Войти
A РЛС-трекер является компонентом системы радар или связанной с ним системы управления и контроля (C2), которая связывает последовательные радиолокационные наблюдения одной и той же цели в треки. Это особенно полезно, когда радиолокационная система сообщает данные от нескольких разных целей или когда необходимо объединить данные от нескольких разных радаров или других датчиков.
Классическая вращающаяся радиолокационная система наблюдения за воздухом обнаруживает эхо-сигналы от цели на фоне шума. Он сообщает об этих обнаружениях (известных как «графики») в полярных координатах, представляющих дальность и азимут цели. Кроме того, шум в приемнике радара может иногда превышать порог обнаружения детектора постоянной частоты ложных тревог радара и ошибочно сообщаться как цели (известные как ложные тревоги ). Роль радиолокационного трекера заключается в отслеживании последовательных обновлений от радарной системы (которые обычно происходят каждые несколько секунд при вращении антенны) и в определении тех последовательностей участков, принадлежащих одной и той же цели, при одновременном отклонении любых участков, которые считаются ложными. будильники. Кроме того, радиолокационный трекер может использовать последовательность графиков для оценки текущей скорости и курса цели. Когда присутствует несколько целей, радиолокационный трекер стремится обеспечить по одному треку для каждой цели, при этом история треков часто используется, чтобы указать, откуда пришла цель.
Когда несколько радарных систем подключены к одному репортерному посту, мультирадарный трекер часто используется для отслеживания обновлений со всех радаров и формирования треков из комбинации обнаружений. В этой конфигурации треки часто более точны, чем треки, сформированные с помощью одиночных радаров, поскольку для оценки треков можно использовать большее количество обнаружений. В дополнение к связыванию графиков, отклонению ложных тревог и оценке курса и скорости, радиолокационный трекер также действует как фильтр, в котором сглаживаются ошибки в отдельных радиолокационных измерениях. По сути, радиолокационный трекер подгоняет плавную кривую к отчетным графикам и, если все сделано правильно, может повысить общую точность радиолокационной системы. мультисенсорный трекер расширяет концепцию мультирадарного трекера, позволяя комбинировать отчеты от различных типов датчиков - обычно радаров, вторичных обзорных радаров (SSR), системы идентификации друга или врага (IFF) и электронные средства поддержки (ESM) данные.
РЛС обычно содержит следующую информацию:
Кроме того, и в зависимости от приложения или сложности трекера, трек также будет включать:
Есть много различных математических алгоритмы, используемые для реализации радиолокационного слежения, разного уровня сложности. Однако все они выполняют шаги, подобные следующим, каждый раз, когда обновляется радар:
Возможно, наиболее важным шагом является обновление треков новыми графиками. Все трекеры будут явно или неявно учитывать ряд факторов на этом этапе, включая:
Используя эту информацию, радиолокационный трекер пытается обновить трек, формируя средневзвешенное значение текущего сообщенное положение с радара (которое имеет неизвестные ошибки) и последнее прогнозируемое положение цели от трекера (которое также имеет неизвестные ошибки). Проблема слежения особенно усложняется для целей с непредсказуемыми движениями (т. Е. С неизвестными моделями движения цели), негауссовскими ошибками измерения или модели, нелинейными отношениями между измеренными величинами и желаемыми координатами цели, обнаружением при наличии неоднородных распределенный беспорядок, пропущенные обнаружения или ложные тревоги. В реальном мире радиолокационный трекер обычно сталкивается с комбинацией всех этих эффектов; это привело к разработке все более сложных алгоритмов для решения проблемы. Из-за необходимости формировать радиолокационные треки в реальном времени, как правило, для нескольких сотен целей одновременно, развертывание алгоритмов радиолокационного слежения обычно ограничивалось доступной вычислительной мощностью.
На этом этапе обработки радиолокационный трекер пытается определить, какие графики следует использовать для обновления каких следов. Во многих подходах данный график можно использовать только для обновления одного трека. Однако в других подходах график можно использовать для обновления нескольких треков, признавая неопределенность в знании того, к какому треку принадлежит график. В любом случае, первым шагом в процессе является обновление всех существующих треков до текущего времени путем прогнозирования их нового положения на основе самой последней оценки состояния (например, положения, курса, скорости, ускорения и т. Д.) И предполагаемой цели. модель движения (например, постоянная скорость, постоянное ускорение и т. д.). Обновив оценки, можно попробовать привязать графики к трекам.
