Un rastreador de radar es un componente de un sistema de radar , o de un sistema de mando y control (C2) asociado, que asocia las observaciones consecutivas de radar del mismo objetivo en pistas . Es especialmente útil cuando el sistema de radar informa datos de varios objetivos diferentes o cuando es necesario combinar los datos de varios radares diferentes u otros sensores.
Un sistema clásico de radar de vigilancia aérea rotatorio detecta ecos de objetivos contra un fondo de ruido. Informa estas detecciones (conocidas como "trazas") en coordenadas polares que representan la distancia y el rumbo del objetivo. Además, el ruido en el receptor de radar ocasionalmente excederá el umbral de detección del detector de tasa de falsas alarmas constante del radar y se informará incorrectamente como objetivos (conocidos como falsas alarmas ). La función del rastreador de radar es monitorear actualizaciones consecutivas del sistema de radar (que generalmente ocurren una vez cada pocos segundos, a medida que la antena gira) y determinar aquellas secuencias de trazados que pertenecen al mismo objetivo, al tiempo que rechaza cualquier trazado que se crea que son falsas alarmas. Además, el rastreador de radar puede usar la secuencia de trazados para estimar la velocidad y el rumbo actuales del objetivo. Cuando hay varios objetivos presentes, el rastreador de radar intenta proporcionar una pista para cada objetivo, y el historial de pistas se usa a menudo para indicar de dónde proviene el objetivo.
Cuando varios sistemas de radar están conectados a un único puesto de notificación, se suele utilizar un rastreador multiradar para supervisar las actualizaciones de todos los radares y formar pistas a partir de la combinación de detecciones. En esta configuración, las pistas suelen ser más precisas que las formadas a partir de radares individuales, ya que se puede utilizar un mayor número de detecciones para estimar las pistas. Además de asociar gráficos, rechazar falsas alarmas y estimar el rumbo y la velocidad, el rastreador de radar también actúa como un filtro, en el que se suavizan los errores en las mediciones de radar individuales. En esencia, el rastreador de radar ajusta una curva suave a los gráficos informados y, si se hace correctamente, puede aumentar la precisión general del sistema de radar. Un rastreador multisensor amplía el concepto del rastreador multiradar para permitir la combinación de informes de diferentes tipos de sensores, normalmente radares , radares de vigilancia secundaria (SSR), sistemas de identificación amigo o enemigo (IFF) y datos de medidas de apoyo electrónico (ESM).
Una pista de radar normalmente contendrá la siguiente información:
Además, y dependiendo de la aplicación o sofisticación del rastreador, el track también incluirá:
Existen muchos algoritmos matemáticos diferentes que se utilizan para implementar un rastreador de radar, con distintos niveles de sofisticación. 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, una serie de factores durante esta etapa, entre los que se incluyen:
Utilizando esta información, el rastreador de radar intenta actualizar el seguimiento formando un promedio ponderado de la posición actual informada por el radar (que tiene errores desconocidos) y la última posición predicha del objetivo por el rastreador (que también tiene errores desconocidos). El problema del seguimiento se vuelve particularmente difícil para objetivos con movimientos impredecibles (es decir, modelos de movimiento de objetivo desconocidos), errores de medición o modelo no gaussianos, relaciones no lineales entre las cantidades medidas y las coordenadas deseadas del objetivo, detección en presencia de desorden distribuido de manera no uniforme, detecciones fallidas o falsas alarmas. En el mundo real, un rastreador de radar generalmente se enfrenta a una combinación de todos estos efectos; esto ha llevado al desarrollo de un conjunto cada vez más sofisticado de algoritmos para resolver el problema. Debido a la necesidad de formar seguimientos de radar en tiempo real, generalmente para varios cientos de objetivos a la vez, el despliegue de algoritmos de seguimiento de radar generalmente se ha visto limitado por la potencia computacional disponible.
