Un rastreador de radar es un componente de un sistema de radar , o un sistema de comando y control asociado (C2), que asocia observaciones de radar consecutivas del mismo objetivo en pistas . Es particularmente 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 diferentes.
Un clásico sistema de radar giratorio de vigilancia aérea detecta los ecos del objetivo en un contexto de ruido. Informa estas detecciones (conocidas como "trazados") en coordenadas polares que representan el alcance y el rumbo del objetivo. Además, el ruido en el receptor del radar ocasionalmente excederá el umbral de detección del detector de tasa constante de falsas alarmas del radar y se informará incorrectamente como objetivos (lo que se conoce como falsas alarmas ). La función del rastreador de radar es monitorear las 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, rechazando al mismo tiempo cualquier trazado que se considere falso. alarmas. Además, el rastreador de radar puede utilizar la secuencia de trazados para estimar la velocidad actual y el rumbo del objetivo. Cuando hay varios objetivos presentes, el rastreador de radar tiene como objetivo proporcionar un seguimiento para cada objetivo, y el historial de seguimiento se utiliza a menudo para indicar de dónde procede el objetivo.
Cuando se conectan varios sistemas de radar a un único puesto de informes, a menudo se utiliza un rastreador multiradar para monitorear las actualizaciones de todos los radares y formar seguimientos a partir de la combinación de detecciones. En esta configuración, las trayectorias 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 trayectorias. 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 trazados informados y, si se hace correctamente, puede aumentar la precisión general del sistema de radar. Un rastreador multisensor amplía el concepto de rastreador multiradar para permitir la combinación de informes de diferentes tipos de sensores, normalmente radares , radares de vigilancia secundarios (SSR), sistemas de identificación amigo o enemigo (IFF) y datos de medidas electrónicas de apoyo (ESM).
Una pista de radar normalmente contendrá la siguiente información:
Además, y dependiendo de la aplicación o sofisticación del tracker, el track también incluirá:
Se utilizan muchos algoritmos matemáticos diferentes para implementar un rastreador de radar, de 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 nuevas tramas. Todos los rastreadores tendrán en cuenta implícita o explícitamente una serie de factores durante esta etapa, que incluyen:
Utilizando esta información, el rastreador de radar intenta actualizar la trayectoria formando un promedio ponderado de la posición actual informada por el radar (que tiene errores desconocidos) y la última posición prevista del objetivo por el rastreador (que también tiene errores desconocidos). El problema de seguimiento se vuelve particularmente difícil para objetivos con movimientos impredecibles (es decir, modelos de movimiento de objetivos desconocidos), errores de modelo o medición no gaussianos, relaciones no lineales entre las cantidades medidas y las coordenadas deseadas del objetivo, detección en presencia de señales no uniformes. desorden distribuido, detecciones perdidas o falsas alarmas. En el mundo real, un rastreador de radar normalmente enfrenta 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 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 trazados deben usarse para actualizar qué seguimientos. En muchos enfoques, un gráfico determinado sólo se puede utilizar para actualizar una pista. Sin embargo, en otros enfoques se puede utilizar un gráfico para actualizar varias pistas, reconociendo la incertidumbre de saber a qué pista pertenece el gráfico. De cualquier manera, el primer paso en el proceso es actualizar todas las rutas existentes a la hora actual prediciendo su nueva posición basándose en la estimación del estado más reciente (por ejemplo, posición, rumbo, velocidad, aceleración, etc.) y el objetivo asumido. modelo de movimiento (por ejemplo, velocidad constante, aceleración constante, etc.). Una vez actualizadas las estimaciones, es posible intentar asociar las parcelas a las pistas.
Esto se puede hacer de varias maneras:
Una vez que una ruta se ha asociado con un gráfico, pasa a la etapa de suavizado de ruta , donde la predicción de la ruta y el gráfico asociado se combinan para proporcionar una estimación nueva y suavizada de la ubicación objetivo.
Una vez completado este proceso, varias parcelas permanecerán sin asociar con las pistas existentes y otras permanecerán sin actualizaciones. Esto conduce a los pasos de iniciación de vía y mantenimiento de vía .
