ردیابی اهداف هوایی مانوردار با استفاده از فیلتر ذره ای تکاملی

ردیابی اهداف هوایی با مانور بالا کاربردهای زیادی در زمینه‌های دفاعی و غیردفاعی دارد. ردیابی هدف مستلزم تخمین توام موقعیت، سرعت و شتاب آن می‌باشد. در روش‌های مرسوم ردیابی اهداف هوایی فاصله تا هدف و زاویه سمت هدف که تابعی غیرخطی از حالت‌های سیستم می‌باشند، اندازه‌گیری می‌شوند. از آنجا که این اندازه‌گیری‌ها آغشته به نویز می‌باشند، جهت تخمین سرعت و شتاب هدف استفاده از روش‌های تخمین و فیلتر کردن امری ضروری است. فیلتر کالمن تعمیم‌یافته برای مواجهه با سیستم‌های غیرخطی و نویزهای گوسی عملکرد مناسبی دارد. ولی در پیاده‌سازی عملی با نویزهای غیرگوسی مانند نویز گلینت مواجه هستیم که در چنین مسائلی فیلترهای ذره‌ای عملکرد مناسب‌تری از خود نشان می‌دهند. از طرفی به علت بار محاسباتی بالای فیلترهای ذره‌ای، قابلیت پیاده‌سازی و بکارگیری آن‌ها به صورت بهنگام وجود ندارد. در این مقاله برای کاهش بار محاسباتی و بهبود عملکرد زمان حقیقی فیلتر ذره‌ای در حل مسئله ردیابی اهداف هوایی، از الگوریتم تکاملی بهینه‌سازی اجتماع ذرات در مرحله‌ی نمونه‌برداری استفاده شده است. روش پیشنهادی در سناریویی شامل تمام حالت‌های ممکن حرکت هدف با مانور بالا شبیه‌سازی و ارزیابی شده است. همچنین عملکرد فیلتر ذره‌ای تکاملی با فیلتر کالمن تعمیم‌یافته و تعدادی از فیلترهای ذره‌ای مقایسه شده است. نتایج حاصل از شبیه‌سازی حاکی از این است که فیلتر ذره‌ای تکاملی در عین دقت بسیار بالاتر نسبت به فیلترهای مقایسه شده، قابلیت بهنگام بودن در ردیابی اهداف هوایی مانوردار را دارد.

Maneuvering Air Target Tracking with Evolutionary Particle Filter

Maneuvering air targets Tracking has many applications in defensive and nondefensive areas. Target tracking requires the estimation of position, velocity, and acceleration, simultaneously. Common approaches for air targets tracking measures the distance to target and target heading angle which is a nonlinear function of system states. Since these measurements are noisy, using estimating and filtering methods for assessing the speed and acceleration of target is essential. Although, extended Kalman filter works well with nonlinear systems and Gaussian noises; in practice we encounter with nonGaussian noises such as Glint which particle filters show better performance in them. In addition, due to the high computational load of particle filters, implementing and applying them is impossible. In this paper, the evolutionary algorithm of particle swarm optimization has been used in the sampling step to reduce computational load and improve the realtime performance of particle filter in solving air target tracking problems. The proposed method is simulated and evaluated in a scenario involving all possible motions of the target with high maneuvering. In addition, performance of an evolutionary particle filter with some particle filters and extended Kalman filter is compared. The simulation results indicate that the evolutionary particle filter has the capability of real time air targets tracking with maneuvering in comparison with the particle filter and extended Kalman filter while having high precision.