porten
  • Genom ett statistiskt tillvägagångssätt, såsom Probabilistic Data Association Filter (PDAF) eller Joint Probabilistic Data Association Filter (JPDAF), som väljer den mest sannolika platsen för plotten genom en statistisk kombination av alla troliga plots. Detta tillvägagångssätt har visat sig vara bra i situationer med hög radarklotter .

När ett spår har associerats med en plot, flyttas det till spårutjämningsstadiet, där spårförutsägelsen och tillhörande plot kombineras för att ge en ny, jämn uppskattning av målplatsen.

Efter att ha slutfört denna process kommer ett antal tomter att förbli oassocierade med befintliga spår och ett antal spår kommer att förbli utan uppdateringar. Detta leder till stegen spårinitiering och spårunderhåll .

Spårinitiering

Spårinitiering är processen att skapa ett nytt radarspår från en oassocierad radarplot. När trackern slås på för första gången används alla de initiala radarplotterna för att skapa nya spår, men när trackern väl är igång används endast de plotter som inte kunde användas för att uppdatera ett befintligt spår för att skapa nya spår. Vanligtvis ges ett nytt spår status som preliminärt tills plotter från efterföljande radaruppdateringar har associerats med det nya spåret. Preliminära spår visas inte för operatören och de ger därför ett sätt att förhindra att falska spår dyker upp på skärmen - på bekostnad av en viss fördröjning i den första rapporteringen av ett spår. bekräftas spåret och visas för operatören. Det vanligaste kriteriet för att främja ett preliminärt spår till ett bekräftat spår är "M-of-N-regeln", som säger att under de senaste N radaruppdateringarna måste minst M plotter ha associerats med det preliminära spåret - med M= 3 och N=5 är typiska värden. Mer sofistikerade tillvägagångssätt kan använda ett statistiskt tillvägagångssätt där ett spår blir bekräftat när, till exempel, dess kovariansmatris faller till en given storlek.

Spårunderhåll

Spårunderhåll är den process där man fattar beslut om huruvida ett spårs livslängd ska avslutas. Om ett spår inte var associerat med en plot under plot-to-track-associeringsfasen, finns det en chans att målet inte längre existerar (till exempel kan ett flygplan ha landat eller flugit utanför radarskyddet). Alternativt finns det dock en chans att radarn kanske bara misslyckades med att se målet vid den uppdateringen, men hittar det igen vid nästa uppdatering. Vanliga tillvägagångssätt för att besluta om ett spår ska avslutas inkluderar:

  • Om målet inte sågs under de senaste M på varandra följande uppdateringsmöjligheterna (vanligtvis M=3 eller så)
  • Om målet inte sågs under de senaste M av N senaste uppdateringsmöjligheterna
  • Om målets spårosäkerhet (kovariansmatris) har vuxit över en viss tröskel

Spårutjämning

I detta viktiga steg kombineras den senaste spårförutsägelsen med den tillhörande plotten för att tillhandahålla en ny, förbättrad uppskattning av måltillståndet såväl som en reviderad uppskattning av felen i denna förutsägelse. Det finns en mängd olika algoritmer, av olika komplexitet och beräkningsbelastning, som kan användas för denna process.

Alfa-beta tracker

En tidig spårningsmetod, med hjälp av ett alfabeta-filter , som antog fixerade kovariansfel och en konstant hastighet, icke-manövrerande målmodell för att uppdatera spår.

Kalman filter

Kalmanfiltrets roll är att ta det aktuella kända tillståndet (dvs. position, kurs, hastighet och möjligen acceleration) för målet och förutsäga det nya tillståndet för målet vid tidpunkten för den senaste radarmätningen. När den gör denna förutsägelse uppdaterar den också sin uppskattning av sin egen osäkerhet (dvs. fel) i denna förutsägelse. Den bildar sedan ett viktat medelvärde av denna förutsägelse av tillstånd och den senaste mätningen av tillstånd, med hänsyn till de kända mätfelen för radarn och dess egen osäkerhet i målrörelsemodellerna. Slutligen uppdaterar den sin uppskattning av sin osäkerhet i statsuppskattningen. Ett nyckelantagande i Kalmanfiltrets matematik är att mätekvationer (dvs. förhållandet mellan radarmätningarna och måltillståndet) och tillståndsekvationerna (dvs ekvationerna för att förutsäga ett framtida tillstånd baserat på det aktuella tillståndet) är linjära .

Kalmanfiltret antar att radarns mätfel och felen i dess målrörelsemodell och felen i dess tillståndsestimat alla är nollmedelvärden med känd kovarians. Detta innebär att alla dessa felkällor kan representeras av en kovariansmatris . Kalmanfiltrets matematik handlar därför om att sprida dessa kovariansmatriser och använda dem för att bilda den viktade summan av förutsägelse och mätning.

I situationer där målrörelsen stämmer väl överens med den underliggande modellen, finns det en tendens hos Kalmanfiltret att bli "översäkra" på sina egna förutsägelser och börja ignorera radarmätningarna. Om målet sedan manövrar kommer filtret inte att följa manövern. Det är därför vanlig praxis när man implementerar filtret att godtyckligt öka storleken på tillståndsuppskattningskovariansmatrisen något vid varje uppdatering för att förhindra detta.

