Lissage de trajectoire
antérieures
(balayage n-1)
pour le prochain balayage
prévue
Figure 1 : Prédiction de la position de la cible et fenêtre de validation pour l'association du prochain plot
(balayage n-1)
pour le prochain balayage
Figure 1 : Prédiction de la position de la cible et fenêtre de validation pour l'association du prochain plot
(balayage n-1)
pour le prochain balayage
Figure 1 : Prédiction de la position de la cible et fenêtre de validation pour l'association du prochain plot
Lissage de trajectoire
Le lissage de trajectoire (Track Smoothing) désigne, dans le contexte de la poursuite automatique des cibles radar, le lissage du mouvement estimé d'une cible à partir de mesures radar successives. Les écarts aléatoires des mesures sont pris en compte afin que les erreurs individuelles influencent le moins possible la position estimée de la cible et les paramètres de mouvement qui en découlent. Les filtres de poursuite utilisés à cette fin remplissent également une autre fonction importante : ils prédisent la position de la cible au prochain balayage radar à partir de son état de mouvement précédent. Cette prédiction est utilisée lors de l'association de nouveaux plots radar aux pistes existantes.
À cette fin, un filtre de poursuite traite les positions mesurées ainsi que les paramètres de mouvement déjà estimés d'une cible, notamment sa vitesse et, le cas échéant, son accélération. À partir de ces informations et d'un modèle de mouvement supposé, il prédit la position à laquelle la cible devrait se trouver au moment de la prochaine mesure. Une fenêtre de validation peut être définie autour de cette position prévue. Un nouveau plot détecté à l'intérieur de cette fenêtre peut alors être considéré comme une mesure susceptible d'être associée à la piste. La taille et la forme de cette fenêtre dépendent notamment des incertitudes de mesure et de celles qui affectent la prédiction du mouvement.
Lorsqu'une nouvelle mesure radar est reçue, sa position mesurée est comparée à la position prévue. L'écart constaté est appelé innovation ou résidu de mesure. Le filtre de poursuite utilise cet écart pour corriger la position prévue et les paramètres de mouvement estimés. Une nouvelle prédiction est ensuite calculée à partir de l'état ainsi actualisé. Ce processus répété améliore la précision et la stabilité de la poursuite, sans qu'il soit nécessaire de considérer directement chaque position mesurée comme la position réelle de la cible.
Les filtres de poursuite se distinguent par leurs modèles de mouvement, la manière dont ils prennent en compte les incertitudes de mesure et leurs besoins en puissance de calcul. Leur fonctionnement de base comporte toutefois généralement deux étapes successives :
- Prédiction : calcul de l'état attendu de la cible au moment de la prochaine mesure.
- Correction : actualisation de l'état prévu à partir de la mesure radar effectivement reçue.
Les mesures obtenues lors de plusieurs balayages successifs constituent la base de l'estimation du mouvement de la cible. Les écarts aléatoires de position sont ainsi atténués, tandis que les changements de vitesse ou de direction sont pris en compte selon le modèle utilisé. L'estimation de l'état actualisée sert à son tour de point de départ pour la prochaine prédiction de position. Dans le cas des filtres récursifs, il n'est pas nécessaire de conserver en permanence toutes les mesures antérieures, car les informations obtenues sont déjà intégrées dans l'estimation de l'état courant.
Filtre alpha-bêta
Le filtre alpha-bêta (Alpha-Beta Tracker) est un filtre de poursuite simple qui estime principalement la position et la vitesse d'une cible. Il utilise généralement un modèle de mouvement à vitesse constante et convient donc particulièrement aux cibles qui n'effectuent pas de manœuvres importantes. Ses deux paramètres caractéristiques, α et β, déterminent dans quelle mesure l'écart entre la position prévue et la position mesurée sert à corriger respectivement les estimations de position et de vitesse.
Le filtre alpha-bêta nécessite peu de puissance de calcul et sa mise en œuvre est simple. Il était donc largement utilisé dans les anciens systèmes radar et reste employé aujourd'hui pour les applications de poursuite relativement simples. Son inconvénient réside dans le fait que des paramètres de filtrage fixes n'offrent qu'un compromis limité entre une réaction rapide aux changements de mouvement et une suppression efficace du bruit de mesure. Des erreurs de prédiction plus importantes peuvent ainsi apparaître lors de la poursuite de cibles très manœuvrantes. Le filtre alpha-bêta peut être considéré comme un estimateur d'état simplifié, apparenté, sous certaines hypothèses, à un filtre de Kalman en régime permanent.
Filtre de Kalman
Le filtre de Kalman est une méthode mathématique récursive permettant d'estimer l'état d'un système dynamique à partir de mesures entachées d'erreurs. Dans la poursuite radar, cet état peut comprendre, par exemple, la position, la vitesse et éventuellement l'accélération de la cible. Le filtre combine les variables d'état prédites à l'aide du modèle de mouvement avec les nouvelles mesures radar, tout en tenant compte de leurs incertitudes respectives. Il est utilisé dans de nombreux systèmes numériques modernes de poursuite automatique des cibles.
Un élément essentiel du filtre de Kalman est la matrice de covariance associée à l'estimation de l'état. Elle décrit l'incertitude estimée des paramètres de position et de mouvement ainsi que les relations statistiques entre leurs erreurs d'estimation. Lors de la prédiction, cette incertitude évolue selon le modèle de mouvement. Après réception d'une nouvelle mesure, le filtre utilise les incertitudes pour déterminer dans quelle mesure l'estimation de l'état prévu doit être corrigée. Une mesure plus précise reçoit généralement un poids plus élevé qu'une mesure présentant une forte incertitude.
Au moment du balayage n-1, la dernière estimation actualisée de l'état et sa matrice de covariance sont déjà disponibles. À partir de ces données, le filtre de Kalman calcule la position prévue de la cible et l'incertitude associée pour le balayage n. Dès qu'un nouveau plot radar a été mesuré et associé à la piste, les valeurs prédites sont corrigées à l'aide de cette mesure. On obtient ainsi une estimation actualisée de l'état, qui sert ensuite à prédire l'état pour le balayage n+1. Le filtre de Kalman associe ainsi le lissage du mouvement estimé de la cible à la prédiction continue de ses positions futures.
Le filtre de Kalman classique fournit, sous l'hypothèse d'un modèle de mouvement linéaire et d'une description statistique appropriée des erreurs de processus et de mesure, une estimation minimisant l'erreur quadratique moyenne. Des extensions existent pour les modèles de mouvement ou de mesure non linéaires. La qualité de l'estimation de l'état dépend toutefois largement de la capacité du modèle utilisé à représenter le mouvement réel de la cible et les incertitudes des mesures.
Auteur : Christian Wolff,
traduction en langue française et révision :
Pierre Vaillant