Prepared: Johan Degerman
Approved:
Checked:
Date: 2010-10-17
Confidentiality Class:ÖPPEN
Document Number: sv
Revision: A
Document Name:
Målföljning för komplicerade mätfall i flygande radarsystem
Saab Electronic Defence SystemsJohan Degerman
Rev A
sv ÖPPEN
Sida 2 (22)
Inblandade parter
Chalmers, Signaler och System
Saab Electronic Defence Systems
Saab Bofors Dynamics
Sponsor: Vinnova
Rev A
sv ÖPPEN
Sida 3 (22)
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).
Rev A
sv ÖPPEN
Sida 4 (22)
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.
Rev A
sv ÖPPEN
Sida 5 (22)
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.
Rev A
sv ÖPPEN
Sida 6 (22)
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
Rev A
sv ÖPPEN
Sida 7 (22)
Vilka tekniska delområden inom målföljning har behandlats?
Filtrering Dataassociering
Prediktering
Uppdatering
Målföljning (med id)
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).
Rev A
sv ÖPPEN
Sida 8 (22)
Vilka tekniska delområden inom målföljning har behandlats?
Filtrering Dataassociering
IMM med STC
CPHD (RFS)
MHT
Set-JPDA
“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
Rev A
sv ÖPPEN
Sida 9 (22)
Vilka tekniska delområden inom målföljning har behandlats?
Filtrering Dataassociering
CPHD
Upplösningsmodell
Set-JPDA
“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
IMM med STC MHT
Målföljning utan id
Rev A
sv ÖPPEN
Sida 10 (22)
Internationellt utbyte i programmet
Fraunhofer - FKIE (forna FGAN)• Wolfgang Koch och Martin Ulmke
Rev A
sv ÖPPEN
Sida 11 (22)
Varför målföljning utan mål-id?
Ibland är man inte intresserad av ”vem som är vem”.
Rev A
sv ÖPPEN
Sida 12 (22)
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.
Rev A
sv ÖPPEN
Sida 13 (22)
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.
Rev A
sv ÖPPEN
Sida 14 (22)
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.
Set-JPDAJPDA
Rev A
sv ÖPPEN
Sida 15 (22)
Upplösningsproblem 1: Hög upplösning
I MHT-ramverket kan man klustra detektioner och skapa klustringshypoteser likväl som associeringshypoteser.
Rev A
sv ÖPPEN
Sida 16 (22)
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.
Rev A
sv ÖPPEN
Sida 17 (22)
Upplösningsproblem 2: Låg upplösning
I det omvända fallet handlar det om att klustra målspår för att tilldela en gemensam inmätning.
Rev A
sv ÖPPEN
Sida 18 (22)
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.
1
2
3
Mål 2 och 3 är oupplöstaMål 1,2 och 3 är oupplösta
Rev A
sv ÖPPEN
Sida 19 (22)
Resultat för upplösningsmodell
Utan upplösningsmodell
Med upplösningsmodell
Upplösta mål
MO
SP
A [m
]
y p
osi
tion
[m]
time [m]
x position [m]
Rev A
sv ÖPPEN
Sida 20 (22)
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.
Rev A
sv ÖPPEN
Sida 21 (22)
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.