Prepared: Johan Degerman Approved: Checked: Date: 2010-10-17 Confidentiality Class: ÖPPEN Document Number: sv Revision: A Document Name: Målföljning för.

En presentation över ämnet: "Prepared: Johan Degerman Approved: Checked: Date: 2010-10-17 Confidentiality Class: ÖPPEN Document Number: sv Revision: A Document Name: Målföljning för."— Presentationens avskrift:

1 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 Systems Johan Degerman

2 ÖPPEN Sida 2 (22) Rev A sv Inblandade parter Chalmers, Signaler och System Saab Electronic Defence Systems Saab Bofors Dynamics Sponsor: Vinnova

3 ÖPPEN Sida 3 (22) Rev A sv 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).

4 ÖPPEN Sida 4 (22) Rev A sv 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.

5 ÖPPEN Sida 5 (22) Rev A sv 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.

6 ÖPPEN Sida 6 (22) Rev A sv 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

7 ÖPPEN Sida 7 (22) Rev A sv Vilka tekniska delområden inom målföljning har behandlats? FiltreringDataassociering 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).

8 ÖPPEN Sida 8 (22) Rev A sv Vilka tekniska delområden inom målföljning har behandlats? FiltreringDataassociering 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

9 ÖPPEN Sida 9 (22) Rev A sv Vilka tekniska delområden inom målföljning har behandlats? FiltreringDataassociering CPHD Upplösnings modell 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 STCMHT Målföljning utan id

10 ÖPPEN Sida 10 (22) Rev A sv Internationellt utbyte i programmet Fraunhofer - FKIE (forna FGAN) Wolfgang Koch och Martin Ulmke

11 ÖPPEN Sida 11 (22) Rev A sv Varför målföljning utan mål-id? Ibland är man inte intresserad av ”vem som är vem”.

12 ÖPPEN Sida 12 (22) Rev A sv 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.

13 ÖPPEN Sida 13 (22) Rev A sv 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.

14 ÖPPEN Sida 14 (22) Rev A sv 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

15 ÖPPEN Sida 15 (22) Rev A sv Upplösningsproblem 1: Hög upplösning I MHT-ramverket kan man klustra detektioner och skapa klustringshypoteser likväl som associeringshypoteser.

16 ÖPPEN Sida 16 (22) Rev A sv 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.

17 ÖPPEN Sida 17 (22) Rev A sv Upplösningsproblem 2: Låg upplösning I det omvända fallet handlar det om att klustra målspår för att tilldela en gemensam inmätning.

18 ÖPPEN Sida 18 (22) Rev A sv 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 oupplösta Mål 1,2 och 3 är oupplösta

19 ÖPPEN Sida 19 (22) Rev A sv Resultat för upplösningsmodell Utan upplösningsmodell Med upplösningsmodell Upplösta mål MOSPA [m] y position [m] time [m] x position [m]

20 ÖPPEN Sida 20 (22) Rev A sv 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.

21 ÖPPEN Sida 21 (22) Rev A sv 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.

22