Kotelnikov Institute of Radio Engineering and Electronics of RAS Русский Sign in Submit a paper
Journal of Radio Electronics Online scientific journal · eISSN 1684-1719
2019, № 6 · MATHEMATICAL MODELS IN RADIO ELECTRONICS PROBLEMS

Effective detection of strong maneuvers of object in noisy measurements conditions

I.A. Kalinov1,2,3,4, R.T. Agishev1,2,3,4

1 Московский физико-технический институт (государственный университет)
2 Moscow Institute of Physics and Technology (State University), Dolgoprudny, Russia
3 Сколковский институт науки и технологий, Moscow, Russia
4 Skolkovo Institute of Science and Technology, Russia
Full text (PDF) DOI: 10.30898/1684-1719.2019.6.3 EDN XBZCID

Abstract

In this paper coordinate measurements of the object, which trajectory includes strong maneuvers, are used as input data. Strong maneuvers described here as fast turns of the object in sharp angles. Measurement data are very noisy, and standard filtration methods (Kalman filter) don’t give satisfactory results. In this paper an improved filtration method that is capable to detect strong maneuvers effectively was implemented. The filtration algorithm was applied to multirotor UAV’s tracking task.

  • бпла
  • обработка цифровых сигналов
  • фильтр Калмана
  • анализ траектории
  • uav
  • Dsp
  • kalman filter
  • trajectory analisys
Аннотация (на русском)

Эффективное обнаружение сильных маневров объекта в условиях зашумленных измерений

В данной работе в качестве входных данных используются координатные измерения объекта, траектория которых включает в себя сильные маневры. Сильные маневры описываются здесь как быстрые повороты объекта под острыми углами. Данные измерений очень зашумленные, и стандартные методы фильтрации (фильтр Калмана) не дают удовлетворительные результаты. В этой статье представлен примененный усовершенствованный метод фильтрации, способный эффективно обнаруживать сильные маневры. Алгоритм фильтрации применялся к задаче слежения за многороторным БПЛА.

For citation

Kalinov I.A., Agishev R.T. Effective detection of strong maneuvers of object in noisy measurements conditions // Journal of Radio Electronics. – 2019. – No. 6. https://doi.org/10.30898/1684-1719.2019.6.3

References

  1. Z. Li,H. Wu. A survey of maneuvering target tracking using Kalman filter. Proc. 4th Int. Conf. Mechatronics, Mater., Chem. Comput. Eng. (ICMMCCE), 2015, Vol. 39. pp. 542-545.
  2. M. Boutayeb, D. Aubry. A strong tracking extended Kalman observer for nonlinear discrete-time systems. IEEE Trans. Autom. Control, 1999, Vol. 44, No. 8, pp. 1550-1556.
  3. X. Yun, E. R. Bachmann. ‘Design, implementation, and experimental results of a quaternion-based Kalman filter for human body motion tracking. IEEE Trans. Robot., 2006, Vol. 22, No. 6, pp. 1216-1227.
  4. Y. T. Chan, A. G. C. Hu, J. B. Plant. Kalman filter based tracking scheme with input estimatio. IEEE Trans. Aerosp. Electron. Syst., 1979, Vol. AES-15, No. 2, pp. 237-244.
  5. C. Snyder, F. Q. Zhang. Assimilation of simulated Doppler radar observations with an ensemble Kalman filter. Monthly Weather Rev., 2003, Vol. 131,Nno. 8, pp. 1663-1677.
  6. F. E. Daum, R. J. Fitzgerald. Decoupled Kalman filters for phasedarray radar tracking. IEEE Trans. Autom. Control, 1983, Vol. AC-28, No. 3, pp. 269-283.
  7. R. S. Scalero, N. Tepedelenlioglu. A fast new algorithm for training feedforward neural networks. IEEE Trans. Signal Process., 1992, Vol. 40, No. 1, pp. 202-210.
  8. Y. Iiguni, H. Sakai, H. Tokumaru. A real-time learning algorithm for a multilayered neural network based on the extended Kalman filter. IEEE Trans. Signal Process., 1992, Vol. 40, No. 4, pp. 959-966.
  9. P. Agarwal, D. Federman, K. Ge, T. Jan, C. Jones, Y. Lou, J. Ma, S. Modi, K. Shi, V. Tan. Target tracking: Implementing the Kalman filter. Available at https://ru.scribd.com/document/139119669/Tracking-Polar-Kalman
  10. Gabriel F. Basso, Thulio Guilherme Silva De Amorim, Alisson V. Brito, Tiago P. Nascimento. Kalman Filter With Dynamical Setting of Optimal Process Noise Covariance. IEEE Access, 2017, Vol. 5, pp. 8385-8393.