레이더 추적기

Radar tracker

레이더 추적기는 레이더 시스템 또는 관련 명령 및 제어(C2) 시스템의 구성 요소로, 동일한 대상의 연속적인 레이더 관찰을 트랙에 연결한다. 레이더 시스템이 여러 다른 대상의 데이터를 보고하거나 여러 개의 다른 레이더 또는 다른 센서의 데이터를 결합해야 할 때 특히 유용하다.

레이더 추적기의 역할

고전적인 회전식 항공 감시 레이더 시스템은 소음을 배경으로 대상의 메아리를 탐지한다. 대상의 범위와 방향을 나타내는 극좌표에서 이러한 탐지("플롯"이라고 함)를 보고한다. 또한 레이더 수신기의 소음이 레이더의 상시 거짓 경보 속도 검출기의 검출 임계값을 초과하여 표적(오류 경보라고 함)으로 잘못 보고되는 경우도 있다. 레이더 추적기의 역할은 레이더 시스템의 연속적인 업데이트(일반적으로 안테나가 회전할 때 몇 초마다 한 번씩 발생)를 감시하고 동일한 대상에 속하는 플롯의 순서를 결정하면서 거짓 알람으로 추정되는 플롯을 거부하는 것이다. 또한 레이더 추적기는 플롯의 순서를 이용하여 대상의 현재 속도와 헤딩을 추정할 수 있다. 레이더 추적기는 여러 개의 표적이 있을 때 표적이 어디에서 왔는지 표시하기 위해 종종 트랙 이력을 사용하는 각 표적에 대해 하나의 트랙을 제공하는 것을 목표로 한다.

다중 레이더 시스템이 단일 보고 포스트에 연결되면 다중 레이더 추적기를 사용하여 모든 레이더의 업데이트를 모니터링하고 탐지 조합의 트랙을 형성하는 경우가 많다. 이 구성에서 트랙은 트랙을 추정하는 데 더 많은 수의 탐지를 사용할 수 있기 때문에 단일 레이더로 형성된 것보다 더 정확하다. 레이더 추적기는 플롯 연결, 거짓 경보 거부, 표제 및 속도 추정 외에도 개별 레이더 측정의 오류를 평활화하는 필터 역할을 한다. 본질적으로 레이더 추적기는 보고된 플롯에 매끄러운 곡선을 맞추고, 올바르게 수행될 경우 레이더 시스템의 전반적인 정확도를 높일 수 있다. 멀티센서 트래커는 다양한 유형의 센서(일반적으로 레이더, 2차 감시 레이더(SSR), 식별 친구 또는 적(IFF) 시스템 및 전자 지원 조치(ESM) 데이터 조합이 가능하도록 멀티라인 트래커의 개념을 확장한다.

레이더 트랙은 일반적으로 다음과 같은 정보를 포함한다.

  • 위치(2 또는 3차원)
  • 헤딩
  • 속도
  • 고유 트랙 번호

또한 응용 프로그램 또는 트래커의 정교함에 따라 트랙에는 다음 사항도 포함된다.

  • 민간 SSR 모드 A, C, S 정보
  • 군용 IFF 모드 1, 2, 3, 4, 5 정보
  • 호출 부호 정보
  • 신뢰성 또는 불확실성 정보 추적

일반적 접근법

레이더 추적기를 구현하는 데 사용되는 수학적 알고리즘은 다양하고 정교함도 다양하다. 그러나 모두 레이더가 업데이트될 때마다 다음과 유사한 단계를 수행한다.

  • 레이더 플롯을 기존 트랙과 연결(연결 추적에 플롯)
  • 이 최신 플롯으로 트랙 업데이트(트랙 평활)
  • 기존 트랙과 연관되지 않은 플롯으로 새 트랙 생성(트랙 시작)
  • 업데이트되지 않은 트랙을 삭제하거나 이전 제목과 속도를 기준으로 새 위치 예측(트랙 유지 관리)

아마도 가장 중요한 단계는 트랙을 새로운 플롯으로 업데이트하는 것일 것이다. 모든 추적자는 이 단계 동안 다음을 포함한 여러 요소를 암묵적으로 또는 명시적으로 고려한다.