Это можно сделать несколькими способами:
После того, как трек был связан с графиком, он переходит на этап сглаживания трека, где прогнозирование трека и связанное с ним участки объединяются, чтобы обеспечить новую, сглаженную оценку целевого местоположения.
После завершения этого процесса некоторые графики останутся несвязанными с существующими дорожками, а некоторые дорожки останутся без обновлений. Это приводит к этапам инициирования трека и обслуживания трека .
Инициирование трека - это процесс создания нового радиолокационного трека из несвязанного радиолокационного графика. Когда трекер впервые включается, все начальные радиолокационные графики используются для создания новых треков, но после запуска трекера только те графики, которые нельзя использовать для обновления существующего трека, используются для создания новых треков. Обычно новому треку присваивается статус предварительный до тех пор, пока графики из последующих обновлений радара не будут успешно связаны с новым треком. Предварительные треки не показываются оператору, и поэтому они позволяют предотвратить появление ложных треков на экране - за счет некоторой задержки в первом сообщении о треке. После получения нескольких обновлений трек подтверждается и отображается оператору. Наиболее распространенным критерием для перехода от предварительного трека к подтвержденному - это «правило M-of-N», которое гласит, что во время последних N обновлений радара, по крайней мере, M участков должны быть связаны с предварительным треком - с M = 3 и N = 5 являются типичными значениями. Более сложные подходы могут использовать статистический подход, в котором трек становится подтвержденным, когда, например, его ковариационная матрица падает до заданного размера.
Техническое обслуживание пути - это процесс, в ходе которого принимается решение о прекращении срока службы пути. Если трек не был связан с графиком во время этапа отслеживания привязки, то есть шанс, что цель больше не существует (например, самолет мог приземлиться или вылететь из-под прикрытия радара). В качестве альтернативы, однако, есть вероятность, что радар, возможно, просто не смог увидеть цель при этом обновлении, но обнаружит ее снова при следующем обновлении. Общие подходы к принятию решения о завершении трека включают:
На этом важном этапе прогнозирование последнего трека объединяется со связанным графиком, чтобы обеспечить новую улучшенную оценку целевого состояния, а также пересмотренную оценку ошибок в этом прогнозе. Существует множество алгоритмов разной сложности и вычислительной нагрузки, которые можно использовать для этого процесса.
Подход раннего отслеживания с использованием альфа-бета-фильтра, который предполагал фиксированные ковариационные ошибки и модель цели с постоянной скоростью и неманеврирующей целью для обновить треки.
Роль Фильтра Калмана состоит в том, чтобы принимать текущее известное состояние (т.е. положение, направление, скорость и, возможно, ускорение) цели и прогнозировать новое состояние цели на момент последнего радиолокационного измерения. Делая этот прогноз, он также обновляет свою оценку собственной неопределенности (т. Е. Ошибок) в этом прогнозе. Затем он формирует средневзвешенное значение этого прогноза состояния и последнего измерения состояния с учетом известных ошибок измерения радара и собственной неопределенности в моделях движения цели. Наконец, он обновляет свою оценку неопределенности оценки состояния. Ключевое предположение в математике фильтра Калмана состоит в том, что уравнения измерения (т. Е. Взаимосвязь между измерениями радара и целевым состоянием) и уравнения состояния (т. Е. Уравнения для прогнозирования будущего состояния на основе текущего состояния) равны linear.
Фильтр Калмана предполагает, что ошибки измерения радара и ошибки в его модели движения цели, а также ошибки в его оценке состояния являются нулевыми средними с известной ковариацией. Это означает, что все эти источники ошибок могут быть представлены ковариационной матрицей . Таким образом, математика фильтра Калмана связана с распространением этих ковариационных матриц и их использованием для формирования взвешенной суммы прогноза и измерения.
В ситуациях, когда движение цели хорошо согласуется с базовой моделью, фильтр Калмана имеет тенденцию становиться «чрезмерно уверенным» в своих собственных прогнозах и начинать игнорировать измерения радара. Если цель затем маневрирует, фильтр не сможет следовать за маневром. Поэтому обычной практикой при реализации фильтра является произвольное незначительное увеличение величины ковариационной матрицы оценки состояния при каждом обновлении, чтобы предотвратить это.
