Алгоритм траекторной фильтрации с объединением данных в морской информационной системе тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ле Минь Хоанг
- Специальность ВАК РФ00.00.00
- Количество страниц 110
Оглавление диссертации кандидат наук Ле Минь Хоанг
Перечень сокращений
Введение
Глава 1 - МИС и объединение данных
1.1. Общие требования к МИС с объединением данных
1.2. Радиолокационные измерения
1.3. Измерения АИС
1.4. Сравнение характеристик данных РЛС и АИС
1.5. Проблемы некорректных измерении АИС
1.6. Разработка архитектуры системы объединения данных от РЛС и
АИС
Выводы по первой главе
Глава 2 - Траекторное сопровождение в МИС
2.1. Модели движения надводных целей
2.2. Обзор методов траекторной фильтрации маневрирующих целей
2.3. Интерактивный многомодельный алгоритм фильтрации
2.4. Многомодельный алгоритм фильтрации с переменной структурой
2.5. Результаты моделирования
Выводы по второй главе
Глава 3 - Объединение координатой информации от РЛС и АИС
3.1. Предварительная обработка измерений
3.2. Схема объединения в ходе траекторного сопровождения
3.3. Результаты моделирования и эксперимента
Выводы по третьей главе
Глава 4 - Адаптация алгоритмов траекторной обработки на основе
информации АИС
4.1. Формирование начального набора моделей и параметров VSMM алгоритма на основе информации о типе, габаритах и максимальной
скорости судна
4.2. Адаптация параметров алгоритма ЛОМЫ на основе информации о
мгновенной скорости поворота
4.3. Устранение наличия нескольких отметок от большего судна
Выводы по четвертой главе
Заключение
Список литературы
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ
АИС Автоматическая идентификационная система
БРЛС Береговая радиолокационная система
ГНСС Глобальная навигационная спутниковая система
ГСК Географическая система координат
ДСК Декартовая системa координат
ИММ Интерактивый многомодельный фильтр
МИС Морская информационная система
ММ Многомодельный
НЦ Надводная цель
ПСК Полярная система координат
РЛС Радиолокационная система
СУДС Система управления движением судов
СК Системa координат
СОД Система объединения данных
СКО Среднеквадратическое отклонение
УКВ Ультракороткая волна
ЭОС Электрооптическая система
AGMM Adaptive Grid Multiple Model
ASTERIX All Purpose Structured Eurocontrol Surveillance Information Exchange
CV Constant Velocity
СА Constant Acceleration
CT Constant Turn
COG Course Over Ground
IMO International Maritime Organization
LRIT Long-Range Identification and Tracking
MMSI Maritime Mobile Service Identity
NMEA National Marine Electronics Associаtion
ROT Rate Of Turn
SAC System Area Code
SGMM Switching Grid Multiple Model
SIC System Identification Code
SOTDMA Self Organising Time Division Multiple Access
SOG Speed Over Ground
VSMM Variable Structure Multiple Model
VTS Vessel Traffic System
ВВЕДЕНИЕ
Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Алгоритмы траекторной фильтрации сигналов многопозиционных радиолокационных комплексов2017 год, кандидат наук Гуторов, Александр Сергеевич
Разработка математических моделей обеспечения безопасности коллективного движения морских судов2016 год, кандидат наук Гриняк, Виктор Михайлович
Оценка качества траекторной обработки в радиолокационных системах управления воздушным движением2017 год, кандидат наук Киселев, Виктор Юрьевич
Алгоритмы траекторной обработки сигналов РЛС в связанных координатах2020 год, кандидат наук Саверкин Олег Владимирович
Распознавание низколетящих малоскоростных радиолокационных целей по траекторным признакам2024 год, кандидат наук Дао Ван Лук
Введение диссертации (часть автореферата) на тему «Алгоритм траекторной фильтрации с объединением данных в морской информационной системе»
Актуальность темы диссертации
Море покрывает 3/4 поверхности Земли, а площадь океанов составляет 361 миллион квадратных километров. По данным 1МО (Международная морская организация) при Организации Объединенных Наций (OOH) морем перевозится более 90% всего объема внешнеторговых грузов [1]. При этом количество судов постоянно увеличивается. В 2019 году мировой торговый флот увеличение на 4,1 % [2]. В начале 2020 года мировой торговый флот насчитывал более 98 тысяч судов валовой вместимостью 100 бр.-рег. т и более, не считая других видов морской деятельности, например, перевозки людей, рыболовства, военных, развлекательных целей и др. Поэтому обеспечению безопасности на водном транспорте в последние годы уделяется все больше внимания. Также повышаются требования к системам обеспечения безопасности на водном транспорте. Среди мер повышения безопасности судовождения одно из важных мест занимает совершенствование методов обработки данных в системах управлением судов.
Для обеспечения безопасности судов применяются многие системы, такие как ГНСС (глобальная навигационная спутниковая система), связное радиооборудование. Кроме того, используются система автоматической идентификации (АИС) и система УКВ-радиосвязи на судах, созданные для улучшения безопасности на море. Хотя информация, которую они предоставляют полезна, в некоторых ситуациях их данные могут быть фальсифицированы, скрыты или даже не переданы. Кроме того, на некоторые суда не распространяются морские правила (например, малые суда, рыболовные суда), и установка оборудования АИС не является обязательной. Поэтому использование одной только информации АИС является недостаточно. Для решения указанных проблем наряду с АИС используются устройства дистанционного зондирования, прежде всего РЛС. Радиолокационные системы лишены указанных недостатков АИС. Однако у них остаются такие проблемы, как идентификация кораблей, оценка их
скорости и курса. Кроме того, некоторые системы имеют ограниченный охват из-за влияния окружающей среды, например, морских помех, рельефа местности, влияния метеорологических факторов и т.д.
Таким образом, объединение данных из нескольких источников информации является естественным решением, позволяющим преодолеть ограничения отдельных датчиков.
В рамках данной работы рассматриваются различные аспекты, связанные с совместным использованием информации, полученной от АИС и РЛС.
РЛС является традиционным и основным средством обнаружения целей. РЛС способны измерять, обнаруживать, отображать и извлекать информацию о наблюдаемых целях без непосредственного взаимодействия с ними. Они могут работать как днем, так и ночью. РЛС могут использоваться для исследования объектов, которые замаскированы, скрыты или недоступны для визуального восприятия. Недостатками РЛС являются сложность идентификации целей, относительно низкая точность, затененность рельефом местности. Кроме того, в РЛС при сложных метеоусловиях заметно снижаеться надежность обнаружения малых целей [3].
АИС все шире используется на судах вследствие требований ¡МО в целях улучшения безопасности судоходства. АИС имеет целый ряд преимуществ. Она может предоставлять не только информацию о статическом состоянии цели, таких как название судна, но и о ее динамическом состоянии, включая координаты корабля, курс, скорость и т. д. Важно, что по информации АИС можно легко идентифицировать источник данных. Однако АИС не является автономным устройством обнаружения и не может отображать острова, береговые линии и другие суда, не оснащены оборудованием АИС. В таблице 1 представлено сравнение характеристики РЛС и АИС.
Таблица 1. Сравнение характеристики РЛС и АИС
РЛС АИС
Доступны все цели, такие как берег, неподвижная или подвижная цель. Доступна только цель, оснащена АИС
Есть слепая зона Отсутствует слепая зона
Подвержена влиянию внешних факторов, таких как погода, переотражения от местных предметов и морской поверхности Менее подвержена влиянию погодных и морских условий
Количество целей не ограничено Количество целей ограничено
Частота обновления всех целей одинакова. Частота обновления определяется динамическими условиями.
