O filtro de Kalman

O filtro de Kalman é similar ao filtro de rastreamento clássico, com exceção que é capaz de fornecer inerentemente o modelo dinâmico de alvos manobrantes. No filtro de Kalman um modelo para a medida do erro foi incluído, assim como um modelo para a trajetória do alvo e para as perturbações ou incertezas da trajetória. Estas perturbações da trajetória podem ser devido a um abandono das derivadas de mais alta ordem no modelo dinâmico, movimentos aleatórios devido a turbulência atmosférica, ou manobras deliberadas do alvo. O filtro de Kalman pode, em princípio, utilizar uma grande variedade de modelos para a medida da perturbação da trajetória e do ruído; contudo, supõe-se com frequência que são do tipo ruído branco e com média zero. Nem sempre um alvo manobrando se encaixa em um modelo ideal, pois é muito provável que produzam observações correlatas. A inclusão própria de um modelo dinâmico realista, aumenta a complexidade dos cálculos. É difícil de descrever

a priori, a precisa natureza das perturbações. É necessário alguma forma de se adaptar

as manobras . O filtro de Kalman é sofisticado e preciso, mas é mais complicado de se montar que muitos outros métodos usados para a predição de dados de rastreamento. Porém, se o filtro de Kalman fosse restrito ao modelo de trajetória de alvo em linha reta e a medida do ruído e do ruído de perturbação da trajetória fossem modelados como ruído branco Gaussiano de média zero, as equações do filtro de Kalman se reduziriam as equações do filtro com os parâmetros e sendo computados sequencialmente pelo filtro de Kalman (SKOLNIK, 1981).

Até agora, foi usado um modelo determinístico para o movimento do alvo. Especificamente foi supusto que o alvo possui uma velocidade constante dada por:

No mundo real, o alvo não tem velocidade constante o tempo todo. Existe uma incerteza na trajetória do alvo, a aceleração do alvo ou mudança de direção em um dado momento. Kalman inseriu esta incerteza no movimento do alvo por meio da adição de um componente aleatório a dinâmica do alvo. Por exemplo, um

componente deve ser adicionado a velocidade de alvo como indicado pelas seguintes equações de dinâmica do alvo:

onde é uma variação aleatória na velocidade do tempo para o tempo . Supõe-se que é independente de até pra todo e tem variância . Fisicamente, representa um salto aleatório da velocidade que ocorreu um instante antes da observação de (BROOKNER, 1998).

O componente de velocidade aleatória , é ajustado de forma a considerar uma possível aceleração do alvo, ou um movimento brusco. O modelo dinâmico aleatório tem o nome de ruído do processo, ruído de planta, ruído dinâmico ou ruído do sistema (BROOKNER, 1998).

Supondo que representa a localização real do alvo no tempo . Supondo ainda que representa a posição prevista estimada do alvo no tempo baseado nas medidas feitas até o momento, incluindo o tempo . Kalman abordou a questão de como encontrar a estimativa ótima entre todas as classes de estimativas, lineares e não lineares, que minimizassem o erro médio quadrático

Após muito esforço, Kalman descobriu que o filtro ótimo é dado pelas seguintes equações:

Mas estas equações são idênticas as equações do filtro especificado anteriormente. Mas para o filtro de Kalman, o peso das variáveis e dependem de . Ainda mais, e são funções da variância da medida de posição do radar. Estas constantes de filtro também estão em função do quão preciso é o conhecimento da posição e da velocidade antes que qualquer medida seja feita, ou seja , o conhecimento anterior da trajetória do alvo, dados como a variância a priori da posição e da velocidade do alvo. No estado estacionário, as constantes de filtro

e são dadas por:

Portanto, o filtro de Kalman de estado estacionário, é idêntico ao filtro de Benedict- Bordner. O filtro de Kalman em sua forma geral foi desenvolvido antes do filtro de Benedict-Bordner. O filtro de Kalman foi apresentado pela primeira vez em 1960, enquanto que o filtro e Benedict-Bordner foi publicado em 1962 (BROOKNER,1998).

O filtro de Kalman se utiliza de forma ótima das medidas do alvo, ajustando os coeficientes do filtro e de forma a considerar a precisão da enésima medida. Por exemplo, se na enésima medida a taxa da relação sinal/ruído for muito boa, mais pecisa será a medição da posição do alvo, então e serão ajustados automaticamente para levar este fato em consideração. Especificamente, eles terão seu valor aumentado de forma a dar mais peso a esta medida mais precisa (BROOKNER, 1998).

