1 / 22

Målföljning för komplicerade mätfall i flygande radarsystem

Målföljning för komplicerade mätfall i flygande radarsystem. Saab Electronic Defence Systems Johan Degerman. Inblandade parter. Chalmers, Signaler och System Saab Electronic Defence Systems Saab Bofors Dynamics Sponsor: Vinnova. Varför gör vi detta?.

lara
Download Presentation

Målföljning för komplicerade mätfall i flygande radarsystem

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Målföljning för komplicerade mätfall i flygande radarsystem Saab Electronic Defence Systems Johan Degerman

  2. Inblandade parter • Chalmers, Signaler och System • Saab Electronic Defence Systems • Saab Bofors Dynamics • Sponsor: Vinnova sv

  3. Varför gör vi detta? • Vi vill stödja arbetet med att förbättra våra produkter: • ERIEYE • PS-05 • Även nya produkter inom samma och andra affärsområden som t.ex. civil security drar nytta av projektet. • Vi vill vidmakthålla en stark forskargrupp inom målföljning på CTH (tillsammans med parterna Volvo och Volvo PV). sv

  4. Varför målföljning? • Målföljningen ger en lägesbild av omvärlden som fungerar som underlag för användaren att fatta beslut på. • Då sensordata aldrig är perfekta har målföljningen en viktig roll att sammanställa och förfina data. • Ett bra resultat gör systemen mer användbara och de får bättre prestanda. sv

  5. Varför är komplicerade mätfall intressanta? • En pålitlig lägesbild är en viktig komponent vid markspaning och övervakning vid t.ex. internationella insatser. • En annan viktig tillämpning är övervakning av land- och sjöområden för det civila samhället. • Ofta vill man hålla koll på både intressanta mål och distraktorer. • Lägesbilden kan användas av såväl operatörer som automatiska funktioner. • Radarsystem erbjuder allvädersförmåga och blir därmed en viktig komponent i övervakningssystem. sv

  6. Vad är komplicerade mätfall? • Mål som manövrerar • Många mål befinner sig inom en mindre volym eller yta • För låg upplösning • För hög upplösning • För låg och för hög upplösning • Störande bakgrundsmiljö, t.ex. klotter • Periodvisa avbrott i mätdata • Låg detekteringssannolikhet • Mångtydiga inmätningar • Låg mättakt • Ett typiskt scenario innehåller alla eller delar av ovanstående mätkomplikationer sv

  7. Vilka tekniska delområden inom målföljning har behandlats? • Typiskt har vi ett filter för varje mål och dataassocieringen ser till att rätt filterinstans (mål) får rätt mätningar. • Mångmålsfilter existerar inom ramverket Random Finite Sets (RFS). Där hanteras inte mål-id (därmed inte heller associering). Målföljning (med id) Prediktering Filtrering Dataassociering Uppdatering sv

  8. Vilka tekniska delområden inom målföljning har behandlats? • “A New Multiple Model Filter with Switch Time Conditions” In IEEE Transactions on Signal Processing, vol. 58, no. 1, Jan. 2010 • “Performance Evaluation of MHT and CPHD on a Ground Target Tracking Scenario” In Proceedings of the 12th International Conference on Information Fusion, Seattle, USA, 2009 • “Set JPDA Filter for Multi-Target Tracking” Submitted to IEEE Transactions on Signal Processing Filtrering Dataassociering IMM med STC MHT CPHD (RFS) Set-JPDA sv

  9. Vilka tekniska delområden inom målföljning har behandlats? • “Multitarget Sensor Resolution Model and Joint Probabilistic Data Association” Submitted to IEEE Transactions on Aerospace and Electronic Systems • “Shooting two birds with two bullets: how to find minimum mean OSPA estimates.” In Proceedings of the 13th International Conference on Information Fusion, Edinburgh, UK, 2010. Winner of Best Paper Award.http://tv.theiet.org/technology/communications/9547.cfm Filtrering Dataassociering Upplösningsmodell IMM med STC MHT Målföljning utan id CPHD Set-JPDA sv

  10. Internationellt utbyte i programmet • Fraunhofer - FKIE (forna FGAN) • Wolfgang Koch och Martin Ulmke sv

  11. Varför målföljning utan mål-id? • Ibland är man inte intresserad av ”vem som är vem”. sv

  12. Målföljning utan mål-id: Set-JPDA • Väl separerade mål har en distinkt unimodal fördelning som ger bra väntevärden. • När målen befinner sig nära varandra uppstår en bimodal fördelning. • När man försöker skatta sannolikhetsfördelningen med en Gaussfördelning så dras båda väntevärden mot mitten. sv

  13. Målföljning utan mål-id: Set-JPDA • Om vi byter label (id) på ena Gaussfördelningen så får vi en unimodal fördelning. • Den nya fördelningen kan bättre beskrivas i modellen och väntevärden blir bättre. sv

  14. Resultat: Set-JPDA vs JPDA • JPDA har problem med sammanflätning av målspår till skillnad från Set-JPDA. • MHT lider inte av sammanflätning, utan dras istället med repellering mellan målspår. JPDA Set-JPDA sv

  15. Upplösningsproblem 1: Hög upplösning • I MHT-ramverket kan man klustra detektioner och skapa klustringshypoteser likväl som associeringshypoteser. sv

  16. Följning på utsträckta mål • Det finns ett filter för utsträckta mål, framtaget av Wolfgang Koch. • Filtret bygger på det Gaussiska antagandet och kan kallas för ”Kalman filter” för utsträckta mål. • Typiskt antar man att det utsträckta målet byggs upp att ett antal oberoende Gaussfördelade spridare. • Vi arbetar med att ta fram nya statistiska modeller för utbreddhet. Främst vill vi minska kraftiga beroendet på antalet detekterade spridare på varje utbrett mål. sv

  17. Upplösningsproblem 2: Låg upplösning • I det omvända fallet handlar det om att klustra målspår för att tilldela en gemensam inmätning. sv

  18. Hur hanterar vi låg upplösning? • Det finns sedan tidigare en modell för två oupplösta mål. • Vi utnyttjar den och skapar “resolution events” mellan mål, parvis. • Dessa antas vara statistiskt oberoende. • Mätning väntas hamna i masscentrum. 2 1 3 Mål 2 och 3 är oupplösta Mål 1,2 och 3 är oupplösta sv

  19. Resultat för upplösningsmodell Utan upplösningsmodell Med upplösningsmodell Upplösta mål MOSPA [m] y position [m] x position [m] time [m] sv

  20. Slutsatser • Nya förbättrade algoritmer har tagits fram för att hantera och utvärdera täta målscenarier. • Set-JPDA: Följning på mål utan id • MOSPA: MSE (mean squared error) för flera mål. • Upplösningsmodell för oupplösta mål • Arbetet fortgår med att hantera utsträckta mål. • Filter för att hantera manöver har förbättrats. sv

  21. Sammanfattning • Arbetet inom NFFP syftar till att skapa nya bättre metoder för att sammanställa och förfina sensordata för att skapa en pålitlig lägesbild, särskilt i de fall då inmätningen innehåller komplikationer. • ”First to know – first to act” förutsätter en pålitlig lägesbild. sv

More Related