Hispanopedia Wiki
Articulo de referencia

Rastreador de radar

Un rastreador de radar es un componente de un sistema de radar , o de un sistema de mando y control (C2) asociado , que asocia observaciones de radar consecutivas del mismo obje...

Hispanopedia WikiContenido en espanolLectura gratuita

Un rastreador de radar es un componente de un sistema de radar , o de un sistema de mando y control (C2) asociado , que asocia observaciones de radar consecutivas del mismo objetivo en trayectorias . Resulta especialmente útil cuando el sistema de radar informa datos de varios objetivos diferentes o cuando es necesario combinar los datos de varios radares u otros sensores para la fusión de datos .

Función del rastreador de radar

Un sistema clásico de radar de vigilancia aérea rotatorio detecta los ecos de los objetivos frente a un fondo de ruido. Informa de estas detecciones (conocidas como "trazas") en coordenadas polares que representan la distancia y el rumbo del objetivo. Además, el ruido en el receptor del radar ocasionalmente supera el umbral de detección del detector de tasa constante de falsas alarmas del radar y se informa erróneamente como objetivos (conocidas como falsas alarmas ). La función del rastreador de radar es monitorizar las actualizaciones consecutivas del sistema de radar (que suelen producirse cada pocos segundos, a medida que la antena gira) y determinar las secuencias de trazas que pertenecen al mismo objetivo, descartando las que se consideran falsas alarmas. Además, el rastreador de radar puede utilizar la secuencia de trazas para estimar la velocidad y el rumbo actuales del objetivo. Cuando hay varios objetivos presentes, el rastreador de radar pretende proporcionar una trayectoria para cada uno, y el historial de la trayectoria se utiliza a menudo para indicar la procedencia del objetivo.

Cuando varios sistemas de radar están conectados a un puesto de reporte, se suele utilizar un rastreador multiradar para monitorear las actualizaciones de todos los radares y generar trayectorias a partir de la combinación de detecciones. En esta configuración, las trayectorias suelen ser más precisas que las generadas por radares individuales, ya que se puede utilizar un mayor número de detecciones para estimarlas. Además de asociar gráficos, rechazar falsas alarmas y estimar el rumbo y la velocidad, el rastreador de radar también actúa como un filtro, suavizando los errores en las mediciones individuales de cada radar. En esencia, el rastreador de radar ajusta una curva suave a los gráficos reportados y, si se realiza correctamente, puede aumentar la precisión general del sistema de radar. Un rastreador multisensor extiende el concepto del rastreador multiradar para permitir la combinación de informes de diferentes tipos de sensores, generalmente radares , radares de vigilancia secundaria (SSR), sistemas de identificación amigo-enemigo (IFF) y datos de medidas de apoyo a la guerra electrónica (o medidas de apoyo electrónico (ESM)).

Un registro de radar normalmente contiene la siguiente información:

  • Posición (en dos o tres dimensiones)
  • Título
  • Velocidad
  • Número de seguimiento único

Además, y dependiendo de la aplicación o la sofisticación del rastreador, el seguimiento también incluirá:

  • Información sobre los modos A, C y S de la SSR civil
  • Información sobre los modos 1, 2, 3, 4 y 5 del sistema IFF militar.
  • Información sobre el indicativo de llamada
  • Información sobre fiabilidad o incertidumbre del seguimiento

Enfoque general

Existen muchos algoritmos matemáticos diferentes, con distintos niveles de sofisticación, que se utilizan para implementar un sistema de seguimiento por radar. Sin embargo, todos realizan pasos similares a los siguientes cada vez que se actualiza el radar:

Quizás el paso más importante sea la actualización de las pistas con nuevos gráficos. Todos los rastreadores tendrán en cuenta, implícita o explícitamente, varios factores durante esta etapa, entre ellos:

  • un modelo que describe cómo se relacionan las mediciones del radar con las coordenadas del objetivo
  • los errores en las mediciones del radar
  • un modelo del movimiento del objetivo
  • errores en el modelo del movimiento del objetivo

Utilizando esta información, el rastreador de radar intenta actualizar la trayectoria calculando un promedio ponderado de la posición actual reportada por el radar (con errores desconocidos) y la última posición predicha del objetivo por el rastreador (con errores también desconocidos). El problema de seguimiento se complica especialmente para objetivos con movimientos impredecibles (es decir, modelos de movimiento desconocidos), errores de medición o de modelo no gaussianos, relaciones no lineales entre las cantidades medidas y las coordenadas deseadas del objetivo, detección en presencia de interferencias distribuidas de forma no uniforme, detecciones fallidas o falsas alarmas. En la práctica, un rastreador de radar suele enfrentarse a una combinación de todos estos efectos; esto ha llevado al desarrollo de un conjunto de algoritmos cada vez más sofisticados para resolver el problema. Debido a la necesidad de generar trayectorias de radar en tiempo real, generalmente para varios cientos de objetivos a la vez, la implementación de algoritmos de seguimiento de radar se ha visto limitada por la capacidad de cálculo disponible.

