www.radartutorial.eu www.radartutorial.eu Fundamentos Radar

Suavizado de trayectorias

Predicción de la siguiente posición del objetivo y ventana de validación para asociar una nueva detección radar
barrido: n-2
n-1
n
historial de la trayectoria
última detección
(barrido n-1)
«ventana de validación»
para la siguiente
rotación de la antena
posición
predicha

Figura 1. Predicción de la posición del objetivo y ventana de validación para asociar la siguiente detección

Predicción de la siguiente posición del objetivo y ventana de validación para asociar una nueva detección radar
barrido: n-2
n-1
n
historial de la trayectoria
última detección
(barrido n-1)
«ventana de validación» para la
siguiente rotación de la antena
posición predicha

Figura 1. Predicción de la posición del objetivo y ventana de validación para asociar la siguiente detección

Predicción de la siguiente posición del objetivo y ventana de validación para asociar una nueva detección radar
barrido: n-2
n-1
n
historial de la trayectoria
última detección
(barrido n-1)
«ventana de validación» para la
siguiente rotación de la antena
posición predicha

Figura 1. Predicción de la posición del objetivo y ventana de validación para asociar la siguiente detección

Suavizado de trayectorias

El suavizado de trayectorias (Track Smoothing) consiste, en el contexto del seguimiento automático de objetivos por radar, en suavizar el movimiento estimado de un objetivo a partir de mediciones radar sucesivas. Para ello se tienen en cuenta las desviaciones aleatorias de las mediciones, de modo que los errores individuales influyan lo menos posible en la posición estimada del objetivo y en los parámetros de movimiento derivados de ella. Los filtros de seguimiento empleados para este fin también desempeñan otra función importante: calculan una predicción de la posición del objetivo para el siguiente barrido del radar, utilizando el estado de movimiento estimado hasta ese momento. Esta predicción se utiliza en la asociación de nuevas detecciones radar con trayectorias existentes.

Para ello, un filtro de seguimiento procesa las posiciones medidas y los parámetros de movimiento previamente estimados de un objetivo, especialmente su velocidad y, cuando corresponde, su aceleración. A partir de estos datos y de un modelo de movimiento supuesto, se predice la posición en la que probablemente se encontrará el objetivo en el momento de la siguiente medición. Alrededor de dicha posición puede definirse una ventana de validación, dentro de la cual una nueva detección se considera una posible medición asociable a la trayectoria. El tamaño y la forma de esta ventana dependen, entre otros factores, de las incertidumbres de medición y de la incertidumbre de la predicción del movimiento.

Cuando llega una nueva medición radar, su posición medida se compara con la posición predicha. La diferencia obtenida se denomina innovación (Innovation) o residuo de medición. El filtro de seguimiento utiliza esta diferencia para corregir la posición predicha y los parámetros de movimiento estimados. A continuación, se calcula la siguiente predicción a partir del estado actualizado. Este proceso repetitivo mejora la precisión y la estabilidad del seguimiento del objetivo, sin necesidad de considerar directamente cada posición medida como la posición real del objetivo.

Los filtros de seguimiento se diferencian por sus modelos de movimiento, por la forma en que consideran las incertidumbres de medición y por sus requisitos de cálculo. Sin embargo, su funcionamiento básico suele constar de dos etapas sucesivas:

Las mediciones de varios barridos consecutivos constituyen la base para estimar el movimiento del objetivo. En este proceso se suavizan las desviaciones aleatorias de posición, mientras que los cambios de velocidad o de dirección se tienen en cuenta según el modelo utilizado. La estimación de estado actualizada vuelve a servir como punto de partida para la siguiente predicción de posición. En los filtros recursivos no es necesario almacenar permanentemente todas las mediciones anteriores, porque la información obtenida de ellas ya está incorporada en la estimación de estado actual.

Filtro alfa-beta

El filtro alfa-beta (Alpha-Beta Tracker) es un filtro de seguimiento sencillo que estima principalmente la posición y la velocidad de un objetivo. Normalmente utiliza un modelo de movimiento de velocidad constante y, por tanto, resulta especialmente adecuado para objetivos que no realizan maniobras pronunciadas. Sus dos parámetros característicos, α y β, determinan en qué medida se utiliza la diferencia entre la posición predicha y la medida para corregir, respectivamente, las estimaciones de posición y velocidad.

El filtro alfa-beta requiere poca capacidad de cálculo y es fácil de implementar. Por esta razón se utilizó ampliamente en los sistemas radar más antiguos y todavía se emplea en aplicaciones sencillas de seguimiento de objetivos. Su desventaja es que los parámetros de filtrado fijos solo permiten un compromiso limitado entre una respuesta rápida a los cambios de movimiento y una supresión eficaz del ruido de medición. En consecuencia, pueden producirse errores de predicción mayores al seguir objetivos muy maniobrables. El filtro alfa-beta puede considerarse un estimador de estado simplificado que, bajo determinadas hipótesis, está relacionado con un filtro de Kalman en régimen estacionario.

Filtro de Kalman

El filtro de Kalman (Kalman Filter) es un método matemático recursivo para estimar el estado de un sistema dinámico a partir de mediciones afectadas por errores. En el seguimiento de objetivos por radar, este estado puede incluir, por ejemplo, la posición, la velocidad y, en su caso, la aceleración del objetivo. El filtro combina las variables de estado predichas mediante el modelo de movimiento con las nuevas mediciones radar, teniendo en cuenta sus respectivas incertidumbres. Se utiliza en numerosos sistemas digitales modernos de seguimiento de objetivos.

Un componente esencial del filtro de Kalman es la matriz de covarianza de la estimación de estado. Esta matriz describe la incertidumbre estimada de los parámetros de posición y movimiento, así como las relaciones estadísticas entre sus errores de estimación. Durante la predicción, dicha incertidumbre se propaga de acuerdo con el modelo de movimiento. Tras recibir una nueva medición, el filtro utiliza las incertidumbres para determinar en qué medida debe corregirse la estimación de estado predicha. En general, una medición más precisa recibe un peso mayor que otra con una incertidumbre elevada.

En el instante correspondiente al barrido n-1, ya se dispone de la última estimación de estado actualizada y de su matriz de covarianza. A partir de estos valores, el filtro de Kalman calcula la posición predicha del objetivo y su incertidumbre asociada para el barrido n. Una vez medida una nueva detección radar y asociada a la trayectoria, los valores predichos se corrigen utilizando dicha medición. El resultado es una estimación de estado actualizada, a partir de la cual se obtiene la predicción para el barrido n+1. De este modo, el filtro de Kalman combina el suavizado del movimiento estimado del objetivo con la predicción continua de sus posiciones futuras.

El filtro de Kalman clásico proporciona una estimación de estado con un error cuadrático medio mínimo bajo las hipótesis de un modelo lineal y de una descripción estadística adecuada de los errores del proceso y de las mediciones. Existen variantes ampliadas para modelos de movimiento o de medición no lineales. No obstante, la calidad de la estimación de estado depende en gran medida de la precisión con que el modelo empleado represente el movimiento real del objetivo y las incertidumbres presentes en las mediciones.