MHT позволяет обновлять дорожку более чем одним графиком при каждом обновлении, порождая несколько возможных дорожек. По мере получения каждого обновления радара каждый возможный трек потенциально может обновляться с каждым новым обновлением. Со временем путь разветвляется во многих возможных направлениях. MHT вычисляет вероятность каждого потенциального трека и обычно сообщает только наиболее вероятный из всех треков. Из-за ограниченной памяти компьютера и вычислительной мощности MHT обычно включает в себя некоторый подход для удаления наиболее маловероятных потенциальных обновлений треков. MHT разработан для ситуаций, в которых модель движения цели очень непредсказуема, поскольку учитываются все возможные обновления трека. По этой причине он популярен для задач сопровождения наземных целей в системах воздушного наземного наблюдения (AGS).
IMM - это средство оценки, которое может использоваться MHT или JPDAF. IMM использует два или более фильтра Калмана, которые работают параллельно, каждый из которых использует разные модели движения или ошибок цели. IMM формирует оптимальную взвешенную сумму выходных данных всех фильтров и может быстро адаптироваться к целевым маневрам. В то время как MHT или JPDAF обрабатывает ассоциацию и сопровождение трека, IMM помогает MHT или JPDAF в получении отфильтрованной оценки целевой позиции.
Алгоритмы нелинейного отслеживания используют нелинейный фильтр, чтобы справиться с ситуацией, когда измерения имеют нелинейную зависимость от конечной дорожки координаты, где ошибки не гауссовы, или где модель обновления движения нелинейна. Наиболее распространенные нелинейные фильтры:
EKF является расширением фильтра Калмана, чтобы справиться со случаями, когда связь между измерениями радара и координатами трека или координатами трека и моделью движения является нелинейной. В этом случае связь между измерениями и состоянием имеет вид h = f (x) (где h - вектор измерений, x - целевое состояние, а f (.) - функция, связывающая эти два). Точно так же связь между будущим состоянием и текущим состоянием имеет вид x (t + 1) = g (x (t)) (где x (t) - состояние в момент времени t, а g (.) - функция который предсказывает будущее состояние). Чтобы справиться с этими нелинейностями, EKF линеаризует два нелинейных уравнения с использованием первого члена ряда ряда Тейлора, а затем рассматривает проблему как стандартную задачу линейного фильтра Калмана. Хотя концептуально простой, фильтр может легко расходиться (т.е. постепенно работать все хуже и хуже), если оценка состояния, относительно которого линеаризованы уравнения, плохая.
Фильтр Калмана без запаха и фильтры частиц - это попытка решить проблему линеаризации уравнений.
Фильтр UKF пытается улучшить EKF, устраняя необходимость линеаризации измерений и уравнений состояния. Он избегает линеаризации, представляя информацию о среднем значении и ковариации в виде набора точек, называемых сигма-точками. Эти точки, которые представляют собой распределение с указанным средним значением и ковариацией, затем распространяются напрямую через нелинейные уравнения, а полученные пять обновленных выборок затем используются для вычисления нового среднего и дисперсии. Таким образом, этот подход не страдает от проблем расходимости из-за плохой линеаризации и все же сохраняет общую вычислительную простоту EKF.
Сажевый фильтр может рассматриваться как обобщение UKF. Он не делает никаких предположений о распределении ошибок в фильтре и не требует, чтобы уравнения были линейными. Вместо этого он генерирует большое количество случайных потенциальных состояний («частиц»), а затем распространяет это «облако частиц» с помощью уравнений, что приводит к другому распределению частиц на выходе. Полученное распределение частиц затем можно использовать для расчета среднего значения или дисперсии или любых других необходимых статистических показателей. Полученная статистика используется для генерации случайной выборки частиц для следующей итерации. Фильтр частиц примечателен своей способностью обрабатывать мультимодальные распределения (т.е. распределения, в которых PDF имеет более одного пика). Однако он требует больших вычислительных ресурсов и в настоящее время не подходит для большинства реальных приложений реального времени.