Trazado para rastrear la asociación

En esta etapa del procesamiento, el rastreador de radar busca determinar qué gráficos deben usarse para actualizar qué trayectorias. En muchos enfoques, un gráfico dado solo puede usarse para actualizar una trayectoria. Sin embargo, en otros enfoques, un gráfico puede usarse para actualizar varias trayectorias, reconociendo la incertidumbre de saber a qué trayectoria pertenece. De cualquier manera, el primer paso del proceso es actualizar todas las trayectorias existentes al momento actual prediciendo su nueva posición basándose en la estimación de estado más reciente (p. ej., posición, rumbo, velocidad, aceleración, etc.) y el modelo de movimiento del objetivo asumido (p. ej., velocidad constante, aceleración constante, etc.). Una vez actualizadas las estimaciones, es posible intentar asociar los gráficos a las trayectorias.

Esto se puede hacer de varias maneras:

  • Al definir una "puerta de aceptación" alrededor de la ubicación actual de la pista y luego seleccionar:
    • la parcela más cercana en la puerta a la posición prevista (vecino más cercano), o
    • la trama más fuerte en la puerta
  • Mediante un enfoque estadístico que selecciona la ubicación más probable de la parcela a través de una combinación estadística de todas las parcelas posibles. Se ha demostrado que este enfoque es eficaz en situaciones de alta interferencia de radar .

Una vez que una trayectoria se ha asociado con una parcela, pasa a la etapa de suavizado de trayectorias , donde la predicción de la trayectoria y la parcela asociada se combinan para proporcionar una nueva estimación suavizada de la ubicación objetivo.

Una vez completado este proceso, algunas parcelas permanecerán sin asociar a las vías existentes y algunas vías permanecerán sin actualizar. Esto da paso a los pasos de inicio y mantenimiento de vías .

Inicio de la pista

La iniciación de la trayectoria es el proceso de crear una nueva trayectoria de radar a partir de un gráfico de radar no asociado. Cuando el rastreador se enciende por primera vez, todos los gráficos de radar iniciales se utilizan para crear nuevas trayectorias, pero una vez que el rastreador está en funcionamiento, solo aquellos gráficos que no pudieron usarse para actualizar una trayectoria existente se utilizan para generar nuevas trayectorias. Normalmente, a una nueva trayectoria se le asigna el estado de provisional hasta que los gráficos de las actualizaciones de radar posteriores se hayan asociado correctamente con la nueva trayectoria. Las trayectorias provisionales no se muestran al operador y, por lo tanto, proporcionan un medio para evitar que aparezcan trayectorias falsas en la pantalla, a costa de cierto retraso en el primer informe de una trayectoria. Una vez que se han recibido varias actualizaciones, la trayectoria se confirma y se muestra al operador. El criterio más común para promover una trayectoria provisional a una trayectoria confirmada es la "regla M de N", que establece que durante las últimas N actualizaciones de radar, al menos M gráficos deben haberse asociado con la trayectoria provisional, siendo M=3 y N=5 valores típicos. Los enfoques más sofisticados pueden utilizar un método estadístico en el que una trayectoria se confirma cuando, por ejemplo, su matriz de covarianza se reduce a un tamaño determinado.

Una variación de JPDA llamada JIPDA también estima la existencia del objetivo, manejando así la traza a la pista, la inicialización y el mantenimiento. [ 1 ]

Mantenimiento de vías

El mantenimiento de seguimiento es el proceso mediante el cual se decide si se debe finalizar el seguimiento. Si un seguimiento no se asoció a una parcela durante la fase de asociación de parcela a seguimiento, existe la posibilidad de que el objetivo ya no exista (por ejemplo, una aeronave puede haber aterrizado o salido del alcance del radar). Sin embargo, también existe la posibilidad de que el radar simplemente no haya detectado el objetivo en esa actualización, pero lo detectará de nuevo en la siguiente. Los métodos comunes para decidir si se debe finalizar un seguimiento incluyen:

  • Si el objetivo no fue visto durante las últimas M oportunidades de actualización consecutivas (normalmente M=3 aproximadamente)
  • Si el objetivo no se vio en las últimas M de las N oportunidades de actualización más recientes
  • Si la incertidumbre de la trayectoria del objetivo (matriz de covarianza) ha crecido más allá de un cierto umbral

Suavizado de pista

En este paso crucial, la predicción de trayectoria más reciente se combina con el gráfico asociado para proporcionar una nueva estimación mejorada del estado objetivo, así como una estimación revisada de los errores en dicha predicción. Existe una amplia variedad de algoritmos, de distinta complejidad y carga computacional, que pueden utilizarse para este proceso.