En este paso del procesamiento, el rastreador de radar busca determinar qué gráficos se deben utilizar para actualizar qué pistas. En muchos enfoques, un gráfico determinado solo se puede utilizar para actualizar una pista. Sin embargo, en otros enfoques, un gráfico se puede utilizar para actualizar varias pistas, reconociendo la incertidumbre de saber a qué pista pertenece el gráfico. De cualquier manera, el primer paso del proceso es actualizar todas las pistas existentes al momento actual prediciendo su nueva posición en función de la estimación de estado más reciente (por ejemplo, posición, rumbo, velocidad, aceleración, etc.) y el modelo de movimiento del objetivo asumido (por ejemplo, velocidad constante, aceleración constante, etc.). Una vez actualizadas las estimaciones, es posible intentar asociar los gráficos a las pistas.
Esto se puede hacer de varias maneras:
Una vez que una pista se ha asociado a un gráfico, pasa a la etapa de suavizado de pista , donde la predicción de pista y el gráfico asociado se combinan para proporcionar una nueva estimación suavizada de la ubicación del objetivo.
Una vez completado este proceso, una serie de parcelas permanecerán sin asociar con las pistas existentes y una serie de pistas permanecerán sin actualizaciones. Esto conduce a los pasos de iniciación de la pista y mantenimiento de la pista .
La iniciación de una pista es el proceso de creación de una nueva pista de radar a partir de un gráfico de radar no asociado. Cuando se enciende el rastreador por primera vez, se utilizan todos los gráficos de radar iniciales para crear nuevas pistas, pero una vez que el rastreador está en funcionamiento, solo se utilizan los gráficos que no se pudieron utilizar para actualizar una pista existente para generar nuevas pistas. Normalmente, a una nueva pista se le da el estado de provisional hasta que los gráficos de las actualizaciones de radar posteriores se hayan asociado correctamente con la nueva pista. Las pistas provisionales no se muestran al operador y, por lo tanto, proporcionan un medio para evitar que aparezcan pistas falsas en la pantalla, a expensas de un cierto retraso en el primer informe de una pista. Una vez que se han recibido varias actualizaciones, la pista se confirma y se muestra al operador. El criterio más común para promover una pista provisional a una pista confirmada es la "regla M-of-N", que establece que durante las últimas N actualizaciones de radar, al menos M gráficos deben haberse asociado con la pista provisional, siendo M = 3 y N = 5 los valores típicos. Los enfoques más sofisticados pueden utilizar un enfoque estadístico en el que una pista se confirma cuando, por ejemplo, su matriz de covarianza cae a un tamaño determinado.
El mantenimiento de la pista es el proceso en el que se toma una decisión sobre si se debe terminar la vida de una pista. Si una pista no se asoció con un gráfico durante la fase de asociación del gráfico con la pista, existe la posibilidad de que el objetivo ya no exista (por ejemplo, una aeronave puede haber aterrizado o salido de la cobertura del radar). Sin embargo, también existe la posibilidad de que el radar simplemente no haya visto el objetivo en esa actualización, pero lo vuelva a encontrar en la próxima actualización. Los enfoques comunes para decidir si se debe terminar una pista incluyen:
En este importante paso, la última predicción de la trayectoria se combina con el gráfico asociado para proporcionar una nueva estimación mejorada del estado del objetivo, así como una estimación revisada de los errores en esta predicción. Existe una amplia variedad de algoritmos, de diferente complejidad y carga computacional, que se pueden utilizar para este proceso.
Un enfoque de seguimiento temprano, que utiliza un filtro alfa beta , que asumió errores de covarianza fijos y un modelo objetivo de velocidad constante y sin maniobras para actualizar las pistas.
La función del filtro de Kalman es tomar el estado actual conocido (es decir, posición, rumbo, velocidad y posiblemente aceleración) del objetivo y predecir el nuevo estado del objetivo en el momento de la medición de radar más reciente. Al hacer esta predicción, también actualiza su estimación de su propia incertidumbre (es decir, errores) en esta predicción. Luego forma un promedio ponderado de esta predicción de estado y la última medición de 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 su incertidumbre de la estimación del estado. Un supuesto 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 supone que los errores de medición del radar, los errores en su modelo de movimiento del objetivo y los errores en su estimación de estado son todos de media cero con covarianza conocida. Esto significa que todas estas fuentes de errores se pueden representar mediante una matriz de covarianza . Por lo tanto, las matemáticas del filtro de Kalman se ocupan de propagar estas matrices de covarianza y usarlas para formar la suma ponderada de la predicción y la medición.