Идентификация отсутствует Ошибки идентификации отсутствуют
Низкая точность и информативность Высокая точность и информативность
Невозможна фальсификация Может быть фальсификация
На практике при пользовании данных от АИС возникают определенные проблемы, поскольку статические и динамические данные, предоставляемые системами АИС, иногда частично отсутствуют, имеют пропуски или просто неверны. В [4] Харати-Мохтари и др. отметили, что «плохая производительность и передача ошибочной информации АИС являются важными проблемами, которые могут повлиять на ее полезность». Баныш и др. [5] проанализировали данные АИС в реальных сценариях, полученные в течение 2 месяцев, и подтвердили, что многие сообщения АИС имеют неполное или ненадежное содержание передаваемых данных. Ласт и др. [6] провели исследование данных АИС на основе большого сбора данных, состоящего из более чем 85 миллионов сообщений АИС, полученных непрерывно в течение двух месяцев. Авторы показали, что статические и динамические данные АИС
не всегда доступны по разным причинам, а интервалы передачи сообщения не так надежны, как указано в ее технических стандартах. Авторы также предложили объединять данные АИС с другими данными, чтобы избежать столкновений судов. В [7] авторы провели сравнение информации, полученной от РЛС и АИС, на основе эксплуатационных данных. Результаты показывают, что существуют различия в оценке положения, скорости и направления движения цели, полученной от двух источников данных. Лин и др. решили вопросы отображения целевой информации РЛС и АИС в море на экране ЭКНИС (электронная картографическая навигационно-информационная система) [8].
На основании вышеизложенного анализа качества данных АИС можно подтвердить, что объединение данных РЛС и АИС является необходимой и возможной задачей.
В последние годы тема объединение данных становится все более актуальной в научно-техническом сообществе и привлекает внимание многих ученых по всему миру. Среди исследований в этой области особое внимание исследователей привлекает тема объединения данных, полученных от РЛС и АИС. В [9, 10, 11] авторы проанализировали преимущества и недостатки АИС, РЛС и предложили объединение на основе нечеткой логики и взвешенного алгоритма. Однако использование этих методов не гарантируют высокой точности. Цзян объединил информацию АИС и навигационный РЛС на платформе моделирования [12]. Казимерски и его коллеги [13] предложили три критерия ассоциации: местоположение, вектор движения и история. Однако предложенный алгоритм основан на теоретическом анализе и не подтвержден экспериментально. В [14, 15, 16] используется концепция нейронной сети обратного распространения для объединения. Однако этот метод не полностью учитывает характеристики данных, полученных от датчиков. В [17] используют ковариационную матрицу для вычислительного взвешивания. Чэнь [18] использовал метод адаптивного взвешенного объединения на основе дисперсии
ошибок измерений датчиков. В [19,20,21] исследованы и рассмотрены структуры и методы отождествления радиолокационных данных и АИС для повышения эффективности наблюдения и обнаружения судов. Видно, что большинство из приведенных выше алгоритмов объединения информации АИС и РЛС используют методы статистического, взвешенного объединения на основе наименьших квадратов, нечеткого алгоритма или нейтронной сети, без учета систематической ошибки, вызванной информационными характеристиками цели, или не учитывает ошибку измерения, вызванную окружающей средой. Ангелова и др. [22] провели объединение РЛС и АИС для повышения эффективности обнаружения РЛС. Однако алгоритм просто экстраполирует отметки АИС ко времени отметок РЛС. Карлсен и коллеги [23] используют данные РЛС для объединия со вторичными датчиками, такими как AIS, ADS-B. Этот метод основан на слиянии кинематических моделей траектории от двух датчиков в кинематическую модель ассоциации. Метод позволяет сопровождать сотни целей одновременно на основе фильтра Калмана (ФК), максимального правдоподобия и теории вероятностей, а также кинематики. Однако он имеет высокую сложность и требует больших вычислительных ресурсов. Шиджун и др. [24] предложили алгоритм объединения данных для ARPA с данными о местоположении AIS для повышения точности и надежности сопровождения. Однако преобразование данных АИС идет по формулам Гаусса-Крюгера и не обеспечивает высокую точность. Кроме того, алгоритм не проверен экспериментально. В [25,26,27,28] Казимерский и Статечный представили концепцию децентрализованного объединения с помощью мультисенсорного фильтра Калмана (ФК). Сначала в датчике производится построение траекторий при помощи ФК и нейронного фильтра, затем траектории объединяются. Однако метод подробно не анализируется, а также имеет недостатки децентрализованного метода, связанные с эффектом избыточности информации. Кроме того, использование ФК не является оптимальным решением.
Хабтемариам и др. [29, 30] предложили новый алгоритм слияния на
уровне измерений при помощи JPDA, комбинирующий данные РЛС и АИС с использованием вероятностных данных. Сравнение производится с методом объединения траекторий. Однако предложенный алгоритм оценивается по результатам моделирования с использованием модели неманеврирующей цели и не содержит экспериментальных результатов. Сюфэн [31] использует метод машинного обучения для повышения точности в случаях, когда информация из источника зашумлена или неполна. Однако этот метод имеет высокую вычислительную сложность и затрудняет оценку точности модели. Чэнь Д. и др. [32] исследовали объединение данных РЛС и АИС с использованием алгоритма распределенного фильтра Калмана для повышения точности системы предотвращения столкновений судов. Однако результаты моделирования были получены на небольшом наборе данных (с 60 секунд с 13 отметками), использовалась модель движения цели только с постоянной скоростью. Лю и др. [33] предложили использование интерактивного многомодельного фильтра (ИММ) с АИС для сопровождения судов. Хотя вектор состояния оценивается с использованием многомодельной системы, работа сосредоточена на сопровождении цели с использованием АИС. Лю Венвен и др. [34] предлагают алгоритм оценки и обнаружения движущихся целей на основе фильтра ИММ с различными моделями поворота, использующих данных АИС. Затем объединяет данные, используя двухэтапный нечеткий метод. Но упомянутый алгоритм требует больших вычислительных ресурсов.
Вивон Г. и др. [35] представили метод JPDA VS-IMM для отслеживания судов с использованием исторической информации о морских маршрутах от AIS. Авторы отмечали, что временной интервал между сообщениями AIS и отметками РЛС несовместим. Поэтому, отметки AIS необходимо интерполировать на основе отметки РЛС по времени. Объединение осуществляется путем поиска ближайшего положения траектории РЛС к траектории АИС. Основным преимуществом этого подхода является возможность лучше отслеживать цели без увеличения уровня ложных тревог.
Однако алгоритм довольно сложен и требует больших ресурсов.
Таким образом, применение новых методов траекторного сопровождения надводных объектов по данным от нескольких радиолокационных датчиков, с объединением данных от АИС является актуальной задачей.
Целью диссертационной работы является разработка алгоритма траекторного сопровождения надводных объектов в морских информационных системах (МИС), использующих объединение данных от нескольких радиолокационных датчиков и АИС.
Для достижения поставленной цели в работе поставлены и решены следующие задачи:
1. Анализ требований к МИС с объединением данных.
2. Анализ характеристик АИС и РЛС как измерительных датчиков.
3. Разработка архитектуры схемы объединения данных от РЛС и АИС.
4. Исследование и разработка алгоритма траекторного сопровождения маневрирующих целей и проведение моделирования.
5. Разработка метода объединения данных в ходе траекторного сопровождения целей.
6. Проведение экспериментальных исследований по объединению данных РЛС и АИС.
7. Адаптация алгоритма траекторного сопровождения с использованием информации, содержащейся в сообщении АИС.
Объектом исследования является алгоритм траекторного сопровождения с использованием разнородных источников данных в МИС.
Предметом исследования являются методика объединения данных, алгоритм траекторной фильтрации и принцип адаптации алгоритмов траекторной обработки.
Методы исследования
Теоретический анализ выполнялся с использованием методов теории вероятностей и математической статистики, оптимальной линейной фильтрации случайных процессов.
Экспериментальный анализ проводился с помощью компьютерного статистического моделирования, компьютерной обработки реальных данных от РЛС и АИС.
Научная новизна
1. Предложен метод совместного траекторного сопровождения целей на основе гибридной архитектуры объединения разнородных источников информации, позволяющий объединять как радиолокационные (первичные и траекторные) отметки, так и отметки АИС.
2. Предложены методы адаптации многомодельного алгоритма с адаптивной сеткой, заключающиеся в статической адаптации начального набора моделей на основе информации АИС о габаритах и скорости судна, и в динамической адаптации на основе скорости поворота.
