Vyhlazování radarové stopy
(sken n-1)
pro následující
otočení antény
poloha
Obrázek 1. Předpověď polohy cíle a předpovědní brána pro přiřazení další detekce
(sken n-1)
další otočení antény
Obrázek 1. Předpověď polohy cíle a předpovědní brána pro přiřazení další detekce
(sken n-1)
další otočení antény
Obrázek 1. Předpověď polohy cíle a předpovědní brána pro přiřazení další detekce
Vyhlazování radarové stopy
Vyhlazování radarové stopy (Track Smoothing) označuje při automatickém radarovém sledování cílů vyhlazování odhadovaného pohybu cíle na základě po sobě jdoucích radarových měření. Přitom se zohledňují náhodné odchylky měření, aby jednotlivé chyby měření co nejméně ovlivňovaly odhadovanou polohu cíle a z ní odvozené parametry pohybu. Sledovací filtry používané k tomuto účelu zároveň plní další důležitou úlohu: z dosavadního stavu pohybu vypočítávají předpověď polohy cíle pro následující radarový sken. Tato předpověď se využívá při přiřazování nových radarových detekcí k existujícím stopám.
Sledovací filtr proto zpracovává změřené polohy i již odhadnuté parametry pohybu cíle, zejména jeho rychlost a případně také zrychlení. Na základě těchto informací a předpokládaného modelu pohybu se předpovídá poloha, ve které se cíl pravděpodobně bude nacházet v okamžiku dalšího měření. Kolem této polohy lze vymezit předpovědní bránu, v níž může být nově zjištěná radarová detekce považována za možný měřený bod dané stopy. Velikost a tvar této brány závisí mimo jiné na nejistotě měření a nejistotě předpovědi pohybu.
Jakmile je k dispozici nové radarové měření, jeho poloha se porovná s předpovězenou polohou. Zjištěná odchylka se označuje jako inovace (Innovation) nebo reziduum měření. Sledovací filtr ji používá ke korekci předpovězené polohy a odhadnutých parametrů pohybu. Na základě takto aktualizovaného stavu se následně vypočítá další předpověď. Tento opakující se postup zlepšuje přesnost a stabilitu sledování cíle, aniž by bylo nutné jednotlivé změřené polohy přímo považovat za skutečné polohy cíle.
Sledovací filtry se liší používanými modely pohybu, způsobem zohlednění nejistoty měření a výpočetní náročností. Jejich základní pracovní postup se však obvykle skládá ze dvou po sobě jdoucích kroků:
- Predikce: výpočet očekávaného stavu cíle v okamžiku dalšího měření.
- Korekce: aktualizace předpovězeného stavu na základě skutečně získaného radarového měření.
Měření z několika po sobě jdoucích skenů tvoří základ pro odhad pohybu cíle. Přitom se vyhlazují náhodné odchylky polohy, zatímco změny rychlosti nebo směru pohybu se zohledňují podle použitého modelu. Aktualizovaný odhad stavu pak znovu slouží jako výchozí bod pro další předpověď polohy. U rekurzivních filtrů není nutné trvale uchovávat všechna dřívější měření, protože dosud získané informace jsou již zahrnuty v aktuálním odhadu stavu.
Alfa-beta filtr
Alfa-beta filtr (Alpha-Beta Tracker) je jednoduchý sledovací filtr, který odhaduje především polohu a rychlost cíle. Obvykle používá model pohybu s konstantní rychlostí, a proto je zvláště vhodný pro cíle, které neprovádějí výrazné manévry. Jeho dva parametry, podle nichž dostal název, α a β, určují, do jaké míry se odchylka mezi předpovězenou a změřenou polohou využije ke korekci odhadu polohy, respektive rychlosti.
Alfa-beta filtr vyžaduje jen malý výpočetní výkon a snadno se implementuje. Proto se často používal zejména ve starších radarových systémech a dodnes nachází uplatnění při jednodušších úlohách sledování cílů. Jeho nevýhodou je, že pevně nastavené parametry filtru umožňují pouze omezený kompromis mezi rychlou reakcí na změny pohybu a účinným potlačením šumu měření. U silně manévrujících cílů proto mohou vznikat větší chyby předpovědi. Alfa-beta filtr lze chápat jako zjednodušený odhadovač stavu, který za určitých předpokladů souvisí s ustáleným Kalmanovým filtrem.
Kalmanův filtr
Kalmanův filtr (Kalman Filter) je rekurzivní matematická metoda pro odhad stavu dynamického systému na základě měření zatížených chybami. Při radarovém sledování cílů může tento stav zahrnovat například polohu, rychlost a případně i zrychlení cíle. Filtr kombinuje stavové veličiny předpovězené pomocí modelu pohybu s novými radarovými měřeními a přitom zohledňuje jejich příslušné nejistoty. Používá se v mnoha moderních digitálních systémech sledování cílů.
Důležitou součástí Kalmanova filtru je kovarianční matice odhadu stavu. Popisuje odhadovanou nejistotu polohy a parametrů pohybu i statistické vztahy mezi chybami jejich odhadů. Při predikci se tato nejistota dále vyvíjí podle modelu pohybu. Po přijetí nového měření filtr na základě příslušných nejistot určuje, do jaké míry se má předpovězený odhad stavu korigovat. Přesnějšímu měření se přitom obecně přisuzuje větší váha než měření s vysokou nejistotou.
V okamžiku skenu n-1 je již k dispozici poslední aktualizovaný odhad stavu a jeho kovarianční matice. Z těchto údajů Kalmanův filtr vypočítá předpovězenou polohu cíle a související nejistotu pro sken n. Jakmile je nová radarová detekce změřena a přiřazena k příslušné stopě, předpovězené hodnoty se pomocí tohoto měření opraví. Výsledkem je aktualizovaný odhad stavu, ze kterého se následně vytvoří předpověď pro sken n+1. Kalmanův filtr tak spojuje vyhlazování odhadovaného pohybu cíle s průběžnou předpovědí jeho budoucích poloh.
Klasický Kalmanův filtr používá lineární model pohybu a vhodný statistický popis chyb procesu a měření. Za odpovídajících předpokladů poskytuje odhad s minimální střední kvadratickou chybou. Pro nelineární modely pohybu nebo měření existují rozšířené varianty filtru. Kvalita odhadu stavu však do značné míry závisí na tom, jak dobře použitý model popisuje skutečný pohyb cíle a nejistoty vznikající při měření.