Målföljning för komplicerade mätfall i flygande radarsystem

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