3. Предложен способ устранения двойных отметок, возникающих при радиолокационном наблюдении крупных надводных целей, использующий сведения о размерах судна и разрешающей способности РЛС.
Научные положения, выносимые на защиту
1. Использование гибридной структуры системы объединения данных обеспечивает преимущества централизованной и децентрализованной архитектуры, позволяя объединять как первичные отметки, так и траектории с отметками АИС.
2. Адаптация многомодельного алгоритма с адаптивной сеткой на основе данных, содержащихся в сообщении АИС, позволяет снизить среднее СКО по скорости более чем на 39% и по координатам более чем на 24% по сравнению с алгоритмом без адаптации.
3. Использование предложенного метода устранения множественных радиолокационных отметок от крупной надводной цели, использующего сведения о размерах судна и разрешающей способности РЛС, позволяет избежать построения множественных траекторий от одного судна.
Теоретическая значимость работы
1. Разработан алгоритм совместной траекторной обработки данных, поступающих от береговых РЛС и АИС.
2. Показано преимущество многомодельных алгоритмов с переменной структурой над алгоритмом с фиксированной структурой, а также с адаптивной сеткой над алгоритмом с переключения сетки.
Практическая значимость работы
1. Разработаны алгоритмы траекторной фильтрации с переменной структурой, использующие методы адаптивной сетки и переключения сетки для сопровождения надводных целей, движущихся прямолинейно или совершающих поворот с постоянной скоростью.
2. Предложены способы статической и динамической адаптации многомодельного алгоритма траекторной фильтрации с использованием информации, содержащейся в сообщениях АИС.
3. Проведены экспериментальные исследования эффективности предложенного метода объединения данных на примере береговых РЛС и АИС.
4. Предложена методика расчета порога для определения множественных отметок, принадлежащих одному и тому же судну или разным целям, для последующего их объединения.
Достоверность научных и практических результатов
Достоверность полученных научных результатов в диссертации подтверждается корректным использованием методов исследований для обработки реальных экспериментальных данных.
Апробация результатов.
Основные результаты диссертационной раблоты докладывались и обсуждались на следующих конференциях:
- 11-я школа-семинар «Инфокоммуникационные технологии в цифровом мире», СПб, 8 - 10 декабря, 2021г.;
- VI Международная научно-техническая конференция «Актуальные проблемы радио- и кинотехнологий», СПб, 16-17 ноября, 2021г.
- IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus-2022, Санкт-Петербург, 25-28 января, 2022г.);
- 11-я международная научно-техническая и научно-методическая конференция «Актуальные проблемы инфотелекоммуникаций в науке и образовании», СПбГУТ, 15-16 февраля, 2022г.;
- IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (2023 ElConRus, Санкт-Петербург, 23-27 января, 2023г.);
- 12-я международная научно-техническая и научно-методическая конференция «Актуальные проблемы инфотелекоммуникаций в науке и образовании», СПбГУТ, 28 февраля - 1 марта, 2023г.;
- 29-я Международная научно-техническая конференция «Радиолокация, навигация, связь» (RLNC - 2023), Воронеж, 18 - 20 апреля 2023г.;
- 78-я научно-техническая конференция СПб НТО РЭС им. А.С. Попова, посвященная Дню радио, СПб, 24 - 27 апреля, 2023г.
Публикации по теме диссертации
Основные результаты работы опубликованы в 12 научных работ, среди них 4 статьи в рецензируемых научных журналах и изданиях, рекомендованных в перечне ВАК, 2 публикации в Web of Science and Scopus, 6 публикаций в материалах и сборниках международных, российских научно-технических конференций и семинаров.
Основное содержание и структура диссертации
Структурно диссертационной работы состоит из введения, четырех глав с выводами, заключения, списка литературы. Общий объем диссертации составляет 110 страниц. В работе содержит 53 рисунка и 19 таблиц
Во введении обоснована актуальность темы исследования, представлены ограничении существующих решений, определены цель и задачи работы, научная новизна, методы исследования, а также приведены основные положения, выносимые на защиту и сведения о теоретической и практической
значимость и апробации результатов работы.
В первой главе представлены основные требования к МИС с объединением данных, проведен анализ характеристик РЛС и АИС как измерительных датчиков. Рассмотрены проблемы некорректорных данных АИС и предложена архитектура схемы объединения данных .
Во второй главе проведено исследование алгоритмов траекторного сопровождения маневрирующих целей. Рассмотрены основные модели движения надводных целей, алгоритмы траекторного сопровождения, в том числе многомодельный (ММ) алгоритм и разработан алгоритм ММ с переменной структурой (VSMM). А также проведены моделирование и сравнение работоспособности преложенных алгоритмов. В результате для дальнейшей работы был выбран алгоритм адаптивной сетки (AGMM) для объединения данных.
В третьей главе разработана схема объединения данных в ходе траекторного сопровождения. Представлены экспериментальные результаты объединения данных, полученных от РЛС и АИС, от двух РЛС.
В четвертой главе расмотрены вопросы адаптации алгоритма траекторного сопровождения на основе информации, содержающейся в сообщении АИС. Представлены результаты моделирования и обработки реальных данных.
В заключении изложены основные результаты диссертационной работы и перспективы дальнейшей исследований.
ГЛАВА 1
МОРСКАЯ ИНФОРМАЦИОННАЯ СИСТЕМА И ОБЪЕДИНЕНИЕ
ДАННЫХ
1.1. Общие требования к МИС с объединением данных
В начале 1990-х годов была разработана система управления движением судов (СУДС) для повышения безопасности мореплавания, безопасности жизни на море и защиты окружающей среды от возможных негативных последствий судоходства, а также повышения эффективности навигации и грузоперевозок. СУДС предоставляет пользователям разнообразную навигационную информацию, позволяющую идентифицировать и отслеживать судна и другие навигационные объекты в прибрежных акваториях, а также планировать судоходство в прибрежных водах [36].
Морская информационная система является частью СУДС (Vessel Traffic System - VTS). Требования IALA к системам VTS изложены в руководстве IALA Guideline no. 1111 (IALA 1111) on Preparation of operational and technical performance requirements for VTS systems [37]. В России требования к СУДС изложены в Приказе № 226 Министерства транспорта Российской Федерации от 23 июля 2015 г. [38]. Общие требования для систем с объединением данных можно описать следующим образом:
• В процессе сопровождения используются модели датчиков и набор параллельных моделей движения цели, чтобы обеспечить наилучшую оценку, по крайней мере, положения цели, курса и скорости относительно земли (COG, SOG). Эти модели также используются для оптимизации процесса отождествления при объединении новых измерений с существующими траекториями.
• Система VTS должна использовать преимущества от объединения данных, поступающих от разных датчиков, по сравнению с их простой интеграцией, для чего она должна использовать методы обработки и объединения данных в рамках функции обработки данных. Это должно повысить качество оценки координат цели и других параметров
(идентификация типа цели, COG, SOG, маневр и т. д.). Кроме того, объединение данных от разных датчиков должно способствовать обнаружению ошибок и аномалий от отдельных датчиков.
• Объединение данных может производится при помощи либо объединения траекторий, либо непосредственно в процесс фильтрации траекторий (т.е. первичных измерений) всех датчиков. В обоих случаях процесс объединения может иметь дело с погрешностями в данных, поступающих от разных датчиков.
• В полностью откалиброванной системе выходные данные средства сопровождения при объединении данных не должны ухудшать качество информации, поступающей от наиболее надежного датчика, и в целом следует ожидать повышения точности или других преимуществ.
• Объединение данных - это автоматический процесс, и вмешательство оператора VTS в него должно быть минимальным.
• Объединение данных учитывают данные из различных источников, включая:
- РЛС;
- СУДС соседних территорий или других агентов;
- автоматизированная идентификационная система (АИС) и спутниковая АИС;
- системы идентификации и сопровождения дальнего действия (LRIT, Long-Range Identification and Tracking);
- электрооптические системы (ЭОС).