  • 레이더 측정이 목표 좌표와 어떻게 관련되는지 모델
  • 레이더 측정상의 오류
  • 목표 운동의 모델
  • 대상 이동 모델의 오류

이 정보를 사용하여 레이더 추적기는 레이더에서 보고된 현재 위치(알 수 없는 오류가 있음)와 추적기에서 대상의 마지막 예측 위치(알 수 없는 오류도 있음)의 가중 평균을 형성하여 트랙의 업데이트를 시도한다. 추적 문제는 예측할 수 없는 움직임(예: 알 수 없는 표적 이동 모델), 비 가우스 측정 또는 모델 오류, 측정된 수량과 원하는 표적 좌표 사이의 비선형 관계, 불균일하게 분포된 잡동사니 존재에서의 탐지, 누락된 탐지를 가진 표적에 대해 특히 어렵게 만든다. 또는 잘못된 경보. 실제 세계에서 레이더 추적기는 일반적으로 이러한 모든 효과의 조합에 직면한다; 이것은 문제를 해결하기 위한 점점 더 정교한 알고리즘 세트를 개발하게 했다. 레이더 트랙을 실시간으로 형성해야 하는 필요성 때문에, 보통 수백 개의 표적에 대해, 레이더 추적 알고리즘의 배치는 일반적으로 이용 가능한 계산 능력에 의해 제한되어 왔다.

연관성을 추적하기 위한 플롯

이 처리 단계에서 레이더 추적기는 어떤 플롯을 어떤 트랙을 업데이트하는 데 사용해야 하는지 판단하려고 한다. 많은 접근법에서 주어진 플롯은 하나의 트랙을 업데이트하는 데만 사용될 수 있다. 그러나 다른 접근법에서는 플롯이 어떤 트랙이 속하는지 알 수 없는 불확실성을 인식하여 여러 트랙을 업데이트하는 데 플롯을 사용할 수 있다. 어느 쪽이든 프로세스의 첫 번째 단계는 가장 최근의 상태 추정치(예: 위치, 방향, 속도, 가속도 등)와 가정된 표적 운동 모델(예: 등속, 등속도 등)을 바탕으로 새로운 위치를 예측하여 기존의 트랙을 모두 현재 시간으로 업데이트하는 것이다. 추정치를 업데이트하면 플롯을 추적에 연결하려고 시도할 수 있다.

이 작업은 다음과 같은 여러 가지 방법으로 수행할 수 있다.

  • 현재 트랙 위치 주위에 "수락 게이트"를 정의한 후 다음을 선택하여:
    • 게이트에서 예측 위치에 가장 가까운 플롯 또는
    • 대문에서 가장 강력한 음모의.
  • 확률론적 데이터 연관 필터(PDAF) 또는 공동 확률론적 데이터 연관 필터(JPDAF)와 같은 통계적 접근방식에 의해 모든 가능한 그래프의 통계적 조합을 통해 가장 가능성이 높은 위치를 선택한다. 이 접근방식은 레이더 혼잡도가 높은 상황에서 좋은 것으로 나타났다.

트랙이 플롯과 연결되면 트랙 평활 단계로 이동하며, 트랙 예측과 관련 플롯이 결합되어 목표 위치에 대한 새롭고 평탄한 추정치를 제공한다.

이 프로세스를 완료하면 다수의 플롯이 기존 트랙과 연관되지 않은 상태로 유지되며 업데이트되지 않은 트랙이 다수 남아 있게 된다. 이는 선로 개시 및 선로 유지보수의 단계로 이어진다.

트랙 개시

트랙 개시란 연관되지 않은 레이더 플롯에서 새로운 레이더 트랙을 만드는 과정이다. 트래커를 처음 켤 때는 초기 레이더 플롯을 모두 사용해 새 트랙을 만들지만, 일단 트래커가 실행되면 기존 트랙을 업데이트하는 데 사용할 수 없었던 플롯만 새 트랙을 생성하는 데 사용된다. 일반적으로 새로운 트랙은 후속 레이더 업데이트의 플롯이 새로운 트랙과 성공적으로 연관될 때까지 잠정적인 상태가 주어진다. 임시 트랙은 운영자에게 표시되지 않으므로, 트랙의 첫 번째 보고 지연을 감수하고 화면에 거짓 트랙이 나타나지 않도록 방지하는 수단을 제공한다. 여러 업데이트가 접수되면 트랙이 확인되어 운영자에게 표시된다. 확인된 트랙으로 임시 트랙을 승격하는 가장 일반적인 기준은 "M-of-N 규칙"으로, 마지막 N 레이더 업데이트 동안 최소 M 플롯이 임시 트랙과 연관되어야 하며 M=3과 N=5는 일반적인 값이다. 예를 들어 공분산 행렬이 지정된 크기로 떨어질 때 트랙이 확인되는 통계적 접근방식을 더 정교한 접근방식이 사용될 수 있다.

