Алгоритм супроводження кількох цілей з сумісним ймовірнісним ототожненням даних з використанням координатної і амплітудної інформації
DOI:
https://doi.org/10.64915/RADAP.2026.103.51-60Ключові слова:
FMCW радар, БПЛА, багатоцільове супроводження, хибні відмітки, спільне ймовірнісне ототожнення даних, фільтр Калмана, апостеріорна ймовірність, вирішальна статистика, відношення сигнал/шум, зрив супроводженняАнотація
Широке застосування малорозмірних безпілотних літальних апаратів (БПЛА) обумовлює актуальність задачі їхнього супроводження в умовах, коли об'єкти перебувають на малих відстанях, а також їхні траєкторії перетинаються. Сучасним засобом виявлення і супроводження малорозмірних БПЛА є радар з частотно-модульованим безперервним випромінюванням (Frequency-Modulated Continuous-Wave, FMCW) , який дозволяє суттєво зменшити пікову потужність випромінювання, а отже — знизити енергоспоживання та покращити масо-габаритні й вартісні характеристики системи. Малорозмірні БПЛА мають екстремально низькі значення ефективної поверхні розсіювання. Збільшення дальності виявлення малорозмірних БПЛА FMCW радаром може бути досягнуто шляхом зниження порога виявлення, що однак призводить до значного зростання ймовірності хибної тривоги. Для підвищення ефективності супроводження кількох цілей за даними FMCW радара при наявності значної кількості хибних відміток в роботі розроблено алгоритм — фільтр з сумісним ймовірносним ототожненням даних з використанням амплітудної інформації (Amplitude-Aided Joint Probabilistic Data Association Filter, AA-JPDAF), в якому в якості додаткової інформації запропоновано використовувати вирішальні статистики (амплітудну інформацію) з виходу оптимального приймача первинної обробки сигналів. Ця інформація використовується на етапі ототожнення відміток за траєкторіями на основі методу спільного ймовірнісного ототожнення даних (Joint Probabilistic Data Association, JPDA). Оцінювання параметрів руху цілей за кожною траєкторією відбувається з використанням розширеного фільтра Калмана (Extended Kalman Filter, EKF). Аналіз алгоритму AA-JPDAF і його порівняння з відомим алгоритмом JPDAF проведено шляхом статистичного моделювання для сценаріїв із перетином траєкторій та тривалим паралельним рухом цілей на малих відстанях.
Посилання
1. W. Khawaja, M. Ezuma, V. Semkin, F. Erden, O. Ozdemir, and I. Guvenc. (2025). A Survey on Detection, Classification, and Tracking of AAVs Using Radar and Communications Systems. IEEE Communications Surveys and Tutorials, early access, doi: 10.1109/COMST.2025.3554613.
2. Y. Mekdad et al. (2023). A Survey on Security and Privacy Issues of UAVs. Computer Networks, Vol. 224, Art. no. 109626, doi: 10.1016/j.comnet.2023.109626.
3. Y. Alqudsi and M. Makaraci. (2025). UAV swarms: Research, challenges and future directions. Journal of Engineering and Applied Science, Vol. 1, doi: 10.1186/s44147-025-00582-3.
4. A. N. Sayed, O. M. Ramahi, and G. Shaker. (2024). Frequency-Modulated Continuous-Wave Radar Perspectives on Unmanned Aerial Vehicle Detection and Classification: A Primer for Researchers with Comprehensive Machine Learning Review and Emphasis on Full-Wave Electromagnetic Computer-Aided Design Tools. Drones, Vol. 8, No. 8, Art. no. 370, doi: 10.3390/drones8080370.
5. I. K. Kapoulas, A. Hatziefremidis, A. K. Baldoukas, E. S. Valamontes, and J. C. Statharas. (2023). Small Fixed-Wing UAV Radar Cross-Section Signature Investigation and Detection and Classification of Distance Estimation Using Realistic Parameters of a Commercial Anti-Drone System. Drones, Vol. 7, No. 1, Art. no. 39, doi: 10.3390/drones7010039.
