ردیابی اهداف مانور بالا مبتنی بر روش حالت افزوده با استفاده از فیلتر کالمن خنثی تطبیقی

بسیاری از روش های ردیابی اهداف راداری مانور بالا مانند روش حالت افزوده بر اساس شبیه سازی معادلات حرکت هدف و رادار در مختصات کارتزین صورت می پذیرند. در محیط عملیاتی همراه با اختلال های نویزی، ردیابی اهداف راداری به خصوص در مانورهای بالا که هدف در حال دور شدن از محل استقرار رادار است، خطای اندازه گیری رادار روی محورهای کارتزین دائما رو به افزایش بوده در صورتی که در بسیاری از مقالات، خطای مشاهدات با کواریانس ثابتی روی محورهای مختصات کارتزین لحاظ می گردد. از طرفی بردار واقعی مشاهدات رادار شامل فاصله و زاویه سمت هدف در مختصات قطبی بوده و مدل سازی این مشاهدات در این مختصات باعث غیرخطی شدن روابط می شود و نیاز به روش های تخمین غیرخطی مانند فیلتر کالمن خنثییا توسعه یافته را ایجاد می نماید. روش پیشنهادی در این مقاله با به کارگیری ایده حالت افزوده در مختصات قطبی به رهگیری اهداف راداری مانور بالا بر اساسفیلتر کالمن خنثی می پردازد روش پیشنهادی با به کارگیری الگوریتم تطبیق ماتریس کواریانس تخمین در هر مرحله، معضل همگرایی دیرهنگام فیلتر را برطرف نموده و از واگرایی آن جلوگیری می نماید. نتایج شبیه سازی در سناریوهای مانور متوسط و بالا بر اساس روش پیشنهادی نسبت به دو روش فیلتر کالمن خنثیو توسعه یافته، بهبود بیش از 90 درصدی را نشان می دهد.

High Maneuvering Target Tracking Based on Augmented State Method using Adaptive Unscented Kalman Filter

Many high maneuvering target tracking approaches, such as augmented state method, are based on target motion and radar modeling in the Cartesian coordinates., The projected radar observation errors along the Cartesian coordinates are continuously increasing in the target tracking problem in noisy       operation environments especially in the high maneuvering situations that the target is moving away from radar location. Whereas, in various simulations that are performed in many papers, these observation    errors are considered to have constant covariance values along the Cartesian coordinates. The real radar observation vector including target range and bearing is generally stated in Polar coordinates, and the nonlinearity of the radar observations in the Polar coordinates makes it necessary to implement the       nonlinear estimation approaches such as unscented Kalman filter (UKF) or extended Kalman filter (EKF). In this paper, high maneuvering target tracking is performed using the augmented state idea in the Polar coordinates based on UKF. The new proposed method also overcomes the late convergence of estimation and prevents filter divergence using the adaptive covariance matrix approach. The simulation results     obtained by the proposed method for both medium and high maneuvering scenarios show more than 90  percent improvement compared with the UKF and EKF algorithms.