선로유지관리

선로 유지보수는 선로 수명 종료 여부에 대한 결정이 내려지는 과정이다. 연결 단계를 추적하기 위한 플롯 중에 트랙이 플롯과 연관되지 않은 경우, 대상이 더 이상 존재하지 않을 가능성이 있다(예를 들어, 항공기가 레이더 커버를 벗어나 착륙하거나 비행했을 수 있다). 그러나 또는 레이더가 해당 업데이트에서 대상을 보지 못했으나 다음 업데이트에서 다시 찾을 가능성이 있다. 트랙 종료 여부를 결정하는 일반적인 접근방법은 다음과 같다.

  • 이전 M 연속 업데이트 기회에 대해 대상이 나타나지 않은 경우(일반적으로 M=3 등)
  • 가장 최근 업데이트 기회 N개 중 과거 M에 대해 대상이 나타나지 않은 경우
  • 대상의 트랙 불확실성(공분산 행렬)이 특정 임계값을 초과한 경우

트랙 평활

이 중요한 단계에서 최신 트랙 예측은 관련 플롯과 결합되어 목표 상태에 대한 새롭고 개선된 추정치와 이 예측의 오류에 대한 수정된 추정치를 제공한다. 복잡성과 계산 부하가 다른 매우 다양한 알고리즘이 이 프로세스에 사용될 수 있다.

알파베타추적기

알파 베타 필터를 사용하여 고정 공분산 오류를 가정하고 트랙을 업데이트하기 위해 일정한 속도, 비관리 대상 모델을 사용하는 초기 추적 접근 방식.

칼만 필터

칼만 필터의 역할은 대상의 현재 알려진 상태(즉, 위치, 헤딩, 속도 및 가속도)를 취하고 가장 최근의 레이더 측정 시 대상의 새로운 상태를 예측하는 것이다. 이 예측을 할 때, 이 예측에서 자체의 불확실성에 대한 추정치(즉, 오류)도 업데이트한다. 그런 다음 레이더의 알려진 측정 오류와 표적 운동 모델의 자체 불확실성을 고려하여, 이러한 상태 예측과 최근 상태 측정의 가중 평균을 형성한다. 마지막으로, 그것은 주 추정치의 불확실성에 대한 추정치를 갱신한다. Kalman 필터의 수학에서 핵심 가정은 측정 방정식(즉, 레이더 측정과 목표 상태 사이의 관계)과 상태 방정식(즉, 현재 상태를 기준으로 미래 상태를 예측하는 방정식)이 선형이라는 것이다.

Kalman 필터는 레이더의 측정 오류, 표적 모션 모델의 오류 및 상태 추정의 오류 모두 공분산이 알려진 제로 평균이라고 가정한다. 이는 이러한 모든 오류 발생원을 공분산 행렬로 나타낼 수 있다는 것을 의미한다. 따라서 Kalman 필터의 수학은 이러한 공분산 행렬을 전파하고 예측과 측정의 가중 합계를 형성하기 위해 공분산 행렬을 사용하는 것과 관련이 있다.

대상 동작이 기본 모델에 잘 부합하는 상황에서는 칼만 필터는 자체 예측을 '과신'하게 되고 레이더 측정은 무시하기 시작하는 경향이 있다. 대상이 기동할 경우 필터는 기동하지 못한다. 따라서 이를 방지하기 위해 업데이트 때마다 상태 추정 공분산 행렬의 크기를 임의로 증가시키는 것이 필터를 구현할 때 일반적인 관행이다.

다중 가설 추적기(MHT)

MHT는 트랙이 업데이트될 때마다 두 개 이상의 플롯으로 업데이트되도록 하여 가능한 트랙을 여러 개 생성한다. 각 레이더 업데이트가 수신됨에 따라 가능한 모든 트랙은 모든 새로운 업데이트로 잠재적으로 업데이트될 수 있다. 시간이 지남에 따라, 그 트랙은 가능한 많은 방향으로 분기된다. MHT는 각 잠재적 트랙의 확률을 계산하고 일반적으로 모든 트랙 중에서 가장 가능성이 높은 트랙만 보고한다. 유한한 컴퓨터 메모리와 연산 능력의 이유로, MHT는 일반적으로 가능성이 가장 낮은 잠재적 트랙 업데이트를 삭제하기 위한 접근방식을 포함한다. MHT는 모든 잠재적 트랙 업데이트가 고려되기 때문에 대상 모션 모델이 매우 예측할 수 없는 상황을 위해 설계된다. 이 때문에 공중지상감시(AGS) 시스템에서는 지상 표적 추적 문제로 인기가 높다.