• Вклад мобильных датчиков (судовых датчиков и т. д.) обычно не учитывается, хотя это дополнительное усовершенствование, которое может получить более широкое распространение в будущем.
• При разработке процесса сопровождения и объединения данных следует учитывать необходимость преобразования информации о местоположении в общую систему координат (СК), поскольку РЛС производят
измерения в полярной СК, АИС - в географической.
• Временная привязка данных в датчиках, точно отражающая время наблюдения и измерения, необходима для создания и поддержания правильной и точной картины движения. Необходим также учет временных задержек при передаче и обработке данных в процессе отслеживания и объединения данных.
Требуемые характеристики сопровождения сильно зависят от местных условий, поэтому их следует анализировать индивидуально для каждого конкретного случая. В таблицах 1 и 2 приведены некоторые параметры и их диапазоны значений, которые можно задавать в зависимости от ситуации.
Таблица 1.1. Типичные параметры системы сопровождения
Параметр Типичный диапазон параметра
Количество подтвержденных траекторий От < 500 до > 2500 в зависимости от зоны охвата, плотности движения и наименьшего размера отслеживаемых объектов.
Время для инициации пробной траектории От 5 до 60 с, или от 3 до 10 обзоров
Время для подтверждения траекторий От 5 до 60 с, или от 3 до 10 обзоров
Время от потери данных до автоматического прекращения отслеживания > 60 с, или > 10 обзоров, в зависимости от того, что произойдет раньше
Скорость отслеживаемых надводных объектов От < 50 узлов до < 70 узлов в зависимости от самой быстрой цели в зоне VTS
Скорость поворота отслеживаемых объектов От < 10°/с (SOG < 5 узлов) до < 20°/с (SOG < 5 узлов)
Поперечное ускорение отслеживаемых объектов От < 2.5 м/с2 (SOG > 5 узлов) до < 5 м/с2 (SOG > 5 узлов)
Таблица 1.2. Одиночная РЛС - параметры сопровождения
Получение Получение Получение
данных от данных от данных от
Параметр РЛС РЛС РЛС
базового стандартного высшего
уровня уровня уровня
Точность Дальность Лучше чем:
отслеживания (относительно • < 0.5 % ... 0.75 % от дальности,
положения местоположения охватываемой отдельной РЛС;
датчика) • < 5 м до 10 м + установленная
эффективная длина зондирующего импульса
или половина размера цели
Азимут < 1°, РЛС X-диапазона
(относительно < 2°, РЛС S-диапазона < 0.5°
местоположения
датчика)
Точность SOG < 2 узла < 1 узла < 1 узла
оценки
скорости и COG < 5° < 2° < 2°
курса
Время от
подтверждения
траектории до
Время достижения заданной точности траектории < 120 с
Таким образом, IALA 1111 и приказ №226 предписывают общую
структуру системы и некоторые требования к ней. Можно выделить следующие рекомендации по построению системы объединения данных:
• Объединение данных от разных датчиков должно повысить качество оценки координат и скорости цели, способствовать обнаружению ошибок и аномалий от отдельных датчиков.
• Объединение данных от разных источников производится при помощи объединения траекторий либо объединения отметок.
• При объединении данных следует уделять внимание устранению
Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Сопровождение маневрирующих источников сигналов, двигающихся по баллистическим траекториям2020 год, кандидат наук Голенко Дмитрий Сергеевич
Алгоритмическое обеспечение информационной поддержки оценивания динамической ситуации в многосенсорных системах при автоматическом сопровождении надводных объектов2001 год, доктор технических наук Бескид, Павел Павлович
Радиолокационный мониторинг судоходства с использованием сигналов подсвета от средств космического базирования2022 год, кандидат наук Нгуен Ван Куан
Траекторное сопровождение воздушных объектов в условиях неопределенности информации о параметрах их движения2013 год, кандидат наук Ву Чи Тхань
Обнаружение манёвров надводных судов с учётом косвенных признаков2014 год, кандидат наук Захаров, Климент Валерьевич
Список литературы диссертационного исследования кандидат наук Ле Минь Хоанг, 2024 год
использования;
200 - 255 - зарезервировано для будущего использования.
Размер судна
расположение антенны
и
30
Параметр Биты Расстояние (м)
А 0 - 8 0 - 511
В 9 - 17 0 - 511
С 18 - 23 0 - 63
D 24 - 29 0 - 63
Параметры Число бит Описание
0 - нет данных (по умолчанию); 1 - GPS;
2 - ГЛОНАСС;
3 - GPS/ГЛОНАСС;
Тип датчика местоположения 4 4 - Лоран-С; 5 - Чайка; 6 - интегрированная навигационная система; 7 - служебное; 8 - 15 - не используется
Ожидаемые время и дата прибытия 20 Минуты, часы, число, месяц.
Максимальная действительная осадка 8 От 0 до 255 в 1/10 метров; 255 - осадка 25,5 м или более; 0 - нет данных (по умолчанию)
Место назначения 120 20 знаков в 6-битовом коде ASCII; 20 знаков @ - нет данных
Резерв 8
В сообщении АИС в качестве временной метки передаются секунды,
прошедшие от начала текущей минуты до момента формирования отметки в передатчике АИС судна. Для ее использования надо сформировать время, учитывающее часы и минуты, прошедшие от начала суток. Для этого следует зафиксировать их в момент получения данного сообщения в системе объединения, полагая задержки на передачу незначительными.
Таким образом, в состав АИС-отметки входят следующие поля:
• .MMSI, номер MMSI, девятизначное целое.
• .NS, навигационный статус, целое, от 0 до 15.
• .ROT, скорость поворота, целое со знаком, от -128 до +127.
• .LAT, широта, целое.
• .LON, долгота, целое.
• .SOG, скорость, целое, от 0 до 1023.
• .COG, курс, целое, от 0 до 3600.
• .TS, целое, от 0 до 63.
• .PA, точность измерения координат, один бит.
• .RAIM, один бит.
• .t, вещественное, секунды от начала текущих суток (формируется АИС-клиентом).
• Дополнительная информация (название судна и его тип).
1.4. Сравнение характеристик данных РЛС и АИС
а) Данные о местоположении цели
Методы описания положения обнаруженных целей РЛС и АИС различаются. АИС получает информацию о местоположении цели, соответствующего положению антенны GPS, представленные в географической системе координат (ГСК), т.е. в виде долготы и широты. РЛС, оценивая дальность и азимут цели, осуществляет измерение ее положения в полярной системе координат. Точность определения местоположения цели в АИС не зависит от расстояния до этой цели, тогда как точность РЛС обратно пропорциональна расстоянию между РЛС и целью.
б) Функция автоматической идентификации
РЛС не может автоматически идентифицировать цель. Метод сопровождения, реализуемый в РЛС, основан на обработке переотраженного целью сигнала и включает в себя обнаружение цели, оценку ее местоположения, обнаружение траектории, отождествление, экстраполяцию и сопровождение. АИС может автоматически идентифицировать цель. В составе сообщения АИС присутствует идентификационный код (MMSI), динамические и навигационные данные. АИС может автоматически сопровождать цели.
в) Надежность отслеживания целей
На качество сопровождения целей в РЛС влияют морские помехи, ложные сигналы, погрешности измерения, а при наличии нескольких близких целей разрешающая способность РЛС может оказаться недостаточной для их
уверенного разделения. Это приводит к появлению ряда проблем радиолокационного сопровождения цели, таких как обнаружение ложных или отсутствие истинных траекторий, потеря сопровождения и перепутывание траекторий при пересечении путей следования объектов. При низкой разрешающей способности РЛС в случае наблюдения ею двух и более близко расположенных целей РЛС может отображать только одну цель. При пересечении траекторий может возникать перепутывание траекторий в точке пересечения [51].
В АИС таких проблем не существует. Поэтому автоматическая идентификация может существенно повысить надежность отслеживания цели. Однако, когда объекты не оснащены АИС, или АИС на них отключена, отслеживать цели на основе только данных АИС становится невозможно.