Rastreador alfa-beta

Un método de seguimiento inicial, que utilizaba un filtro alfa-beta , asumía errores de covarianza fijos y un modelo de objetivo de velocidad constante y sin maniobras para actualizar las trayectorias.

filtro de Kalman

El filtro de Kalman toma el estado actual conocido (es decir, posición, rumbo, velocidad y posiblemente aceleración) del objetivo y predice el nuevo estado del objetivo en el momento de la medición de radar más reciente. Al realizar esta predicción, también actualiza su estimación de su propia incertidumbre (es decir, errores) en esta predicción. Luego forma un promedio ponderado de esta predicción del estado y la última medición del estado, teniendo en cuenta los errores de medición conocidos del radar y su propia incertidumbre en los modelos de movimiento del objetivo. Finalmente, actualiza su estimación de la incertidumbre de la estimación del estado. Una suposición clave en las matemáticas del filtro de Kalman es que las ecuaciones de medición (es decir, la relación entre las mediciones del radar y el estado del objetivo) y las ecuaciones de estado (es decir, las ecuaciones para predecir un estado futuro basado en el estado actual) son lineales .

El filtro de Kalman asume que los errores de medición del radar, los errores en su modelo de movimiento del objetivo y los errores en su estimación de estado tienen media cero y covarianza conocida. Esto significa que todas estas fuentes de error pueden representarse mediante una matriz de covarianza . Por lo tanto, las matemáticas del filtro de Kalman se centran en propagar estas matrices de covarianza y utilizarlas para calcular la suma ponderada de la predicción y la medición.

En situaciones donde el movimiento del objetivo se ajusta bien al modelo subyacente, el filtro de Kalman tiende a confiar demasiado en sus predicciones y a ignorar las mediciones del radar. Si el objetivo maniobra, el filtro no podrá seguir la maniobra. Por lo tanto, al implementar el filtro, es práctica común aumentar ligeramente la magnitud de la matriz de covarianza de la estimación del estado en cada actualización para evitar este problema.

Rastreador de hipótesis múltiples (MHT)

El MHT permite que una trayectoria se actualice con más de un trazado en cada actualización, generando múltiples trayectorias posibles. Con cada actualización de radar, todas las trayectorias posibles pueden actualizarse. Con el tiempo, la trayectoria se ramifica en múltiples direcciones. El MHT calcula la probabilidad de cada trayectoria potencial y, por lo general, solo informa la más probable. Debido a las limitaciones de memoria y capacidad de cálculo, el MHT suele incluir algún método para eliminar las actualizaciones de trayectoria potenciales menos probables. El MHT está diseñado para situaciones en las que el modelo de movimiento del objetivo es muy impredecible, ya que considera todas las actualizaciones de trayectoria potenciales. Por este motivo, es popular para problemas de seguimiento de objetivos terrestres en sistemas de vigilancia terrestre aerotransportada (AGS).

El MHT calcula no solo las probabilidades de trayectorias detectadas previamente, sino también las probabilidades de falsas alarmas y trayectorias nuevas. Como resultado, puede gestionar múltiples partes del algoritmo de seguimiento de radar, es decir, la conversión de traza a trayectoria, el suavizado y la inicialización. El MHT puede implementarse como orientado a hipótesis o como orientado a trayectoria. Este último tipo organiza las hipótesis en árboles, y cada trayectoria tiene un árbol. Se pueden utilizar múltiples fotogramas del historial. El TOMHT normalmente no gestiona la inicialización ni la terminación. [ 1 ]

conjuntos finitos aleatorios

Modelo múltiple interactivo (IMM)

El IMM es un estimador que puede ser utilizado tanto por MHT como por JPDAF. El IMM emplea dos o más filtros de Kalman que se ejecutan en paralelo, cada uno con un modelo diferente para el movimiento o los errores del objetivo. El IMM genera una suma ponderada óptima de la salida de todos los filtros y es capaz de ajustarse rápidamente a las maniobras del objetivo. Mientras que MHT o JPDAF gestionan la asociación y el mantenimiento de la trayectoria, el IMM les ayuda a obtener una estimación filtrada de la posición del objetivo.

algoritmos de seguimiento no lineal

Los algoritmos de seguimiento no lineal utilizan un filtro no lineal para hacer frente a situaciones en las que las mediciones tienen una relación no lineal con las coordenadas finales de la trayectoria, donde los errores no son gaussianos o donde el modelo de actualización de movimiento no es lineal. Los filtros no lineales más comunes son:

