Track Smoothing
(Scan n-1)
für die nächste
Antennenumdrehung
Position
Bild 1: Vorhersage der Zielposition und Erwartungsfenster für die nächste Zuordnung eines Plots
(Scan n-1)
nächste Antennenumdrehung
Bild 1: Vorhersage der Zielposition und Erwartungsfenster für die nächste Zuordnung eines Plots
(Scan n-1)
nächste Antennenumdrehung
Bild 1: Vorhersage der Zielposition und Erwartungsfenster für die nächste Zuordnung eines Plots
Track Smoothing
Track Smoothing bezeichnet im Zusammenhang mit der automatischen Radarzielverfolgung die Glättung der geschätzten Zielbewegung anhand aufeinanderfolgender Radarmessungen. Dabei werden zufällige Messabweichungen berücksichtigt, sodass die geschätzte Zielposition und die daraus abgeleiteten Bewegungsparameter möglichst wenig von einzelnen Messfehlern beeinflusst werden. Die hierfür verwendeten Tracking-Filter erfüllen zugleich eine zweite wichtige Aufgabe: Sie berechnen aus dem bisherigen Bewegungszustand eine Vorhersage der Zielposition für den nächsten Radar-Scan. Diese Vorhersage wird bei der Zuordnung neuer Radarplots zu bestehenden Tracks verwendet.
Ein Tracking-Filter verarbeitet dazu die gemessenen Positionen sowie die bereits geschätzten Bewegungsparameter eines Ziels, insbesondere seine Geschwindigkeit und gegebenenfalls seine Beschleunigung. Aus diesen Informationen und einem angenommenen Bewegungsmodell wird die Position vorhergesagt, an der sich das Ziel zum Zeitpunkt der nächsten Messung voraussichtlich befinden wird. Um diese Position herum kann ein Erwartungsfenster festgelegt werden, innerhalb dessen ein neu erkannter Plot als möglicher Messwert des Tracks betrachtet wird. Größe und Form dieses Fensters hängen unter anderem von den Messunsicherheiten und der Unsicherheit der Bewegungsvorhersage ab.
Trifft eine neue Radarmessung ein, wird ihre Position mit der vorhergesagten Position verglichen. Die dabei festgestellte Abweichung wird als Innovation oder Messresiduum bezeichnet. Der Tracking-Filter verwendet sie, um die vorhergesagte Position und die geschätzten Bewegungsparameter zu korrigieren. Auf Grundlage des so aktualisierten Zustands wird anschließend die nächste Vorhersage berechnet. Dieser wiederkehrende Vorgang verbessert die Genauigkeit und Stabilität der Zielverfolgung, ohne dass die einzelnen gemessenen Positionen unmittelbar als tatsächliche Zielpositionen übernommen werden müssen.
Tracking-Filter unterscheiden sich hinsichtlich ihrer Bewegungsmodelle, der Berücksichtigung von Messunsicherheiten und ihres Rechenaufwands. Ihr grundlegender Arbeitsablauf besteht jedoch meist aus zwei aufeinanderfolgenden Schritten:
- Vorhersage: Berechnung des erwarteten Zielzustands zum Zeitpunkt der nächsten Messung.
- Korrektur: Aktualisierung des vorhergesagten Zustands anhand der tatsächlich eingetroffenen Radarmessung.
Die Messwerte mehrerer aufeinanderfolgender Scans bilden die Grundlage für die Schätzung der Zielbewegung. Dabei werden zufällige Positionsabweichungen geglättet, während Veränderungen der Geschwindigkeit oder Bewegungsrichtung entsprechend dem verwendeten Modell berücksichtigt werden. Die aktualisierte Zustandsschätzung dient wiederum als Ausgangspunkt für die nächste Positionsvorhersage. Bei rekursiven Filtern müssen dafür nicht sämtliche früheren Messwerte dauerhaft gespeichert werden, da die bisher gewonnenen Informationen bereits in der aktuellen Zustandsschätzung enthalten sind.