6. M. I. Skolnik. (2008). Radar Handbook, 3rd ed. New York, NY, USA: McGraw-Hill, 1352 p.
7. Y. Bar-Shalom, X. R. Li, and T. Kirubarajan. (2011). Tracking and Data Fusion: A Handbook of Algorithms. Storrs, CT, USA: YBS Publishing, 1250 p.
8. L. A. Kuzmin. (2000). Digital radar. Introduction to theory [Tsifrovaya radiolokatsiya. Vvedenie v teoriyu]. Kiev, Ukraine: KVITs.
9. O. S. Neuimin and S. Y. Zhuk. (2014). Sequential detection of target trajectory using the decision statistics of pips. Radioelectronics and Communications Systems, Vol. 57, pp. 262-273, doi: 10.3103/S0735272714060041.
10. T. V. Malenchyk and S. Ya. Zhuk. (2024). Algorithm for Sequential Detection of Trajectory of Small Sized UAV by FMCW Radar According to Strongest Neighbor Criterion. Visnyk NTUU KPI Seriia -- Radiotekhnika Radioaparatobuduvannia, No. 98, pp. 23-29, doi: 10.20535/RADAP.2024.98.23-29.
11. S. Ya. Zhuk, T. V. Malenchyk, O. S. Neuimin, and O. Myronchuk. (2022). Adaptive Radar Tracking Algorithm for Maneuverable UAV with Probabilistic Identification of Data Using Coordinate and Amplitude Characteristics. Radioelectronics and Communications Systems, Vol. 65, No. 10, pp. 503-516, doi: 10.3103/S073527272212007X.
12. B.-N. Vo, M. Mallick, Y. Bar-Shalom, S. Coraluppi, R. Osborne III, R. Mahler, and B.-T. Vo. (2015). Multitarget Tracking, in Wiley Encyclopedia of Electrical and Electronics Engineering, J. G. Webster, Ed. Hoboken, NJ, USA: Wiley, doi: 10.1002/047134608X.W8275.
13. D. K. Barton. (2005). Radar System Analysis and Modelling. Norwood, MA, USA: Artech House, 549 p.
14. Y. Bar-Shalom, X. R. Li, and T. Kirubarajan. (2001). Estimation with Applications to Tracking and Navigation: Theory, Algorithms and Software. New York, NY, USA: Wiley, DOI:10.1002/0471221279.
15. X. R. Li and Y. Zhao. (2006). Evaluation of estimation algorithms — Part I: Incomprehensive measures of performance. IEEE Transactions on Aerospace and Electronic Systems, Vol. 42, No. 4, pp. 1340--1358, DOI: 10.1109/TAES.2006.314576.
16. S. Blackman and R. Popoli. (1999). Design and Analysis of Modern Tracking Systems. Norwood, MA, USA: Artech House, 1230 p.
17. H. You, X. Jianjuan, and G. Xin. (2016). Radar Data Processing with Applications. Singapore: John Wiley & Sons Singapore Pte. Ltd., doi: 10.1002/9781118956878.
18. R. P. S. Mahler. (2007). Statistical Multisource-Multitarget Information Fusion. Norwood, MA, USA: Artech House, 888 p.
19. Y. Huang, T. L. Song, and D. H. Cheagal. (2019). Markov Chain Realization of Multiple Detection Joint Integrated Probabilistic Data Association. Sensors, Vol. 19, No. 1, Art. no. 112, doi: 10.3390/s19010112.
20. S. Liang, Y. Zhu, and H. Li. (2022). Evolutionary Optimization Based Set Joint Integrated Probabilistic Data Association Filter. Electronics, Vol. 11, No. 4, Art. no. 582, doi: 10.3390/electronics11040582.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 І. С. Ковтун , С. Я. Жук
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