Multiple hypothesis tracker (MHT)

MHT tillåter att ett spår uppdateras med mer än en plot vid varje uppdatering, vilket skapar flera möjliga spår. Eftersom varje radaruppdatering tas emot kan alla möjliga spår eventuellt uppdateras med varje ny uppdatering. Med tiden förgrenar sig banan i många möjliga riktningar. MHT beräknar sannolikheten för varje potentiellt spår och rapporterar vanligtvis bara det mest sannolika av alla spår. På grund av ändligt datorminne och beräkningskraft inkluderar MHT vanligtvis en metod för att radera de mest osannolika potentiella spåruppdateringarna. MHT är designad för situationer där målrörelsemodellen är mycket oförutsägbar, eftersom alla potentiella spåruppdateringar beaktas. Av denna anledning är det populärt för problem med spårning av markmål i luftburna markövervakningssystem ( AGS).

Interagerande multipelmodell (IMM)

IMM är en estimator som antingen kan användas av MHT eller JPDAF. IMM använder två eller flera Kalman-filter som körs parallellt, var och en med olika modell för målrörelse eller fel. IMM bildar en optimal viktad summa av utsignalen från alla filter och kan snabbt anpassa sig till målmanövrar. Medan MHT eller JPDAF hanterar associerings- och spårunderhållet, hjälper en IMM MHT eller JPDAF att få en filtrerad uppskattning av målpositionen.

Icke-linjära spårningsalgoritmer

Icke-linjära spårningsalgoritmer använder ett icke-linjärt filter för att hantera situationen där mätningarna har ett icke-linjärt förhållande till de slutliga spårkoordinaterna, där felen är icke-Gaussiska, eller där rörelseuppdateringsmodellen är icke-linjär. De vanligaste icke-linjära filtren är:

  • det utökade Kalman-filtret
  • det Oparfymerade Kalman-filtret
  • partikelfiltret

Utökat Kalman-filter (EKF)

EKF är en förlängning av Kalmanfiltret för att klara fall där förhållandet mellan radarmätningarna och spårkoordinaterna, eller spårkoordinaterna och rörelsemodellen, är icke-linjära . I detta fall är förhållandet mellan mätningarna och tillståndet av formen h = f(x) (där h är vektorn för mätningar, x är måltillståndet och f(.) är funktionen som relaterar de två). På liknande sätt är förhållandet mellan det framtida tillståndet och det nuvarande tillståndet av formen x(t+1) = g(x(t)) (där x(t) är tillståndet vid tidpunkten t och g(.) är funktionen som förutsäger det framtida tillståndet). För att hantera dessa icke-linjäriteter lineariserar EKF de två icke-linjära ekvationerna med den första termen i Taylor-serien och behandlar sedan problemet som det vanliga linjära Kalman-filterproblemet. Även om det är begreppsmässigt enkelt kan filtret lätt divergera (dvs. gradvis prestera allt sämre) om tillståndsuppskattningen som ekvationerna är linjäriserade över är dålig.

Det oparfymerade Kalman-filtret och partikelfiltren är försök att övervinna problemet med att linjära ekvationerna.

Oparfymerat Kalman-filter (UKF)

UKF försöker förbättra EKF genom att ta bort behovet av att linjärisera mätningen och tillståndsekvationerna . Den undviker linearisering genom att representera medelvärde och kovariansinformation i form av en uppsättning punkter, kallade sigmapunkter. Dessa punkter, som representerar en fördelning med specificerat medelvärde och kovarians, sprids sedan direkt genom de icke-linjära ekvationerna, och de resulterande fem uppdaterade proven används sedan för att beräkna ett nytt medelvärde och varians. Detta tillvägagångssätt lider då inte av något av problemen med divergens på grund av dålig linjärisering och behåller ändå EKF:s övergripande beräkningsenkelhet.

Partikelfilter

Partikelfiltret kan betraktas som en generalisering av UKF . Den gör inga antaganden om fördelningarna av felen i filtret och kräver inte heller att ekvationerna är linjära. Istället genererar den ett stort antal slumpmässiga potentiella tillstånd ("partiklar") och sprider sedan detta "moln av partiklar" genom ekvationerna, vilket resulterar i en annan fördelning av partiklar vid utgången. Den resulterande fördelningen av partiklar kan sedan användas för att beräkna ett medelvärde eller varians, eller vilket annat statistiskt mått som helst som krävs. Den resulterande statistiken används för att generera det slumpmässiga urvalet av partiklar för nästa iteration. Partikelfiltret är anmärkningsvärt i sin förmåga att hantera multimodala distributioner (dvs distributioner där PDF-filen har mer än en topp). Det är dock beräkningsintensivt och är för närvarande olämpligt för de flesta realtidsapplikationer. [ citat behövs ]

Se även

  • Passiv radar - en form av radar som förlitar sig mycket på radarspåraren för sin funktion
  • Radar - huvudartikel om radarsystem
  • Spåra före upptäckt - ett tillvägagångssätt för att kombinera detektering och spårningsprocessen för att se mycket lågstyrka mål

externa länkar

Hämtad från " https://en.wikipedia.org/w/index.php?title=Radar_tracker&oldid=979630921 "