O filtro de Kalman faz ótimo uso das informações a priori. Estas informações a priori, podem vir de outro radar que já venha rastreando o alvo a algum tempo e o está transferindo, como por exemplo, um radar de rota que está transferindo a alvo para a cobertura de um radar de aeroporto. Os dados do outro

radar podem ser usados para ajustar de maneira ótima os parâmetros e do novo radar. O filtro de Kalman escolhe automaticamente os pesos dos parâmetros e de forma que sejam de valor alto, como é necessário para uma ótima inicialização de rastreamento. Os pesos vão se ajustando lentamente de forma a atingirem um conjunto de pequenos valores constates após a inicialização do rastreamento. O modelo dinâmico incorporado pelo filtro e Kalman permite a direta determinação da taxa de atualização do filtro por meio de:

Fianlmente, a da adição da variável de velocidade aleatória força o filtro de Kalman ser sempre estável (BROOKNER, 1998).

Agora o filtro de Kalman será apresentado em sua forma matricial. Na forma matricial, o filtro de Kalman pode ser aplicado de forma mais abrangente que o caso unidimensional já apresentado.

Primeiro, o modelo dinâmico do sistema será apresentado na forma matricial. Em seguida, o modelo do sistema dinâmico aleatório será apresentado na forma matricial. A forma matricial do modelo do sistema dinâmico é a seguinte:

,

onde:

vetor de estados

matriz do estado de transição em trajetória de velocidade constante

Para provar que a forma matricial é idêntica a forma apresentada pelas equações 5.1 e 5.2, basta substituir os valores e o resultado será:

que tem a forma idêntica as equações 5.1 e 5.2.

O vetor representa o estado da trajetória do alvo. Este vetor é representado por uma matriz coluna, e representa as quantidades sendo rastreadas. Para o filtro que está sendo considerado, estas quantidades representam a posição do alvo e sua velocidade no tempo . Este vetor é denominado vetoer de dois estados, pois representa dois estados do alvo, sua posição e sua velocidade. A matriz , é a matriz de transição de estados. Esta matriz representa a transição do vetor de estados no tempo , para o vetor de estados no tempo um período depois (BROOKNER, 1998).

Agora se torna simples a transformação do modelo de sistema dinâmico aleatório em sua forma matricial. A equação se torna:

onde;

vetor do modelo dinâmico de ruído do sistema

Para novamente provar que as equações e a forma matricial são idênticas, faz-se novamente a substituição e temos:

Que prova que ambas as fomas são idênticas.

Agora a equação de medida do radar será posta na forma matricial, e será dada por:

,

onde:

matriz de observação erro da observação matriz de medidas

A equação é chamada de equação de observação do sistema, porque relaciona as quantidades sendo estimadas com os parâmetros sendo observados.

Ao invés de colocar as equações de rastreamento na forma matricial, serão colocadas as equações de filtragem e predição, pois estas combinadas gerarão as equações de rastreamento. Colocando-se a equação de predição na forma matricial temos:

Esta forma tem o nome de predição porque prevê a posição e a velocidade do alvo no tempo baseado na velocidade e na posição do alvo no tempo , e a posição e a velocidade previstas são dadas pelo vetor de estados. Colocando-se a equação de filtragem na forma matricial temos:

Esta equação é chamada de equação de filtragem porque fornece a estimativa atualizada da posição e velocidade presente do alvo. A matriz é a matriz resonsável por fornecer as constantes de filtragem-rastreamento e e é dada por:

Esta forma contudo, não diz como obter o valor das constantes. A forma seguinte nos mostra como obter estes valores:

onde;

(equação do preditor)

(modelo dinâmico de ruído de covariância)

(covariância do ruído de observação) (equação do corretor)

As covariâncias em e se aplicam

enquanto as entradas da matrizes coluna e tenham média zero. Senão, e , tem de ser substituídas por e , respectivamente. Fisicamente a matriz é uma estimativa da precisão em prever a posição e a velocidade do alvo no tempo baseado nas medidas em e em tempos anteriores. Neste caso, é a matriz de covariância do vetor de estados . A matriz fornece a precisão das medidas do radar. É a matriz da covariância da matriz de erros de medida . A matriz , fornece a magnitude da incerteza da trajetória do alvo, ou de forma equivalente, a capacidade de manobra do alvo. É a matriz de covariância do modelo dinâmico de ruído do sistema, ou seja, o componente de velocidade aleatório do alvo (BROOKNER,1998).

A equação permite a obtenção da matriz de covariância da predição , por meio da matriz de covariância da estimativa filtrada do vetor de estados do alvo no tempo dado por . A matriz de covariância da estimativa filtrada, por sua vez , é obtida da matriz de previsões prévias . As

equações , e

, permitem obter os pesos do filtro após sucessivos intervalos de observação (BROOKNER, 1998).

O mais interessante da forma matricial do filtro de Kalman, é que as equações apresentadas para o caso unidimensional (distância) de dois estados (posição e velocidade), é que pode ser extendida para o caso geral, ou seja, pode ser utilizada para o rastreamento co qualquer número de dimensões, sendo necessário apenas a identificação apropriada do vetor de estados, da matriz de observação, da matriz de transição, do modelo dinâmico e da matriz de covariância das medidas (BROOKNER,1998).