  • el filtro de Kalman extendido
  • el filtro Kalman sin aroma
  • el filtro de partículas

Filtro de Kalman extendido (EKF)

El EKF es una extensión del filtro de Kalman para abordar casos donde la relación entre las mediciones del radar y las coordenadas de la trayectoria, o entre las coordenadas de la trayectoria y el modelo de movimiento, es no lineal. En este caso, la relación entre las mediciones y el estado tiene la forma h=f(x) (donde h es el vector de mediciones, x es el estado objetivo y f(.) es la función que relaciona ambos). De manera similar, la relación entre el estado futuro y el estado actual tiene la forma x(t+1)=g(x(t)) (donde x(t) es el estado en el instante t y g(.) es la función que predice el estado futuro). Para manejar estas no linealidades, el EKF linealiza las dos ecuaciones no lineales utilizando el primer término de la serie de Taylor y luego trata el problema como el problema estándar del filtro de Kalman lineal. Aunque conceptualmente simple, el filtro puede divergir fácilmente (es decir, su rendimiento puede empeorar gradualmente) si la estimación del estado sobre la cual se linealizan las ecuaciones es deficiente.

El filtro de Kalman sin aroma y los filtros de partículas son intentos de superar el problema de la linealización de las ecuaciones.

Filtro de Kalman sin aroma (UKF)

El UKF busca mejorar el EKF eliminando la necesidad de linealizar las ecuaciones de medición y estado. Evita la linealización representando la información de media y covarianza mediante un conjunto de puntos, denominados puntos sigma. Estos puntos, que representan una distribución con media y covarianza específicas, se propagan directamente a través de las ecuaciones no lineales, y las muestras actualizadas resultantes se utilizan para calcular una nueva media y varianza. Este enfoque evita los problemas de divergencia derivados de una linealización deficiente y, a la vez, conserva la simplicidad computacional del EKF.

Filtro de partículas

El filtro de partículas puede considerarse una generalización del UKF. No presupone ninguna distribución de errores en el filtro ni requiere que las ecuaciones sean lineales. En cambio, genera un gran número de estados potenciales aleatorios ("partículas") y propaga esta "nube de partículas" a través de las ecuaciones, lo que da como resultado una distribución diferente de partículas en la salida. Esta distribución se puede utilizar para calcular la media, la varianza o cualquier otra medida estadística necesaria. Las estadísticas resultantes se utilizan para generar la muestra aleatoria de partículas para la siguiente iteración. El filtro de partículas destaca por su capacidad para manejar distribuciones multimodales (es decir, distribuciones donde la función de densidad de probabilidad (FDP) tiene más de un pico). Sin embargo, su coste computacional es muy elevado y actualmente no es adecuado para la mayoría de las aplicaciones reales en tiempo real.

Véase también

  • Radar pasivo : una forma de radar que depende en gran medida del rastreador de radar para su funcionamiento.
  • Radar - artículo principal sobre sistemas de radar
  • Rastrear antes de detectar : ​​un enfoque para combinar el proceso de detección y rastreo para ver objetivos de muy baja intensidad.

Referencias

  1. 1 2 Yuxuan Xia, Karl Granström, Lennart Svensson, Ángel F. García-Fernández, Jason L. Williams. Implementación multi-escaneo del filtro de mezcla multi-Bernoulli de Poisson de trayectoria https://arxiv.org/abs/1912.01748

Lecturas adicionales

  • Bar-Shalom, Yaakov ; Willett, Peter K.; Tian, ​​Xin (2011). Seguimiento y fusión de datos . YBS Publishing.
  • Bar-Shalom, Yaakov ; Li, X. Rong; Kirubarajan, Thiagalingam (2004). Estimación con aplicaciones al seguimiento y la navegación: teoría, algoritmos y software . Wiley.
  • Blackman, Samuel; Popoli, Robert (1999). Diseño y análisis de sistemas de seguimiento modernos . Norwood, Massachusetts: Artech House.
  • BlighterTrack, un sistema de seguimiento de objetivos por radar basado en software de Plextek Ltd.
  • Descripción general de los métodos de asociación de datos de radar junto con una comparación del rendimiento de los filtros de seguimiento Kalman y alfa-beta www.advsolned.com
  • SPx Target Extraction and Tracking es un software comercial de seguimiento por radar de Cambridge Pixel Ltd.
  • Biblioteca de componentes Tracker en GitHub : conjunto de algoritmos de MATLAB relacionados con el seguimiento de objetivos, software libre y de código abierto del Laboratorio de Investigación Naval de los Estados Unidos.