En situaciones en las que el movimiento del objetivo se ajusta bien al modelo subyacente, el filtro de Kalman tiende a confiar demasiado en sus propias predicciones y a empezar a ignorar las mediciones del radar. Si el objetivo maniobra, el filtro no podrá seguir la maniobra. Por lo tanto, es una práctica común al implementar el filtro aumentar arbitrariamente la magnitud de la matriz de covarianza de estimación de estado ligeramente en cada actualización para evitar esto.
El MHT permite que una pista se actualice mediante más de un gráfico en cada actualización, lo que genera múltiples pistas posibles. A medida que se recibe cada actualización de radar, cada pista posible se puede actualizar potencialmente con cada nueva actualización. Con el tiempo, la pista se ramifica en muchas direcciones posibles. El MHT calcula la probabilidad de cada pista potencial y, por lo general, solo informa la más probable de todas las pistas. Por razones de memoria informática y potencia computacional finitas, el MHT generalmente incluye algún enfoque para eliminar las actualizaciones de pista potenciales más improbables. El MHT está diseñado para situaciones en las que el modelo de movimiento del objetivo es muy impredecible, ya que se consideran todas las actualizaciones de pista potenciales. Por esta razón, es popular para problemas de seguimiento de objetivos terrestres en sistemas de vigilancia terrestre aerotransportada (AGS).
El IMM es un estimador que puede ser utilizado tanto por MHT como por JPDAF. El IMM utiliza dos o más filtros Kalman que se ejecutan en paralelo, cada uno de los cuales utiliza un modelo diferente para el movimiento del objetivo o los errores. El IMM forma 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 manejan la asociación y el mantenimiento de la trayectoria, un IMM ayuda a MHT o JPDAF a obtener una estimación filtrada de la posición del objetivo.
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 pista, en las que los errores no son gaussianos o en las que el modelo de actualización de movimiento no es lineal. Los filtros no lineales más comunes son:
El EKF es una extensión del filtro Kalman para hacer frente a los casos en los que la relación entre las mediciones del radar y las coordenadas de la trayectoria, o las coordenadas de la trayectoria y el modelo de movimiento, no es lineal. En este caso, la relación entre las mediciones y el estado es de la forma h = f(x) (donde h es el vector de mediciones, x es el estado objetivo y f(.) es la función que relaciona los dos). De manera similar, la relación entre el estado futuro y el estado actual es de la forma x(t+1) = g(x(t)) (donde x(t) es el estado en el tiempo 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 del filtro Kalman lineal estándar. Aunque conceptualmente es simple, el filtro puede divergir fácilmente (es decir, gradualmente funcionar cada vez peor) si la estimación del estado sobre la que se linealizan las ecuaciones es deficiente.
El filtro Kalman sin perfume y los filtros de partículas son intentos de superar el problema de la linealización de las ecuaciones.
El UKF intenta mejorar el EKF eliminando la necesidad de linealizar las ecuaciones de medición y estado. Evita la linealización al representar la información de la media y la covarianza en forma de un conjunto de puntos, llamados puntos sigma. Estos puntos, que representan una distribución con una media y una covarianza especificadas, se propagan directamente a través de las ecuaciones no lineales y las muestras actualizadas resultantes se utilizan para calcular una nueva media y una nueva varianza. Este enfoque no sufre ninguno de los problemas de divergencia debido a una linealización deficiente y, sin embargo, conserva la simplicidad computacional general del EKF.
El filtro de partículas podría considerarse una generalización del UKF. No hace suposiciones sobre las distribuciones de los errores en el filtro y tampoco requiere que las ecuaciones sean lineales. En cambio, genera una gran cantidad de estados potenciales aleatorios ("partículas") y luego propaga esta "nube de partículas" a través de las ecuaciones, lo que da como resultado una distribución diferente de partículas en la salida. La distribución resultante de partículas se puede utilizar para calcular una media o varianza, o cualquier otra medida estadística que se requiera. Las estadísticas resultantes se utilizan para generar la muestra aleatoria de partículas para la siguiente iteración. El filtro de partículas es notable por su capacidad para manejar distribuciones multimodales (es decir, distribuciones donde la PDF tiene más de un pico). Sin embargo, es computacionalmente muy intensivo y actualmente no es adecuado para la mayoría de las aplicaciones del mundo real en tiempo real. [ cita requerida ]