г) Дальность действия
РЛС обнаруживает все цели, находящиеся в ее зоне обзора. А при помощи АИС могут отслеживаться только цели, оснащенные АИС с включенным передатчиком. Дальность действия АИС в основном режиме работы, использующем УКВ диапазон, зависит от высоты антенны и составляет порядка 20^30 миль при нормальных условиях распространения радиоволн [52] и не зависит от размеров и ракурса судов-целей. Дальность действия АИС при внешней антенне, установленной на высоте 15 м - примерно 15-20 миль, но может достигать и 40-50 миль при более высокой установке антенны. В загруженных портах дальность может быть сокращена до 10-12 миль. РЛС работают в разных диапазонах частот, поэтому дальность действия у них может быть разной. Согласно основному уравнению радиолокации, дальность действия РЛС зависит от мощности передатчика, рабочей частоты, эффективной площади отражающей поверхности цели и т. д. [53]. Типичная дальность действия береговых РЛС 15-20 миль.
д) Объем данных о цели и время обновления
АИС может получить больше данных о целях, чем РЛС. Информация АИС включает статические, динамические, рейсовые данные и сообщения по безопасности. РЛС является разновидностью независимого навигационного оборудования для обнаружения и измерения целей путем передачи электромагнитных волн и приема эхо-сигнала, отраженного от целей в окружающей обстановке. Поэтому РЛС получает только динамические данные, такие как дальность, пеленг, курс, скорость.
е) Время обновления
Период обновления данных не одинаков. В РЛС он не меняется и зависит от скорости вращения антенны, обычно составляет 3 секунды. В АИС период обновления динамических данных находится в пределах от 2 секунд до 3 минут в зависимости от навигационного состояния цели. Период обновления статических данных и данных о рейсе составляет 6 мин, также они могут передаваться при изменении данных или по требованию. Сообщение о безопасности передается при необходимости.
ж) Курс, скорость и другие данные
АИС получает данные о скорости, курсе и направлении судна от системы GPS и компаса, а данные о скорости поворота от специального датчика -указателя скорости поворота. Данные о размере судна и положении антенны GPS вводятся вручную. Курс и скорость в РЛС получают в ходе траекторного сопровождения, которое оперирует полученными ранее данными и может иметь временную задержку. РЛС не выдает данные о размере цели.
Результаты данного раздела опубликованы в работах [54, 55].
1.5. Проблемы некорректных измерений АИС
Данные АИС посылаются устройством на судне по усмотрению экипажа. Кроме того, сообщения могут быть поддельными или могут возникать ошибки при заполнении информации пользователями. Поэтому знания о качестве используемой информации чрезвычайно важны.
На практике данные АИС вызывают серьезные проблемы при использовании для сопровождения судов, а также при объединении данных. Это могут быть случайные сбои, заведомые искажения или манипулирование судами, стремящимися скрыть свою личность, местонахождение или пункт назначения. В [85, 86] проанализированы риски при использовании АИС. Windward, крупная компания по сбору морских данных, которая предоставляет исследования ООН отмечается, что манипуляционные действия разнообразны, например: мошенничество с личными данными, сокрытие пунктов назначения, «затемнения», манипулирование GPS и подделка судна [87].
Затемнения. Наиболее распространенным поведением судов является отключение передачика АИС. В результате объединение данных с АИС будет невозможна. В этом случае можем использовать только данные из разных радиолокационных источников, в соответствии требования к СУДС изложеными в Приказе Министерства транспорта РФ от 23 июля 2015 г. № 226 [38].
Манипулирование GPS. Это вмешательство в источник данных GPS АИС. Из-за того, что передатчик АИС не обеспечивает проверку сигнала GPS, любые данные, введенные в устройство, передаются в виде местоположения судна, независимо от того, реальные они или нет. Это позволяет судам внезапно появляться в местах, находящихся далеко от их текущего положения, всего за один период обновления. Это приведет к тому, что объединение данных перестанет быть точным и эффективным.
Подделка судна. Этот процесс включает в себя присвоение вымышленному судну статической информации, такой как название судна, идентификаторы (т. е. MMSI и позывной), тип судна, тип груза, производитель и размер, а также динамическую информацию, такую как статус судна (например, на ходу или стоит на якоре), положение, скорость, курс и пункт назначения. В результате данные принимаются как данные «судна-призрака», хотя на самом деле оно находятся в совершенно другом месте.
Поскольку АИС была разработана для обеспечения безопасности, это общедоступный поток данных со слабыми механизмами безопасности. Не
существует механизма обеспечения информации, гарантирующего точность передачи информации на судах. В результате, хотя судам необходимо передавать информацию, существует множество способов скрыть эту информацию, а спутники, получающие данные, не имеют возможности проверить точность информации. Поэтому при использовании информации в этих случаях требуются дополнительные проверки пользователя.
1.6. Разработка архитектуры системы объединения данных от РЛС и АИС
Архитектуры систем объединения данных классифицируют несколькими различными способами. Наиболее часто используемый метод классификации выделяет следующие три типа: централизованная (объединение отметок), децентрализованная (объединение траекторий) и смешанная (гибридная).
Централизованная архитектура (рисунок 1.2) характеризуется тем, что первичные отметки, содержащие сведения об обнаруженных целях (дальность, азимут), полученные от датчиков, передаются непосредственно в единственный центр обработки и используются для построения траектории каждой цели.
Рисунок 1.2 - Централизованная архитектура
Эта архитектура имеет следующие особенности: увеличение информации о цели, что снижает ошибки сопровождения; повышение надежности установленной траектории при использовании алгоритма траекторной фильтрации, но требует мощных вычислительных ресурсов; она также предоставляет более своевременную информацию. В качестве недостатка
централизованной обработки обычно указывается необходимость передачи большего объема информации по линиям передачи данных.
Децентрализованная архитектура (рисунок 1.3) характеризуется тем, что данные от датчиков обрабатываются отдельно в местных, или локальных устройствах обработки. Результаты - локальные траектории - передаются в центр обработки, где они будут объединены для построения единой траектории для каждой цели.
Рисунок 1.3 - Децентрализованная архитектура Эта архитектура имеет следующие достоинства:
• масштабирование структуры без ограничений, присущих централизованным вычислительным средствам и пропускной способности линий связи;
• живучесть при потере узлов датчиков и динамическое изменение сети в соответствии и меняющейся обстановкой;
• модульность в разработке и применении узлов
Однако в децентрализованной сети объединения данных возникает весьма серьезная проблема, связанная с эффектом избыточности информации. Части информации от нескольких источников, полученные при разных способах фильтрации, можно комбинировать только если они статистически независимы или имеют известную взаимную ковариацию. Кроме того, информация в такой сети передается только от узла к узлу, а не напрямую от датчика к датчику, поэтому в ней возникают задержки на пересылку информации между
источником и получателем и на ее обработку, что может привести рассогласованию общей информации в узлах и датчиках сети, вызывая ухудшение качества функционирования системы.
Гибридная архитектура представляет собой сочетание централизованной и децентрализованной архитектур (рисунок 1.4). Этот подход обеспечивает объединение преимуществ данных архитектур. В гибридных системах обычно присутствует несколько уровней, в которых функции верхнего уровня - это глобальный центр объединения, а нижний состоит из нескольких местных центров объединения. Каждый местный узел объединения отвечает за управление собственными датчиками. Разбиение единого набора датчиков на группы может быть основано на географическом расположении датчиков или платформ, на выполняемых датчиками функциях, или предоставляемой ими информации (с целью обеспечения одинакового набора данных от разных групп датчиков).
Рисунок 1.4 - Гибридная архитектура Поскольку АИС передает данные, содержащие информацию, четко идентифицируемую с определенным объектом, их можно рассматривать как траектории. Данные, полученные от разных радиолокационных датчиков, могут быть как в виде первичной отметки, так и в виде траекторной отметки, т.е. результатом локальной обработки. Следовательно, система объединения должна обрабатывать как отметки, так и траектории. Кроме того, если данные о
цели получаются от нескольких РЛС, то они имеют случайное время формирования, и в общем случае являются асинхронными. Точность их измерения также различны. Работа станции АИС жёстко синхронизирована по времени UTC с погрешностью не более 10 мкс от встроенного приёмника ГНСС. Вследствие этого, сбор динамических данных от РЛС и АИС в ЦО будет асинхронный. Поэтому предлагается гибридная схема для использования при объединении данных.
