تعیین مسیر بهینه رؤیتگر در ردیابی دو هدف با استفاده از اندازه‌گیری‌های زاویه سمت
محورهای موضوعی : انرژی های تجدیدپذیرسید احسان رضوی 1 , پرستو پور سلطانی 2 , ناصر پریز 3
1 - استادیار، گروه برق ، واحد مشهد، دانشگاه آزاد اسلامی، مشهد ، ایران
2 - گروه برق ، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
3 - استاد، گروه برق ، دانشکده فنی و مهندسی ، دانشگاه فردوسی مشهد ، مشهد، ایران
کلید واژه: الگوریتم ژنتیک, فیلتر کالمن توسعه یافته, ردیابی هدف با استفاده از زاویه سمت, طراحی بهینه مسیر رویت‌گر, فیلتر کالمن بدون بو,
چکیده مقاله :
از مسائل مهم در بسیاری از زمینه های نظارت، مونیتورینگ و سیستم های خدمات ارتباطی مدرن،مکان یابی و ردیابی چندین هدف می باشد که یک تعمیم منطقی از مسئله فیلترینگ تک هدفه است.به همین منظور لازم است از فیلترهایی استفاده شود که جهت یا فاصله نسبی هدف تا رویت گر را اندازه گیری می کنند. مزیت کاربردی استفاده از چنین سنسورهایی آن است که موقعیت سنسور را نشان نمی دهند.یکی از مسائل اساسی در زمینه ردیابی هنگامی که حسگر تنها جهت هدف را اندازه گیری می کند،وابستگی دقت تخمین به مسیر حرکت رویت گر است.توجه به مباحث مطرح شده تخمین موقعیت هدف بسیار ضروری است. لذا در این مقاله هدف تعیین مسیر بهینه ی رویت گر در ردیابی دو هدف متحرک می باشد، بطوریکه کارایی ردیابی افزایش یابد.ردیابی هدف توسط یک رویت گر و تنها از روی اندازه گیری جهت هدف نسبت به رویت گر صورت می گیرد. ابتدا مسیر رویت گر بصورت یک پروفایل ریاضی مطرح می شود و ضرایب آن توسط الگوریتم بهینه سازی بدست می آیند که کمترین میزان خطا را در ردیابی هدف با استفاده از فیلتر کالمن توسعه یافته که بعنوان یک تخمین گر بهینه انجام می شود.سپس مسیر دیگری معرفی می شود که بر اساس تخمین های بدست آمده توسط دو فیلتر کالمن توسعه یافته و بعد از آن فیلتر کالمن بدون بو می باشد.با مقایسه این دو روش و نتایج بدست آمده از مسیر بهینه سازی توسط الگوریتم ژنتیک چند هدفه،بهترین آن ها برای ادامه مسیر رویت گر مورد نظر پیشنهاد می شود.
Multi-target tracking is considered to be a significant issue in various areas of monitoring, supervision, and updated communication services. It is a logical, generalized, single-target tracking problem. Therefore, it is of paramount importance to apply filters to measure the direction or relative distance of the target from the viewer. Not showing the position of the sensor is the functional advantage of such sensors. One of the main issues in tracking is the dependence of estimation accuracy on the moving path of the viewer when the sensor only measures the direction of the target. With this background in mind, it is essential to estimate the position of the target. The present study aimed to determine the optimal path of the viewer in the tracking of two moving targets in order to improve the tracking performance. Target tracking was performed by a viewer only by measuring the direction of the target toward the viewer. Initially, the viewer path was introduced as a mathematical profile, and its coefficients were determined using an optimization algorithm, which demonstrated the lowest error rate in target tracking using the Kalman filter as an optimal estimator. Afterwards, another path was introduced, which was developed based on the estimates obtained by two Kalman filters, followed by the unscented Kalman filter. At the final stage, the most efficient method to continue the desired viewer path was proposed based on the comparison of the two methods, and the results of the optimization path were obtained using a multi-objective genetic algorithm.
