www.radartutorial.eu www.radartutorial.eu Основе радарске технологије

Изглађивање путање

Предвиђање следећег положаја циља и прозор валидације за придруживање нове радарске детекције
скенирање: n-2
n-1
n
историја путање
последња детекција
(скенирање n-1)
„прозор валидације“
за следећи
обртај антене
предвиђени
положај

Слика 1. Предвиђање положаја циља и прозор валидације за придруживање следеће радарске детекције

Предвиђање следећег положаја циља и прозор валидације за придруживање нове радарске детекције
скенирање: n-2
n-1
n
историја путање
последња детекција
(скенирање n-1)
„прозор валидације“ за
следећи обртај антене
предвиђени положај

Слика 1. Предвиђање положаја циља и прозор валидације за придруживање следеће радарске детекције

Предвиђање следећег положаја циља и прозор валидације за придруживање нове радарске детекције
скенирање: n-2
n-1
n
историја путање
последња детекција
(скенирање n-1)
„прозор валидације“ за
следећи обртај антене
предвиђени положај

Слика 1. Предвиђање положаја циља и прозор валидације за придруживање следеће радарске детекције

Изглађивање путање

Изглађивање путање (Track Smoothing) у контексту аутоматског радарског праћења циљева означава изглађивање процењеног кретања циља на основу узастопних радарских мерења. При томе се узимају у обзир случајна одступања мерења, тако да појединачне грешке што мање утичу на процењени положај циља и параметре кретања изведене из њега. Филтери за праћење који се користе у ту сврху истовремено обављају још један важан задатак: на основу претходно процењеног стања кретања предвиђају положај циља при следећем радарском скенирању. Ово предвиђање се користи при придруживању нових радарских детекција постојећим путањама.

У ту сврху филтер за праћење обрађује измерене положаје и већ процењене параметре кретања циља, нарочито његову брзину и, по потреби, убрзање. На основу тих података и претпостављеног модела кретања предвиђа се положај у коме ће се циљ вероватно налазити у тренутку следећег мерења. Око предвиђеног положаја може се одредити прозор валидације, унутар кога се новооткривена радарска детекција разматра као могуће мерење које припада одговарајућој путањи. Величина и облик овог прозора зависе, између осталог, од мерних несигурности и несигурности предвиђања кретања.

Када стигне ново радарско мерење, измерени положај се упоређује са предвиђеним. Утврђена разлика назива се иновација (Innovation) или резидуал мерења. Филтер за праћење користи ту разлику за корекцију предвиђеног положаја и процењених параметара кретања. Затим се на основу ажурираног стања израчунава следеће предвиђање. Овај поступак који се понавља побољшава тачност и стабилност праћења циља, без потребе да се сваки појединачно измерени положај непосредно прихвати као стварни положај циља.

Филтери за праћење разликују се по примењеним моделима кретања, начину узимања у обзир мерних несигурности и потребним рачунарским ресурсима. Њихов основни радни циклус, међутим, обично обухвата два узастопна корака:

Мерења из неколико узастопних скенирања представљају основу за процену кретања циља. При томе се изглађују случајна одступања положаја, док се промене брзине или правца кретања узимају у обзир у складу са примењеним моделом. Ажурирана процена стања поново служи као полазна основа за следеће предвиђање положаја. Код рекурзивних филтера није неопходно трајно чувати сва претходна мерења, јер су раније добијене информације већ садржане у тренутној процени стања.

Алфа-бета филтер

Алфа-бета филтер (Alpha-Beta Tracker) је једноставан филтер за праћење који првенствено процењује положај и брзину циља. Обично користи модел кретања са константном брзином и зато је нарочито погодан за циљеве који не изводе изражене маневре. Његова два карактеристична параметра, α и β, одређују у којој мери се разлика између предвиђеног и измереног положаја користи за корекцију процене положаја, односно брзине.

Алфа-бета филтер захтева мало рачунарске снаге и једноставан је за реализацију. Због тога је био широко примењиван, нарочито у старијим радарским системима, а и данас се користи за релативно једноставне задатке праћења циљева. Његов недостатак је у томе што фиксни параметри филтера омогућавају само ограничен компромис између брзе реакције на промене кретања и ефикасног потискивања мерног шума. Зато при праћењу циљева који изводе интензивне маневре могу настати веће грешке предвиђања. Алфа-бета филтер може се посматрати као поједностављени процењивач стања који је, под одређеним претпоставкама, повезан са Калмановим филтером у стационарном режиму.

Калманов филтер

Калманов филтер (Kalman Filter) је рекурзивни математички метод за процену стања динамичког система на основу мерења оптерећених грешкама. При радарском праћењу циљева то стање може обухватати, на пример, положај, брзину и евентуално убрзање циља. Филтер комбинује величине стања предвиђене помоћу модела кретања са новим радарским мерењима, узимајући у обзир њихове одговарајуће несигурности. Примењује се у бројним савременим дигиталним системима за праћење циљева.

Важан саставни део Калмановог филтера јесте матрица коваријансе процене стања. Она описује процењену несигурност положаја и параметара кретања, као и статистичке зависности између грешака њихових процена. Током предвиђања ова несигурност се преноси у складу са моделом кретања. По пријему новог мерења филтер користи податке о несигурностима како би одредио у којој мери треба кориговати предвиђену процену стања. Прецизнијем мерењу се, по правилу, додељује већа тежина него мерењу са високом несигурношћу.

У тренутку скенирања n-1 већ су доступне последња ажурирана процена стања и њена матрица коваријансе. На основу њих Калманов филтер израчунава предвиђени положај циља и придружену несигурност за скенирање n. Чим се нова радарска детекција измери и придружи одговарајућој путањи, предвиђене вредности се коригују помоћу тог мерења. Резултат представља ажурирану процену стања, из које се затим добија предвиђање за скенирање n+1. На тај начин Калманов филтер обједињује изглађивање процењеног кретања циља са непрекидним предвиђањем његових будућих положаја.

Класични Калманов филтер обезбеђује процену стања са минималном средњом квадратном грешком под претпоставкама линеарног модела кретања и одговарајућег статистичког описа грешака процеса и мерења. За нелинеарне моделе кретања или мерења постоје проширене варијанте филтера. Међутим, квалитет процене стања у великој мери зависи од тога колико добро примењени модел описује стварно кретање циља и несигурности које се јављају током мерења.