Выводы по первой главе.
1. Проведён анализ требования к МИС c объединением данных по стандарту IAIA и составлены предложения к построению системы объединения.
2. Проведён анализ характеристик РЛС и АИС как измерительных информационных источников. Проведено сравнение их характеристик которое показало, что АИС имеет лучшие характеристики отслеживания, чем РЛС. Данные АИС можно рассматривать как эталон при объединенной обработке для отслеживания целей. Но полная замена РЛС на АИС невозможна.
3. Рассмотрены проблемы некорректных измерений АИС, вляющих на процесс объединения, такие как затемнение, манипулирование GPS, подделка судна.
4. Проведено исследование архитектуры схемы объединения данных и предложено объединение данных РЛС и АИС с использованием гибридной схемы.
ГЛАВА 2
ТРАЕКТОРНОЕ СОПРОВОЖДЕНИЕ В МИС
2.1. Модели движения надводных цели
В ходе траекторного сопровождения осуществляется оценка состояния цели, истинный характер движеня которой неизвестен. В то же время алгоритмы сопровождения должны основываться на модели движения цели. Результаты сопровождения цели тесно связаны с выбором моделей, используемых в алгоритме. Основными моделями являются равномерное прямолинейное движение, движение с ускорением и движение с поворотом. Кроме того, для НЦ в зависимости от размеров и формы судов, также внешние силы, существует большое количество моделей движения. Однако наиболее используемой является модель, предложенная Першицем, обеспечивающая общую точность между точностью и сложностью модели [56]. Но эти модели слишком сложны для практической реализации. Далее рассматриваются основные модели движения НЦ.
2.1.1 Модель движения неманеврирующей цели: модель движения с постоянной скоростью (constant velocity, CV). В этой модели скорость цели считается постоянной.
Уравнение движения в этой модели имеет вид:
xk+i = F xk + wk (21)
т
где x = ^xvxyvyJ - вектор состояния; F^y- матрица экстраполяции:
1 T 0 0
0 10 0
F
c 0 0 1 T
0 0 0 1
и Т - временная разница между измерениями хк+1 и хк (для РЛС это период обзора). wк представляет собой случайную последовательность в виде белого
гауссовского шума с нулевым средним и известном ковариационном матрицей
.2 _2
Q = diag
г2 г2
а х а y
, где ах, <5y - дисперсии шума по осям Х и Y соответственно.
2.1.2 Модель движения маневрирующей цели
Модель движения с постоянным ускорением (constant acceleration, СА). В ней предполагается, что цель движется равноускоренно, а приращение ускорения является белым шумом с нулевым средним.
Уравнение движения в этой модели имеет вид:
x k+1 = FCAx k + GCAUk + Wk
(2.2)
где: x = ^xvxax y Vy ay JT - вектор состояния
fca =
1 T rjn2 0 0 0
0 1 T 0 0 0
0 0 1 0 0 0
0 0 0 1 T 2
0 0 0 0 1 T
0 0 0 0 0 0
gca =
rj~i2 1 0
- T
2
0 0 0 2
-
2
входная матрица.
Модель с постоянной скоростью поворота (Constant Turn, CT). В этой модели цель движется с постоянной скоростью v и при этом совершает поворот с постоянной угловой скоростью ю.
Уравнение движения имеет вид:
xk+1 = FCTx k + GCTuk + Wk (2.3)
T
где:
F
CT
G _
1 0 0 0
1 0
sin coT 0 1 — cos cT
c c
cos cT 0 —sin cT
1 - cos cT 1 sin cT
c c
sin cT 0 cos cT
sin c T 0 1 — cosc T
c c
1 — cosc T 1 sin c T
c c
Негауссовское распределение используется для моделирования изменения ускорения маневрирующих целей:
w(k0(0,0с),
Qc
ql 0 0 ql
где С (0,0с) - распределение с нулевым математическим ожиданием и ковариацией 0с.
2.1.3 Модель наблюдения
Модель измерения цели получается как: гк = Яхк + ук; где Н - матрица 1 0 0 0 0 0"
измерения: H _
0 0 0 1 0 0
; vk - шум измерения - белый гауссовский
шум с нулевым математическим ожиданием и ковариационной матрицей Як. Измерение в полярных координатах определяется следующим образом:
Zu
Pk
а.
h( xk) + v
k
í
xk + У2
с \
x
atan
V yk y
+
Pk
ak
(2.4)
T
где (х, у) - истинное местоположение неподвижной цели в прямоугольных (декартовых) координатах; ^ - вектор гауссовского шума с нулевым средним и
дисперсией як = (с2,с^), а ср и са - стандартные отклонения для
дальности и азимута соответственно.
2.2 Обзор методов траекторной фильтрации маневрирующих целей
Методы сопровождения маневрирующих целей в основном можно разделить на две категории: одномодельное сопровождение и многомодельное сопровождение.
В первой категории методы используют одиночную модель движения цели для сопровождения цели. В [57] Сингер использовал единый модельный фильтр, который моделировал ускорение цели как стохастический процесс. Результатом применения этого метода является то, что фильтр способен сопровождать маневрирующие цели, если стохастический процесс правильно построен, но качество оценки ухудшается по сравнению с фильтром Калмана при сопровождении целей с постоянной скоростью. Затем Чан и др. [58], Бар-Шалом и Бирмивал [59] предложили усовершенствования для повышения производительности фильтра. В целом этот метод включает в себя два этапа: первый - обнаружение маневра, т.е. принятие решения о его наличии, второй -оценка параметров траектории при условии наличия обнаруженного маневра. Это подход имеет определенные недостатки [60, 61]: в нем не учитывается, что обнаружение маневра может быть ошибочным; фильтрация выполняется уже после решения об обнаружении маневра, хотя его учет мог быть полезен для обнаружения; увеличивается вероятность ложного отождествления на начальном этапе маневра.
Для решения этих проблем предложено использование многомодельных (ММ) алгоритмов [62-66]. В этих алгоритмах одновременно используется несколько моделей движения цели, каждая из которых отражает возможные
режимы ее движения. Формируя оценки параметров траектории для каждой модели и оценивая их правдоподобие, фильтр вычисляет результирующую оценку вектора состояния как взвешенную сумму этих локальных оценок [63,66].
Многомодельные алгоритмы состоят из следующих основных элементов [61,82]:
• Набор моделей: банк элементарных траекторных фильтров, в совокупности перекрывающий все возможные варианты движения наблюдаемой цели.
• Стратегия взаимодействия: задает количество и способ учета оценок фильтра, полученных на предыдущих шагах оценивания.
• Условная фильтрация: обычная траекторная фильтрация, выполняемся для каждой модели из набора в предположении, что она соответствует действительности.
• Результирующее выходное значение: оценивает траекторных параметров на основе выходных значений всех фильтров, используя их весового объединения или выбора наиболее вероятного.
Среди ММ алгоритмов наиболее популярным является интерактивный многомодельный алгоритм ИММ [65,67]. Доказано, что ИММ является оптимальным фильтром и одной из экономичных схем оценки состояния цели [68-71]. Основным преимуществом этого метода является возможность оценки состояния динамической системы с набором моделей движения, которые можно перемещать из одной модели в любую другую в соответствии с матрицей переходных вероятностей. ИММ алгоритмы относят к классу алгоритмов с фиксированной структурой - у них набор моделей и их параметров заданы раз и навсегда еще до начала работы фильтра. Однако такой подход имеет определенные недостатки. Для целей, чей режим маневрирования неизвестен, приходится использовать достаточно большой набор моделей, перекрывающий весь диапазон возможных маневров, что существенно
увеличивает объем вычислений. Кроме того, увеличение числа моделей не гарантирует повышение точности сопровождения, поскольку возникает конкуренция между моделями.