Alpha-Beta-Tracker
Der Alpha-Beta-Tracker ist ein einfacher Tracking-Filter, der vor allem die Position und Geschwindigkeit eines Ziels schätzt. Er verwendet gewöhnlich ein Bewegungsmodell mit konstanter Geschwindigkeit und eignet sich deshalb besonders für Ziele ohne ausgeprägte Manöver. Seine beiden namensgebenden Parameter α und β bestimmen, wie stark die Abweichung zwischen vorhergesagter und gemessener Position zur Korrektur der Positions- beziehungsweise Geschwindigkeitsschätzung herangezogen wird.
Der Alpha-Beta-Tracker benötigt nur wenig Rechenleistung und ist einfach zu implementieren. Er wurde deshalb besonders in älteren Radarsystemen häufig verwendet und wird auch heute noch für einfache Aufgaben der Zielverfolgung eingesetzt. Sein Nachteil besteht darin, dass feste Filterparameter nur einen begrenzten Kompromiss zwischen schneller Reaktion auf Bewegungsänderungen und wirksamer Unterdrückung von Messrauschen ermöglichen. Bei stark manövrierenden Zielen können daher größere Vorhersagefehler entstehen. Der Alpha-Beta-Tracker lässt sich als vereinfachte Form eines Zustandsschätzers verstehen, der unter bestimmten Annahmen mit einem stationären Kalman-Filter verwandt ist.
Kalman-Filter
Das Kalman-Filter ist ein rekursives mathematisches Verfahren zur Schätzung des Zustands eines dynamischen Systems anhand fehlerbehafteter Messungen. Bei der Radarzielverfolgung kann dieser Zustand beispielsweise die Position, die Geschwindigkeit und gegebenenfalls die Beschleunigung eines Ziels umfassen. Das Filter kombiniert die aus dem Bewegungsmodell vorhergesagten Zustandsgrößen mit den neu gemessenen Radardaten und berücksichtigt dabei deren jeweilige Unsicherheiten. Es wird in zahlreichen modernen digitalen Zielverfolgungssystemen eingesetzt.
Ein wesentlicher Bestandteil des Kalman-Filters ist die Kovarianzmatrix der Zustandsschätzung. Sie beschreibt die geschätzte Unsicherheit der Positions- und Bewegungsparameter sowie die statistischen Zusammenhänge zwischen ihren Schätzfehlern. Bei der Vorhersage wird diese Unsicherheit entsprechend dem Bewegungsmodell fortgeschrieben. Nach dem Eintreffen einer neuen Messung bestimmt das Filter mithilfe der Unsicherheiten, wie stark die vorhergesagte Zustandsschätzung korrigiert werden soll. Eine genauere Messung erhält dabei im Allgemeinen ein größeres Gewicht als eine Messung mit hoher Unsicherheit.
Zum Zeitpunkt Scan n-1 liegen die zuletzt aktualisierte Zustandsschätzung und ihre Kovarianzmatrix bereits vor. Daraus berechnet das Kalman-Filter die vorhergesagte Zielposition und die zugehörige Unsicherheit für Scan n. Sobald der neue Radarplot gemessen und dem Track zugeordnet wurde, werden die vorhergesagten Werte mit der Messung korrigiert. Das Ergebnis bildet die aktualisierte Zustandsschätzung, aus der anschließend die Vorhersage für Scan n+1 hervorgeht. Auf diese Weise verbindet das Kalman-Filter die Glättung der gemessenen Zielbewegung mit der fortlaufenden Vorhersage zukünftiger Zielpositionen.
Das klassische Kalman-Filter liefert unter der Annahme eines linearen Bewegungsmodells und geeigneter statistischer Beschreibungen der Prozess- und Messfehler eine Schätzung mit minimaler mittlerer quadratischer Fehlergröße. Für nichtlineare Bewegungs- oder Messmodelle stehen Erweiterungen zur Verfügung. Die Qualität der Zustandsschätzung hängt jedoch wesentlich davon ab, wie gut das verwendete Modell die tatsächliche Zielbewegung und die auftretenden Messunsicherheiten beschreibt.