1. D. J. Torrieri, “Statistical theory of passive location systems”, IEEE Trans.on Aerospace and Electronic Systems, Vol. 20, No. 2, pp. 183-198, 1984 (doi:10.1109/TAES.1984.310439).
2. L. M. Kaplan, “Global node selection for localization in a distributed sensor network”, IEEE Trans. on Aerospace and Electronic Systems, Vol. 42, No. 1, pp. 113-135, 2006 (doi:10.1109/TAES.2006.1603409).
3. K. Dogancay, “Least squares algorithms for constant acceleration target tracking”, Proceedings of the IEEE/PRDAR, Adelaide, SA, Australia, pp. 566-571. Sep. 2003 (doi:10.1109/RADAR.2003.1278803).
4. M. Wax, “Position location from sensors with position uncertainty”, IEEE Trans. on Aerospace and Electronic Systems, Vol. 19, No. 5, pp. 658-662, 1983 (doi:10.1109/TAES.1983.309367).
5. W. H. Foy, “Position-location solutions by taylor-series estimation”, IEEE Trans. on Aerospace and Electronic Systems, Vol.12, No. 2, pp. 187-194, 1976 (doi:10.1109/TAES.1976.308294).
6. R. G. Stansfield, “Statistical theory of D. F. fixing”, Journal Institution Electrical Engineering, Vol. 94, No. 15, pp. 186–207, 1947 (doi: 10.1049/ji-3a-2.1947.0096).
7. C. J. Ancker, “Airborne direction finding-the theory of navigation errors”, IRE Trans. on Aeronautical and Navigational Electronics, Vol.5, No. 4, pp. 199-210, 1958 (doi:10.1109/TANE3.1958.4201630).
8. M. Gavish, E. Fogel, “Effect of bias on bearing-only target location”, IEEE Trans. on Aerospace and Electronic Systems, Vol. 26, No. 1, pp. 22-26, 1990 (doi:10.1109/7.53410).
9. R. A. Singer, “Estimating optimal tracking filter performance for manned maneuvering targets”,IEEE Trans. on Aerospace and Electronic Systems, Vol. 6, No. 4, pp. 473-483, 1970 (doi:10.1109/TAES.1970.310128).
10. B.S Yaakov ,Li, X.-R Long, K. Thia. “estimation with applications to tracking and navigation”, Theory, Algorithms and Software. 10.1002/0471221279.ch11, 2004.
11. H. Zhang, F. Dufour, J. Anselmi, D. Laneuville, A. Nègre, “Piecewise optimal trajectories of observer for bearings-only tracking by quantization”, Proceeding of the IEEE/ICIF, Xi'an, China, pp. 1-7.2017 (doi:10.23919/ICIF.2017.8009824).
12. M. McGuire, K. N. Plataniotis, A. N. Venetsanopoulos, “Data fusion of power and time measurements for mobile terminal location”, IEEE Trans. on Mobile Computing, Vol. 4, No. 2, pp. 142-153, April 2005 (doi:10.1109/TMC.2005.24).
13. N. Patwari, A.O. Hero, M. Perkins, N.S. Correal, R.J. O'Dea, “Relative location estimation in wireless sensor networks”, IEEE Trans. on Signal Processing, Vol. 51, No. 8, pp. 2137-2148, 2003 (doi: 10.1109/TSP.2003.814469).
14. K. Dogancay, “Least squares algorithms for constant acceleration target tracking”, Proceedings of the IEEE/PADAR, pp. 566-571, Adelaide, SA, Australia, Australia 2003 (doi:10.1109/RADAR.2003.1278803).
15. S.J. Godsill, J. Vermaak, W. Ng, J.F. Li, “Models and algorithms for tracking of maneuvering objects using variable rate particle filters”, Proceedings of the IEEE/JPROC, Vol. 95, No. 5, pp. 925-952, May 2007 (doi:10.1109/JPROC.2007.894708).