Для преодоления указанных проблем были предложены многомодельные алгоритмы с переменной структурой (Variable Structure MM, VSMM) [72,73], суть которых заключается в адаптации параметров, количество моделей или структуры алгоритма в зависимости от характера движения цели [74]. Алгоритмы ИММ и VSMM будут рассмотрены в следующих разделах.
2.3 Интерактивный многомодельный алгоритм
Модели движения цели и измерения описывается уравнениями:
х * = F ( Мк _i) х * _i + G ( Мк _i) щ _i + w*, z * = H ( Мк ) x* + v *
(2.5)
где Мк е | 1: последовательность состояний системы, вероятности
перехода между состояними описывается марковской цепью: = р\м[ \ На рисунке 2.1 показана структура схема алгоритма ИММ.
Рисунок 2.1 - Структура алгоритма ИММ
ИММ-фильтр состоит из 4 основных шагов: смешивание, фильтрация, обновление вероятности режима и комбинация состояний.
Один цикл ИММ-алгоритма состоит из следующих пяти шагов [61,71]:
1. Расчет априорных переходных вероятностей:
<- = ; (2.6)
^ХкМ'к-1
'=1
2. Смешивание оценок: Начальные условия каждого s-го фильтра, вычисляются следующим образом:
N
Х 0-1 ^ Х к-1^к\к-1 '=1
N г- 7
Рк-1 = ^ ^к\к-1 Рк-1 + (Х к-1 — Х 0-1)( Хк-1 — Х 0-1)
(2.7)
'=1
3. Фильтрация:
• Экстраполированная оценка вектора состояния и его ковариация:
х кк-1 = р (ыи) х 0к-1 + о (ыи) «к-1;
/ \ , ; (2.8) Рк-1 = р (ык-1) рк-Р (ык-1) + 0к-1;
• Экстраполированная оценка вектора измерения
= Я (Ык_1) ^ (2.9)
• Вектор невязки и его ковариационная матрица
У*= ^к - ^\ (2.10)
= Я ( Ык ) Рк\ 1Я ( Ык )Т + Як;
• Коэффициент усиления фильтра Калмана:
К = рк-Я (Ык )Т (Б'к )-1; (2.11)
• Оценка вектора состояния и его ковариационная матрица:
х1 = Хк + К1У1 •
хк\ хк\к-1 ^ Кк у к-1;
- чт (2.12)
р1=Ркк-1 - Кк8к (К) ;
к к\к 1 к к \ к 1 у
4. Вычисление апостериорных вероятностей истинности моделей:
N
ЛI Х^Х-1
ti = ~n ^n-; (2.13)
I E^k-1
s=1 ¿=1
где Лs - функция правдоподобия
/
Л =#Fexp <Ч(71 Г(*(У1)
ч
(т -размер векторов z и у) 5. Вычисление результирующей оценки вектора состояния и его ковариации:
N
X
k
s=1
s
X k Mk ;
(2.14)
N ( T\
Pk = {P +[ XI - X k ][X k - Xk ] };
s=1 ^ '
Отметим, что полученный результат (2.14) является текущим результатом фильтрации, однако он не участвует в формировании следующих оценок. Результаты данного раздела опубликованы в работах [75-78].
2.4 Многомодельный алгоритм с переменной структурой
Набор моделей алгоритма ИММ фиксирован и обычно имеет большое количество моделей, перекрывающих весь диапазон возможных маневров. Например, для целей, совершающих интенсивные повороты с постоянной скоростью, это одна модель для прямолинейного движения (модель CV, Constant Velocity) и 4-8 моделей СТ, рассчитанных на разные скорости поворота. Соответственно, в ИММ используется 5-9 работающих параллельно фильтров. На очередном шаге оценивания считается, что каждая из этих моделей может соответствовать истинному режиму движения цели. По
отметке, присвоенной траектории, вычисляются оценки фильтров, оцениваются правдоподобия моделей, результирующая оценка находится как сумма локальных оценок, взвешенная с учетом этих правдоподобий и заданных вероятностей перехода.
Многомодельный алгоритм с переменной структурой УБММ имеет более компактный набор моделей, чья структура и параметры адаптивно подстраиваются под изменяющийся режим движения цели. На рисунке 2.2 представлена обобщенная структурная схема УБММ. По сравнению с базовым алгоритмом ИММ, алгоритм УБММ имеет модуль адаптации набора моделей. Он используется для определения набора моделей, которые будут задействованы в данный момент времени. В зависимости от результатов работы фильтра каждой модели (т. е. их векторов состояния и правдоподобий) оцениваются значения параметра (скорости поворота) для всего набора моделей с тем, чтобы новый набор более точно соответствовал истинному режиму движения цели.
Рисунок 2.2 - Структурная схема VSMM алгоритма.
В данной работе исследуются два метода адаптации набора моделей: алгоритм адаптивной сетки (Adaptive Grid - AGMM) и переключаемой сетки
(Switching Grid - SGMM). Каждый из них использует три модели, настроенные на свои скорости поворота. Основная идея метода адаптивной сетки заключается в том, что значение скорости поворота для каждой модели выбирается из непрерывного множества, тогда как в методе переключаемой сетки используется один из предварительно заданных наборов значений.
Таким образом, в целом алгоритм VSMM подобен стандартному алгоритму ИММ, однако имеет один дополнительный этап - адаптацию набора моделей, для чего в нашем исследовании применяются алгоритмы AGММ и SGММ.
Алгоритм VSMM состоит из следующих шести шагов. 1. Адаптация набора моделей. А) Алгоритм адаптивной сетки.
Предположим, что реальная скорость поворота маневрирующей цели в настоящий момент неизвестна, но находится в непрерывном интервале [-®maX' ®max ], где ®max — максимально возможное значение скорости
поворота данной цели с учетом физических ограничений. Создадим изменяющийся во времени набор из трех моделей, который в некоторый k-й
момент времени имеет вид: Мк = юкс ], где значения скоростей
поворота каждой модели (значений сетки) ®C, )e[-®max, ®max ],
k = 1,2,...,N. Буквы L, C, R обозначают соответственно левую, центральную и правую модели конфигурации ММ.
Схема сдвига моделей в алгоритме AG представлена на рисунке 2.3. Верхняя линия показывает диапазон возможных скоростей поворота. В каждый момент времени набор моделей AG содержит три модели, то есть правую, центральную и левую модели. Стрелка от одной модели к другой указывает на направление сдвига модели. Стрелки по обеим сторонам обозначают возможное смещение вправо или влево. Как центр набора моделей, так и расстояние между ними могут быть скорректированы в соответствии с заданным правилом принятия решения.
Рисунок 2.3 : Схема сдвига моделей В алгоритме УБММ со схемой адаптивной сетки правило принятия решения состоит из двух основных элементов: во-первых, перенастройки центра сетки, во-вторых, перенастройки расстояния по сетке. Центр сетки - это
параметр центральной модели (©С), а расстояние (шаг) сетки - это интервал между параметрами любых двух соседних моделей. Истинное значение параметра текущей скорости поворота находится в пределах области значений параметра всей совокупности набора моделей. Однако если истинное значение параметра находится за пределами этой области или вблизи ее границы, этот факт должен быть немедленно обнаружен и предприняты соответствующие действия по адаптации набора моделей, к которым относятся сдвиг моделей и расширение области значений параметра.
Алгоритм УБММ первоначально запускается с исходными значениями
м = [©ь ©с ©0 ], выбор которых обусловлен теми же соображениями, что и для обычного ИММ [61]. На каждом шаге оценивания при необходимости подстраиваются два параметра: центр сетки и шаг сетки.
Корректировка центра сетки. Положение центра сетки изменяется, если
к
апостериорная вероятность модели центра , падает ниже некоторого заранее заданного порогового значения Ц, и определяется из выражения:
©С+1 = Е ^ ©к, (2.15)
1=1
где tik - апостериорная вероятность i-й модели в момент времени к. В
г ^ k+1 k
противном случае положение набор моделей не изменяется, т. е юс = юс.