El inicio de seguimiento es el proceso de creación de un nuevo seguimiento de radar a partir de un trazado de radar no asociado. Cuando el rastreador se enciende por primera vez, todos los trazados de radar iniciales se utilizan para crear nuevos seguimientos, pero una vez que el rastreador se está ejecutando, solo aquellos trazados que no se pudieron usar para actualizar un seguimiento existente se utilizan para generar nuevos seguimientos. Normalmente, a una nueva ruta se le asigna el estado tentativo hasta que los gráficos de actualizaciones de radar posteriores se hayan asociado exitosamente con la nueva ruta. Las pistas provisionales no se muestran al operador, por lo que proporcionan un medio para evitar que aparezcan pistas falsas en la pantalla, a expensas de cierta demora en el primer informe de una pista. Una vez que se han recibido varias actualizaciones, la ruta se confirma y se muestra al operador. El criterio más común para promover una trayectoria tentativa a una trayectoria confirmada es la "regla M de N", que establece que durante las últimas N actualizaciones del radar, al menos M parcelas deben haber sido asociadas con la trayectoria tentativa - con M= 3 y N=5 son valores típicos. 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 vías es el proceso en el que se toma una decisión sobre si se debe poner fin a la vida útil de una vía. Si una pista no se asoció con un trazado durante la fase de asociación de trazado a seguimiento, entonces existe la posibilidad de que el objetivo ya no exista (por ejemplo, una aeronave puede haber aterrizado o haber volado fuera de la cobertura del radar). Alternativamente, sin embargo, existe la posibilidad de que el radar simplemente no haya podido detectar el objetivo en esa actualización, pero lo encontrará nuevamente en la próxima actualización. Los enfoques comunes para decidir si se debe terminar una pista incluyen:
En este importante paso, la última predicción de seguimiento se combina con el gráfico asociado para proporcionar una estimación nueva y mejorada del estado 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 pueden usarse para este proceso.
Un enfoque de seguimiento temprano, que utiliza un filtro alfa beta , que suponía errores de covarianza fijos y un modelo objetivo de velocidad constante y sin maniobras para actualizar los seguimientos.
La función del filtro 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 del 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 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 objetivo) y las ecuaciones de estado (es decir, las ecuaciones para predecir un estado futuro basándose 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 pueden representarse mediante una matriz de covarianza . Por lo tanto, las matemáticas del filtro de Kalman se ocupan de propagar estas matrices de covarianza y utilizarlas para formar la suma ponderada de predicción y medición.
En situaciones en las que el movimiento del objetivo se ajusta bien al modelo subyacente, existe una tendencia del filtro de Kalman a "confiarse demasiado" de sus propias predicciones y comenzar a ignorar las mediciones del radar. Si el objetivo luego maniobra, el filtro no seguirá 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 sea actualizada por más de un gráfico en cada actualización, generando múltiples pistas posibles. A medida que se recibe cada actualización del radar, todas las pistas posibles pueden actualizarse potencialmente con cada nueva actualización. Con el tiempo, la pista se bifurca en muchas direcciones posibles. El MHT calcula la probabilidad de cada pista potencial y normalmente solo informa la más probable de todas las pistas. Por razones de memoria de computadora y potencia computacional finitas, el MHT generalmente incluye algún método para eliminar las posibles actualizaciones de pistas 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 posibles actualizaciones de la pista. 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 por MHT o JPDAF. IMM utiliza dos o más filtros de 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 objetivo. Mientras que MHT o JPDAF se encargan de la asociación y el mantenimiento de la pista, un IMM ayuda a MHT o JPDAF a obtener una estimación filtrada de la posición 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 de Kalman para hacer frente a 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 momento 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 lineal estándar del filtro de Kalman. Aunque conceptualmente simple, el filtro puede divergir fácilmente (es decir, funcionar gradualmente cada vez peor) si la estimación del estado sobre la cual se linealizan las ecuaciones es deficiente.
El filtro de 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 estado y de medición. Evita la linealización al representar la información de media y covarianza en forma de un conjunto de puntos, llamados puntos sigma. Estos puntos, que representan una distribución con media y covarianza especificadas, luego 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 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 como 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 lugar de eso, 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 destaca por su capacidad para manejar distribuciones multimodales (es decir, distribuciones en las que la PDF tiene más de un pico). Sin embargo, es muy intensivo desde el punto de vista computacional y actualmente no es adecuado para la mayoría de las aplicaciones en tiempo real del mundo real. [ cita necesaria ]