16. I. R. Karlsson, N. Bergman, “Auxiliary particle filters for tracking a maneuvering target”, Proceedings of the IEEE/CDC, Vol. 4, pp. 3891-3895, Sydney, NSW, Australia, Dec. 2000 (doi:10.1109/CDC.2000.912320).
17. S.A.A. Shahidian, H. Soltanizadeh, “Single- and multi-UAV trajectory control in RF source localization”, Arabian Journal for Science and Engineering, Vol. 42, No. 2, pp 459–466, 2017 (doi:10.1007/s13369-016-2237-9).
18. V. J. Aidala, “Kalman filter behavior in bearings-only tracking applications”, IEEE Trans. on Aerospace and Electronic Systems, Vol. 15, No. 1, pp. 29-39, Jan. 1979 (doi:10.1109/TAES.1979.308793).
19. D. Lerro, Y. Bar-Shalom, “Bias compensation for improved recursive bearings-only target state estimation”, Proceedings of IEEE/ACC, Vol. 1, pp. 648-652, Seattle, WA, USA, 1995 (doi:10.1109/ACC.1995.529330).
20. W. Wang, S. Liao, T. Xing, “The unscented kalman filter for state estimation of 3-dimension bearing-only tracking”, Proceeding of IEEE/ICIECS, pp. 1-5,2009 (doi:10.1109/ICIECS.2009.5366448).
21. R. Yang, G.W. Ng, Y. Bar-Shalom, “Bearings-only tracking with fusion from heterogenous passive sensors: ESM/EO and acoustic”, Proceeding of the IEEE/ICIF, pp. 1810-1816, Washington, DC, USA, July 2015.
22. S.J. Godsill, J. Vermaak, W. Ng, J.F. Li, “Models and algorithms for tracking of maneuvering objects using variable rate particle filters”, Proceedings of the IEEE, Vol. 95, No. 5, pp. 925-952, May 2007 (doi:10.1109/JPROC.2007.894708).
23. V. Aidala, S. Hammel, “Utilization of modified polar coordinates for bearings-only tracking”, IEEE Trans. on Automatic Control, Vol. 28, No. 3, pp. 283-294, March 1983 (doi:10.1109/TAC.1983.1103230).
24. A. Nayebi-Astaneh, “Optimal observer trajectory generation in bearings-only target tracking in the presence of sensor and environment constraints”, Ph.D. Dissertation. Ferdowsi Universityof Mashhad Faculty of Engineering, 2014.
25. S. S¨arkk¨a. “Recursive Bayesian Inference on Stochastic Differential Equations”, Doctoral dissertation, Helsinki University of Technology, 2006.
26. M.T. Sabet, A.R. Fathi, H. R. M. Daniali, “Optimal design of the own ship maneuver in the bearing-only target motion analysis problem using a heuristically supervised extended kalman filter”, Ocean Engineering, Vol. 123, pp. 146-153, 2016 (doi: 10.1016/j.oceaneng.2016.07.028).
27. Y. Xu, L. Liping, “Single observer bearings-only tracking with the unscented Kalman filter”, Proceeding of the IEEE/ICCCAS, Vol.2, pp. 901-905, June 2004 (doi:10.1109/ICCCAS.2004.1346326).
28. B. Sindhu, V. Jayaraman, S. Christopher, “Bearing only target tracking using single and multisensor: A Review”, Journal Of Engineering Science And Technology Review, Vol. 12, No. pp. 50-65,2019 (doi:10.25103/jestr.121.07).
29. S. K. Rao, “Bearings-only tracking: observer maneuver recommendation”, IETE Journal of Research, Oct. 2018 (doi:10.1080/03772063.2018.1535917).
30. R. He,S. Chen, H. Wu, Z. Liu, J. Chen , “Optimal maneuver strategy of observer for bearing-only tracking in threat environment”, International Journal of Aerospace Engineering, pp. 1-9, July 2018 (doi:10.1155/2018/7901917).
_||_