6 CONCLUSÃO

A quantidade de aeronaves que cruzam os céus hoje em dia, tem aumentado de forma acentuada a cada ano.

A precisão dos equipamentos de proteção ao vôo tem de acompanhar este crescimento de modo a não permitir que incidentes possam ocorrer abalando a confiança neste sistema.

Os sistemas de radar são parte integrante e muito importante do sistema de proteção ao vôo. Aonde quer que uma aeronave esteja voando, com certeza estará sob a cobertura de pelo menos um equipamento de radar.

O rastreamento correto dos alvos pelos sistemas de radar aumentam muito a segurança, reduzindo a possibilidade de falhas, tanto do próprio sistema quanto humanas.

Com o volume crescente de aeronaves, a precisão dos sistemas de rastreamento deve aumentar, pois a separação entre aeronaves em uma determinada região tem diminuído a cada dia, forçando o desenvolvimento de novas técnicas que permitam uma correta identificação e separação desses alvos.

As modernas técnicas de integração tem permitido que cada vez mais circuitos lógicos estejam alojados nos circuitos integrados, aliados a um aumento da velocidade de processamento das máquinas e redução dos custos, vem permitindo enormes avanços na área de processamento digital de sinais, área na qual os filtros digitais se encontram.

Há duas décadas atrás, a implementação de um filtro de Kalman em um equipamento de radar aumentava muito o custo final do equipamento, sendo utilizados outros tipos de filtros digitais mais simples como os do tipo , ao custo de um desempenho menor do sistema. Hoje os filtros do tipo são utilizados como pré filtros em um sistema de rastreamento com filtro de Kalman. O filtro de

Kalman é capaz de uma resposta mais precisa e mais eficiente que outros tipos de filtros utilizados para rastreamento de alvos. Mas com a evolução dos sistemas novas soluções na área dos filtros deve ser encontrada de modo a melhorar ainda mais a eficiência do sistema.

Atualmente, se discute um projeto no qual as torre de controles dos aeroportos venham a ser totalmente automáticas, sem a presença de operadores, o que acabaria com a principal fonte de erros do sistema, o homem. Mas para que tal projeto possa seguir adiante, a qualidade dos equipamentos tem de se elevar. O rastreamento das aeronaves tem de ser praticamente perfeito, pois o menor erro pode colocar o avião fora da pista no momento do pouso, ou na própia pista, um radar de superfície poderia desviar a aeronave para fora da pista de rolamento.

A aplicação da forma extendida do filtro de Kalman no rastreamento de aeronaves já é uma realidade, e a aplicação de filtros Bayesianos de forma mais complexa que o de Kalman também já tem sido experimentados.

A conclusão que se pode chegar é que, graças a grande quantidade de pesquisa e desenvolvimento de novas tecnologias no setor, em um breve intervalo de tempo, novas soluções estarão disponíveis para aplicação na área de rastreamento de alvos, permitindo que novos horizontes dentro da proteção ao vôo sejam alcançados.

REFERÊNCIAS BIBLIOGRÁFICAS

BROOKNER, Eli. Tracking and Kalman flitering made easy. New York: John Wiley & Sons. Inc. 1998. 463 p.

CHALLA, Subhash et al. Fundamentals of object tracking. San Diego: Cambridge University Press. 2011. 576 p.

DINIZ, Paulo Sérgio Ramirez; SILVA, Eduardo Antônio da; NETTO, Sérgio Lima. Processamento digital de sinais: projeto e análise de sistemas. Porto Alegre: Bookman. 2004. 590 p.

HAYKIN, Simon; VEEN, Barry Van. Sinais e sistemas. Porto Alegre: Bookman. 2002. 968 p.

JUCEWICZ, Stefan. Radar.São Paulo: Asa – Edições e artes gráficas. 1997. 144 p.

KOLAWOLE, Michael O. Radar systems, peak detection and tracking. Oxford: Newnes. 2002. 364 p.

LACOMME, Philippe et al. Air and spaceborn radar systems: An introduction. Norwich: Willian Andrews publishing. 2001. 504 p.

MAYBECK, Peter S. Stochastic models, estimation, and control. New York: Academic Press Inc. 1979. 423 p.

PROAKIS, John G. MANOLAKIS, Dimitris G. Digital signal processing: principles, algorithms and applications. 3rd. ed. New Jersey: Prentice Hall. 1996. 968 p.

SKOLNIK, Merril Ivan. Introduction to radar systems. 2nd ed. London: McGraw Hill. 1981.581 p.

SKOLNIK, Merril Ivan. Radar handbook. 2nd ed. New York: McGraw Hill. 1990. 1244 p.

TAN, Li. Digital signal processing. Fundamentals and applications. San Diego: Academic press. 2008. 880 p.

WELCH, Greg. BISHOP, Gary. An introduction to Kalman filter. Chapel Hill: University of North Carolina. 2006. 16 p.