IMM(다중 모델) 상호 작용

IMM은 MHT 또는 JPDAF에서 사용할 수 있는 추정기다. IMM은 두 개 이상의 Kalman 필터를 병렬로 실행하며, 각각 대상 모션 또는 오류에 대해 다른 모델을 사용한다. IMM은 모든 필터 출력의 최적 가중치 합계를 형성하며 대상 기동 시에 신속하게 조정할 수 있다. MHT 또는 JPDAF가 연결을 처리하고 유지보수를 추적하는 동안 IMM은 MHT 또는 JPDAF가 목표 위치의 여과된 추정치를 얻는데 도움을 준다.

비선형 추적 알고리즘

비선형 추적 알고리즘은 측정치가 최종 선로 좌표와 비선형 관계를 가지거나, 오차가 가우스적이지 않거나, 모션 업데이트 모델이 비선형인 상황에 대처하기 위해 비선형 필터를 사용한다. 가장 일반적인 비선형 필터는 다음과 같다.

  • 확장 칼만 필터
  • 무센트 칼만 필터
  • 입자 필터

확장 칼만 필터(EKF)

EKF는 레이더 측정과 선로 좌표, 즉 선로 좌표와 모션 모델의 관계가 비선형인 경우에 대처하기 위해 Kalman 필터를 확장한 것이다. 이 경우 측정과 상태 사이의 관계는 h = f(x) 형식이다(여기서 h는 측정의 벡터, x는 목표 상태, f(.)는 둘과 관련된 함수). 마찬가지로 미래 상태와 현재 상태의 관계는 x(t+1) = g(x)(t) 형식이며, 여기서 x(t)는 시간 t의 상태, g(.)는 미래 상태를 예측하는 함수다. 이러한 비선형성을 처리하기 위해 EKF는 테일러 시리즈의 첫 번째 항을 사용하여 두 개의 비선형 방정식을 선형화한 다음 문제를 표준 선형 Kalman 필터 문제로 처리한다. 개념적으로는 간단하지만, 선형화된 방정식의 주 추정치가 불량할 경우 필터는 쉽게 분리될 수 있다(즉, 점점 더 나쁘게 수행된다).

중심화되지 않은 칼만 필터와 입자 필터는 방정식의 선형화 문제를 극복하기 위한 시도다.

UKF(Uncented Kalman Filter)

UKF는 측정 및 상태 방정식의 선형화 필요성을 제거함으로써 EKF의 개선을 시도한다. 평균 및 공분산 정보를 시그마 점이라고 하는 점 집합의 형태로 나타냄으로써 선형화를 피한다. 지정된 평균과 공분산을 갖는 분포를 나타내는 이러한 점들은 비선형 방정식을 통해 직접 전파되며, 그 결과 업데이트된 5개의 표본을 사용하여 새로운 평균과 분산을 계산한다. 그러면 이 접근방식은 불량한 선형화로 인한 발산 문제를 전혀 겪지 않지만 EKF의 전반적인 연산 단순성을 유지한다.

입자 필터

입자 필터는 UKF의 일반화로 간주될 수 있다. 필터의 오차 분포에 대한 가정을 하지 않으며 방정식이 선형이어야 하는 것도 아니다. 대신에 그것은 많은 수의 무작위 전위 상태("입자")를 발생시킨 다음 방정식을 통해 이 "입자 구름"을 전파하여 출력에서 입자의 다른 분포를 초래한다. 그 결과 입자의 분포는 평균이나 분산, 또는 다른 통계적 측정이 필요한 것을 계산하는 데 사용될 수 있다. 결과 통계는 다음 반복을 위해 입자의 무작위 샘플을 생성하는 데 사용된다. 입자 필터는 다중 모델 분포(즉, PDF에 둘 이상의 피크가 있는 분포)를 처리하는 능력이 눈에 띈다. 그러나, 그것은 계산적으로 매우 집약적이며, 현재 대부분의 실제의 실시간 어플리케이션에 적합하지 않다.[citation needed]

참고 항목

  • 패시브 레이더 - 레이더 트래커의 작동에 크게 의존하는 레이더의 일종
  • 레이더 - 레이더 시스템에 관한 주요 기사
  • 탐지 전 추적 - 탐지 및 추적 프로세스를 결합하여 매우 낮은 강도의 대상을 확인하는 접근 방식

참조

외부 링크