ردیابی اهداف هوایی مانوردار با استفاده از فیلتر ذره ای تکاملی

مشرقیان, الهام; عاروان, محمد; نصراللهی, سعید; علیرضاپوری, محمدعلی

ردیابی اهداف هوایی مانوردار با استفاده از فیلتر ذره ای تکاملی

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشگاه صنعتی مالک اشتر، دانشکده برق و کامپیوتر

چکیده

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.

کلیدواژه‌ها

موضوعات

کنترل فرآیند اتفاقی

عنوان مقاله [English]

Maneuvering Air Target Tracking with Evolutionary Particle Filter

نویسندگان [English]

Elham Mashreghian
Mohammad Arvan
Saeed nasrollahi
Mohammad ali Alirezapouri

Malek Ashtar University of Technology, Faculty of Electricity and Computer

چکیده [English]

Maneuvering air targets Tracking has many applications in defensive and non-defensive 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 non-Gaussian 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 real-time 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.

کلیدواژه‌ها [English]

Singer Acceleration Model
Target Tracking
Evolutionary Algorithms
Particle Filter
Evolutionary Particle Filter

مراجع

[1] J.S. Meditch, Stochastic Optimal Linear Estimation and Control, 1969.

[2] S. Rahnama and MR. Arvan, 2011, “Comparison of Extended and Unscented Kalman Smoother in Deriving Kinematic Characteristics of a High Maneuver Flying Target”, Proc. of the International Conference. on Modeling, Identification and Control, (ICMIC2011), Shanghai, Chaina, 26-29.

[3] S. Jihong,L. Yanan,L. Siyuan, and S. Zhuo, 2015, “Nonlinear Radar Tracking Data Filtering with Unscented Kalman Filter”, The Proceedings of the Third International Conference on Communications, Signal Processing, and Systems, Lecture Notes in Electrical Engineering 322, DOI 10.1007/978-3-319- 08991-1_15.

[4] Sh. Sanjivani, V. Kesari and M. Kamal, 2015, “Multiple Object Tracking using Kalman Filter and Optical Flow”, European Journal of Advances in Engineering and Technology, 2(2): 34-39.

[5] J. Kim, M. Tandale, P.K. Menon and E. Ohlmeyer, , 2010, Particle filter for ballistic target tracking with glint noise, Journal of guidance, control, and dynamics, 33(6), pp.1918-1921.

[6] Dan Simon, Optimal state estimation: Kalman, H infinity, and nonlinear approaches, John Wiley & Sons, 2006.

[7] B. Ristic, S. Arulampalam, N. Gordon, Beyond the Kalman filter: Particle filters for tracking applications, Artech house Boston, 2004.

[8]رمضان هاونگی، محمد تشنه لب، محمدعلی نکویی و حمیدرضا تقی راد، بررسی مسئلهی تخمین از دیدگاه بهینهسازی مقید و طراحی تخمینگر تکاملی، مجله مکانیک هوافضا، جلد 7، شماره .1361 ،1

[9] A. Doucet, N. De Freitas, N. Gordon, 2001, “An introduction to sequential Monte Carlo methods”,

Springer. [10] R. Van Der Merwe, A. Doucet, N. De Freitas, E. Wan, 2000, “The unscented particle filter”, NIPS, pp. 584-590.

[11] T. Higuchi, 1997, “Monte Carlo filter using the genetic algorithm operators”, Journal of Statistical Computation and Simulation, 59, 1-23.

[12] R. Havangi, M.A. Nekoui, M. Teshnehlab, 2010, “A multi swarm particle filter for mobile robot localization”, International Journal of Computer Science, 7, 15-22.

[13] L. Ziyu, L. Yan, S. Lei, C. Ying, 2013, “Particle Filter Based on Pseudo Parallel Genetic Algorithm”, International Conference on Computational and Information Sciences, IEEE, pp. 195-198.

[14] S.M.K. Heris, H. Khaloozadeh, 2014, “Ant Colony Estimator: An intelligent particle filter based on ACOR”, Engineering Applications of Artificial Intelligence, 28, 78-85.

[15] S.S.S. Hosseini, M.M. Jamali, J. Astola & P.V. Gorsevski, 2016, “Target tracking via combination of particle filter and optimisation techniques”, International Journal of Mathematical Modelling and Numerical Optimisation, 7(2), 212-229.

[16 ]رمضان هاونگی، افزایش سازگاری فیلتر ذرهای با استفاده از روشهای کلاسیک و الگوریتم اجتماع ذرات، هوش محاسباتی در . مهندسی برق، سال هفتم، شماره دوم، تابستان 65

[17] G. Xia & S.A. Ludwig, 2016, “Object-tracking based on particle filter using particle swarm optimization with density estimation”, In Evolutionary Computation (CEC), pp. 4151-4158.

[18] F. Xiao, 2016, “Research on PSOGA particle filter video object tracking algorithm based on local multi-zone”. In Control and Decision Conference (CCDC), pp. 3949-3954.

[19] R. Havangi, 2017, “Joint Parameter and State Estimation Based on Marginal Particle Filter and Particle Swarm Optimization”, Circuits, Systems, and Signal Processing, 1-18.

[20 ]حبیب مطیع قادر، شهریار لطفی و میرمهدی سیداسفلان، مروری بر برخی از روشهای بهینهسازی هوشمند، انتشارات . دانشگاه آزاد اسلامی، واحد شبستر، 1386

[21] G. Tong, Z. Fang, X. Xu, 2006, “A particle swarm optimized particle filter for nonlinear system

state estimation, Evolutionary Computation”, IEEE Congress on, pp. 438-442.

[22] X.R. Li, V.P. Jilkov, 2003, “Survey of maneuvering target tracking. Part I. Dynamic models”, Aerospace and Electronic Systems, IEEE Transactions on, 39, 1333-1364.

[23 ] مرتضی رضایی، محمدرضا عاروان و سجاد ازگلی، تعیین موقعیت هدف پرنده با استفاده از اندازهگیریهای زاویهای، اولین کنفرانس بین المللی کنترل و ابزار دقیق، دانشگاه تربیت مدرس، . خرداد 1386