Корректировка шага сетки. Расстояние сетки настраивается согласно следующим правилам:
1) Если максимальную вероятность среди всех моделей имеет
центральная модель, т. е. цС = max {ц1 } сдвига моделей нет. Однако если
при этом левая и/или правая модель будут определены как маловероятные (то есть апостериорная вероятность модели окажется меньше выбранного порогового значения t2 ), соответствующее расстояние данной модели будет уменьшено наполовину:
к+1 ©l =
к+1 ©R =
-8*/2,если^ь <^2.
;
(2.16)
k+1 ok
юс -SL, иначе
юс
k+1 -SR/2, если tiR < t2
k+1 ok
юс -oR, иначе
где SL = max (©с -©L,r), OR = max (©R -©с,r) и t2 - порог для обнаружения
маловероятной модели (например, 0.05); г - расстояние модели (параметр проектирования). Это действие поможет сократить диапазон значений скоростей и уменьшить ошибки оценивания.
2) Если максимальную вероятность среди всех моделей имеет левая модель, т.е. цЬ = max {ц1 } , производится сдвиг влево:
к+1
©L =
©с+1 - 2SL, если tiL > t3
©с+1 -SL, иначе ; (2.17)
r^k+1 ,,k+1 . ok
©R = ©C + SR,
где Ц - порог обнаружения значимой модели (равный, например, 0.95). При этом левая часть области значений параметра расширяется, расстояние между центром и левой моделью увеличивается в два раза.
3) Если максимальную вероятность среди всех моделей имеет правая модель, т.е. ^R = max {цк } , производится сдвиг вправо:
,Л+1 k+1 ok .
k+1
«C+1 + 25R, если 4 > t3 (218)
®k+1 + ^r , иначе
при этом правая часть области значений параметра расширяется, расстояние между центром и правой моделью увеличивается в два раза.
б) Алгоритм переключения сетки.
Как и в алгоритме адаптивной сетки, считается, что реальная скорость поворота маневрирующей цели в каждый конкретный момент неизвестна, но находится в непрерывном интервале [-ютах, ютах ]. Этот интервал
разбивается на большое число значений М = {щ}, I = 0, ± 1, ± 2,..., ± п:
щ = I Щтах; I = 0, ± 1, ± 2,..., ± п, (2.19)
п
каждое из которых становится параметром модели.
При разбиении интервала можно следовать тем же принципам, что и при формировании набора моделей для алгоритма ИММ с фиксированной структурой. Далее из этого набора моделей формируется подмножество из трех моделей, которое и будет соответствовать режиму движения в каждый конкретный момент времени, то есть набор моделей в любой к-й момент времени имеет вид Мк =[ю|-1, щ, щ+! ]. Схема переключения сетки в алгоритме БО представлена на рисунке 2.4.
I
I
I
на к шаге
I
I
I
на к +1 шаге
Рисунок 2.4: Схема переключения сетки.
Адаптация набора моделей заключается в выборе такого набора который в наибольшей степени соответствует текущему режиму движения цели.
Логика переключения набора моделей настраивается в соответствии со следующим правилом:
где t - порог выбора центрального режима (параметр разработки).
Логику переключения алгоритма можно описать следующим образом: изначально принимается решение о присвоении априорно наиболее вероятного подмножества моделей (логика аналогична выбору набора моделей в алгоритме с фиксированной структурой). Затем на каждом шаге оценивания проверяется апостериорная вероятность для каждой модели и принимается решение о необходимости переключения подмножества. Если такая необходимость установлена, осуществляется изменение подмножества; если нет, сохраняется текущее.
к
М1 _1, если > t;
Мк+1 =< М1 , если ^к > ^ М1+1, иначе,
(2.20)
Поскольку рассматриваемые здесь алгоритмы УБММ использует только три фильтра, они имеют существенный выигрыш в вычислительной эффективности по сравнению с ИММ с фиксированной структурой.
Далее кратко рассмотрим остальные шаги алгоритма УБММ [72].
2. Вычисление априорных вероятностей перехода:
<-1 - 4 , ; (2.21)
Е к-1
т5&Мк-1
3. Определение начальных условий каждого фильтра s-й модели:
х к-1 - Е хк-1М< к\к-1;
т*^Мк-1
Рк-1 - Е ^к'|к-1 _Рк-1 +(хк-1 х°-1 )х(хк-1 хк-1) ],
(2.22)
т*^Мк-1 4. Фильтрация.
• Экстраполированная оценка вектора состояния и его ковариация:
х к|к-1 - р (мк-1) х 0-1;
Рщ-1 - р (ми) рккр (м^ )т + о к-1,
(2.23)
Экстраполированная оценка вектора измерения:
(2.25)
£ к|к-1 - Н (Мк_1) хк|к_1, (2.24)
• Вектор невязки и его ковариационная матрица:
у к- 2 к- 2 к|к-1;
X
^ - н (мк) Ркк-Н М) + Як,
• Матричный коэффициент Калмана:
К - Ркк-Н (Мк )т (^к )-1; (2.26)
• Вектор состояния и его ковариационная матрица:
Ч\к _
хк -хк\к_1+Кк у к_1•
, (2.27)
р* _ р* _ I К* ) • рк _ рк\к_1 Кк?к\Кк) •
5. Вычисление апостериорных вероятностей истинности моделей:
лк х лг;х_1
Цк Т7", (2.28)
т*еМк
6. Результат оценки вектора состояния и его ковариационной матрицы:
х к _ х х к Ц к •
т. еМь
( т) (2.29)
Рк _ х цк к +[* к _ * к ][* к _ х к ] |
тк еМк
2.5 Результаты моделирования
С целью анализа и оценки эффективности предложенных адаптивных алгоритмов, рассматриваются два сценария сопровождения маневрирующей цели, истинные траектории движения для которых приведены на рисунках 2.5 и 2.12 соответственно. На рисунках 2.6 и 2.13 представлена траектория цели после фильтрации: зелеными точками показаны зашумленные измерения (СКО
по дальности ор = 60м, по азимуту сга = 0,5°, период обзора Т=3 с), линиями -
результаты работы разных фильтров (ИММ, AGMM, SGMM). На рисунках 2.7 и 2.14 представлены изменения скорости поворота центральной модели, на рисунках 2.8, 2.9, 2.15, 2.16 - вероятности моделей, на рисунках 2.10 и 2.17 -зависимости СКО оценки координат цели от времени, на рисунках 2.11 и 2.18 -зависимости СКО скорости от времени. Результаты усреднены по 500 реализациям.
Пример 1: Цель движется сначала с постоянной скоростью, затем совершает несколько поворотов, как показано в таблице 2.1. Начальное состояние цели ■ _ % _ 1000м,у0х _ 15уз.,у0 _ 10уз., общее время движения 750 с.
Таблица 2.1. Параметры движения цели
Время(с) Скорость поворота (о/с)
0-90 0
90-180 -2
180-240 0
240-330 2
330-360 0
360-540 -1
540-600 0
600-750 1
Для сравнения используется алгоритм ИММ с пятью фиксированными моделями со скоростями поворота М = [-2, -1,0,1,2]. Подмножество набора моделей для SGMM: М = [-2,-1,0], М2 = [-1,0,1], М3 = [0,1,2]. Начальные вероятности моделей ИММ = [0.9 0.025 0.025 0.025 0.025], Порог для
БОММ г = 0.7, для ЛОМЫ ^ = 0.3, ¿2 = 0.25, ц = 0.75, ютах = 3° /с, матрица переходных вероятностей:
ж =
0,9 если I = я 0,1
N -1
если I ф s
где N - количество моделей.
<
1500 1000 500 0
-500 -1000 -1500 -2000
1000 1200 1400 1600 1800 2000 2200 2400 2600 2800 3000
2000 1500 1000 500 0
-500 -1000 -1500 -2000
1000 1200 1400 1600 1800 2000 2200 2400 2600 2800 3000
Рисунок 2.6: Траектория цели 1 после фильтрации
3 2 1 О -1 -2 -3 -4
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.