www.radartutorial.eu www.radartutorial.eu Noções básicas de radar

Suavização de trajetórias

Previsão da próxima posição do alvo e janela de validação para associar uma nova detecção radar
varredura: n-2
n-1
n
histórico da trajetória
última detecção
(varredura n-1)
«janela de validação»
para a próxima
rotação da antena
posição
prevista

Figura 1. Previsão da posição do alvo e janela de validação para associar a próxima detecção

Previsão da próxima posição do alvo e janela de validação para associar uma nova detecção radar
varredura: n-2
n-1
n
histórico da trajetória
última detecção
(varredura n-1)
«janela de validação» para a
próxima rotação da antena
posição prevista

Figura 1. Previsão da posição do alvo e janela de validação para associar a próxima detecção

Previsão da próxima posição do alvo e janela de validação para associar uma nova detecção radar
varredura: n-2
n-1
n
histórico da trajetória
última detecção
(varredura n-1)
«janela de validação» para a
próxima rotação da antena
posição prevista

Figura 1. Previsão da posição do alvo e janela de validação para associar a próxima detecção

Suavização de trajetórias

A suavização de trajetórias (Track Smoothing) no contexto do rastreamento automático de alvos por radar consiste em suavizar o movimento estimado de um alvo com base em medições sucessivas do radar. Nesse processo, são considerados os desvios aleatórios das medições, para que os erros individuais influenciem o mínimo possível a posição estimada do alvo e os parâmetros de movimento derivados dela. Os filtros de rastreamento utilizados para essa finalidade também desempenham outra função importante: calculam uma previsão da posição do alvo para a próxima varredura do radar com base no estado de movimento estimado anteriormente. Essa previsão é utilizada na associação de novas detecções radar às trajetórias existentes.

Para isso, um filtro de rastreamento processa as posições medidas e os parâmetros de movimento previamente estimados do alvo, especialmente sua velocidade e, quando necessário, sua aceleração. Com base nessas informações e em um modelo de movimento adotado, é prevista a posição em que o alvo provavelmente estará no momento da próxima medição. Ao redor dessa posição prevista, pode ser definida uma janela de validação, dentro da qual uma nova detecção pode ser considerada uma possível medição associável à trajetória. O tamanho e a forma dessa janela dependem, entre outros fatores, das incertezas das medições e da incerteza da previsão do movimento.

Quando uma nova medição radar é recebida, sua posição medida é comparada com a posição prevista. A diferença encontrada é denominada inovação (Innovation) ou resíduo de medição. O filtro de rastreamento utiliza essa diferença para corrigir a posição prevista e os parâmetros de movimento estimados. Em seguida, a próxima previsão é calculada com base no estado atualizado. Esse processo repetitivo melhora a precisão e a estabilidade do rastreamento do alvo, sem que cada posição medida precise ser considerada diretamente como a posição real do alvo.

Os filtros de rastreamento diferem quanto aos modelos de movimento empregados, à maneira como consideram as incertezas das medições e às exigências de processamento. Entretanto, seu ciclo básico de funcionamento geralmente consiste em duas etapas sucessivas:

As medições obtidas em várias varreduras consecutivas constituem a base para estimar o movimento do alvo. Nesse processo, os desvios aleatórios de posição são suavizados, enquanto as alterações de velocidade ou direção do movimento são consideradas conforme o modelo utilizado. A estimativa de estado atualizada serve novamente como ponto de partida para a próxima previsão de posição. Nos filtros recursivos, não é necessário armazenar permanentemente todas as medições anteriores, pois as informações obtidas delas já estão incorporadas à estimativa de estado atual.

Filtro alfa-beta

O filtro alfa-beta (Alpha-Beta Tracker) é um filtro de rastreamento simples que estima principalmente a posição e a velocidade de um alvo. Geralmente, utiliza um modelo de movimento com velocidade constante e, portanto, é especialmente adequado para alvos que não realizam manobras significativas. Seus dois parâmetros característicos, α e β, determinam em que medida a diferença entre a posição prevista e a posição medida é utilizada para corrigir, respectivamente, as estimativas de posição e de velocidade.

O filtro alfa-beta exige poucos recursos computacionais e é fácil de implementar. Por isso, foi amplamente utilizado nos sistemas de radar mais antigos e ainda é empregado em aplicações relativamente simples de rastreamento de alvos. Sua desvantagem é que os parâmetros fixos do filtro permitem apenas um compromisso limitado entre uma resposta rápida às mudanças de movimento e uma supressão eficaz do ruído de medição. Consequentemente, podem ocorrer erros de previsão maiores no rastreamento de alvos que realizam manobras intensas. O filtro alfa-beta pode ser considerado um estimador de estado simplificado que, sob determinadas hipóteses, está relacionado a um filtro de Kalman em regime permanente.

Filtro de Kalman

O filtro de Kalman (Kalman Filter) é um método matemático recursivo para estimar o estado de um sistema dinâmico a partir de medições sujeitas a erros. No rastreamento de alvos por radar, esse estado pode incluir, por exemplo, a posição, a velocidade e, eventualmente, a aceleração do alvo. O filtro combina as variáveis de estado previstas pelo modelo de movimento com as novas medições do radar, considerando suas respectivas incertezas. Ele é utilizado em diversos sistemas digitais modernos de rastreamento de alvos.

Um componente essencial do filtro de Kalman é a matriz de covariância da estimativa de estado. Ela descreve a incerteza estimada dos parâmetros de posição e movimento, bem como as relações estatísticas entre os erros de suas estimativas. Durante a etapa de previsão, essa incerteza é propagada de acordo com o modelo de movimento. Após a chegada de uma nova medição, o filtro utiliza as incertezas para determinar em que medida a estimativa de estado prevista deve ser corrigida. De modo geral, uma medição mais precisa recebe um peso maior do que outra com incerteza elevada.

No momento da varredura n-1, a última estimativa de estado atualizada e sua matriz de covariância já estão disponíveis. A partir desses valores, o filtro de Kalman calcula a posição prevista do alvo e a incerteza associada para a varredura n. Assim que uma nova detecção radar é medida e associada à trajetória, os valores previstos são corrigidos com base nessa medição. O resultado é uma estimativa de estado atualizada, da qual se obtém a previsão para a varredura n+1. Dessa forma, o filtro de Kalman combina a suavização do movimento estimado do alvo com a previsão contínua de suas posições futuras.

O filtro de Kalman clássico fornece uma estimativa de estado com erro quadrático médio mínimo sob as hipóteses de um modelo linear de movimento e de descrições estatísticas adequadas dos erros do processo e das medições. Existem extensões do filtro para modelos de movimento ou de medição não lineares. Entretanto, a qualidade da estimativa de estado depende, em grande parte, de quão bem o modelo utilizado representa o movimento real do alvo e as incertezas presentes nas medições.