Hava trafik kontrolu benzetiminde etkileşimli çoklu model (Interacting Multiple Model-IMM) kestirim performansı ve Kalman filtresi ile karşılaştırılması

Özellikle hareket projeksiyonu farklı zaman aralıklarında manevralı olan hareketli nesneler için, uyarlanabilir kestirim modellerinin kullanıldığı bilinmektedir. Bu çalışmada dinamik bir uyarlanabilir kestirim modeli olan etkileşimli çoklu model (Interacting Multiple Model-IMM) algoritması derlenmiş ve benzetimi yapılan hareketli sivil hava trafik hedefi için uygulanmıştır. IMM algoritması genelleştirilmiş ikincil derece yalancı Bayes kestirimi algoritmasıdır. Çalışmada iki boyutlu düzlemde ilk aşamada 100 sn boyunca 125 m/sn sabit hızla hareket eden daha sonra hareketini 30 sn boyunca 3 m/sn açısal hızla 30 º sola dönen, kalan yaklaşık 70 sn boyunca ise 125 m/s sabit hızla hareketini devam ettiren bir sivil hava trafik kontrolü nesnesinin benzetimi yapılmıştır. Daha sonra bu hareketle ilgili olarak ölçümü yapan ve yeri belli bir koordinata sabitlenen sensörden gürültülü ölçüm harekete eklenmiş ve uygulaması yapılan kestirim algoritmaları işlemlerine eklenmiştir. Dinamik nesneye ait hareket projeksiyonunun, öncelikle beyaz gürültülü doğrusal ekileşimli doğrusal çoklu model (IMM-L) algoritması, sonra manevra uyarlamalı ektileşimli koordineli dönüş (IMM-CT) ve en sonunda da klasik Kalman filtresi ile kestirimi yapılmıştır. Elde edilen kestirim sonuçlarına ait yer, hız, karekök yer ve karekök hız gibi hatalara ait zamana bağlı grafikler çizdirilmiştir. Bu sonuçlar dikkate alındığında benzetimi yapılan harekete en yakın kestirimin sırasıyla IMM-CT, Kalman ve en sonunda IMM-L algoritmalarının verdiği görülmüştür.

Comparative approach of Interacting Multiple Model estimation performance vs Kalman filter in air traffic control simulations

It is known that adaptive estimation models are used in different time intervals of the motion projection of maneuvering targets. In this study Interacting Multiple Model (IMM) estimation technique is implemented and its performance is tested on an air traffic control track simulation. IMM algorithm is a second degree Bayesian estimation technique and an adaptive estimation model. Air traffic control entity motion is initially simulated with a constant speed of 125 m/s motion for 100 seconds then turned to the left with a 30 º with a 3 m/s angular speed for 30 seconds and finally finished its motion with a constant speed of 125 m/s for 70 seconds. Then a sensor is placed on a specific coordinate to measure the trajectory motion of the air traffic entity. For the measurements and process simulated Gaussian noise is added during the calculations. The simulated air traffic control entity’s motion trajectory and the measurements of the sensor are initially modelled with Interacting Multiple Model-Linear (IMM-L) technique, then Interacting Multiple Model-Coordinated Turn (IMM-CT) and finally they are modelled with a Kalman filter. According to the results the best estimate matches of the motion trajectory of the air traffic control entity is generated by IMM-CT, then Kalman Filter and finally IMM-L algorithms subsequently.

PDF

___

[1] Ru J., Li X. R., Jilkov P. V., “Multiple-Model Detection of Target Maneuvers”, Dept. of Electrical Engineering, University of New Orleans, LA, In. Proc. 2005, CiteSeer.IST, web page source: http://citeseer.ist.psu.edu/cache/papers/cs2/401/http:zS zzSzece.engr.uno.eduzSzislzSzReprints06zSzC149.pd f/ru05multiplemodel.pdf
[2] Shalom Y.B., Li X.-R., Kirubarajan T., “Estimation with Applications to Tracking and Navigation”, 2001, Wiley & Sons Inc.
[3] Schell C., Linder P. S., Zeidler R. J., “Tracking Highly Maneuverable Targets With Unknown Behaviour”, 2004, Proceedings of the IEEE Volume 92 Issue (3) pp. 558-574
[4] Simeonova L., Semerdjiev T., “Specific Features of IMM Tracking Filter Design”, Procon Ltd., Sofia, Bulgaristan, 2002, pp. 154-165
[5] MATLAB V 6.5.0.180913a Release13, MathWorks Inc., June 2002, web page source: http://www.mathworks.com/products/matlab/
[6] Shalom B., Yeddanapudi M., Pattipati K., “IMM Estimation for Multitarget-multisensor Air Traffic Surveillance”, Proceedings of the IEEE, Vol 85, Iss 1, pp. 80-86, 1997,
[7] Ding Z., Hong L., “A Distributed IMM Fusion Algorithm for Multi-platform Tracking”, Signal Processing, Vol. 64, Issue 2, pp. 167-176, 1998
[8] Henk A. P. B., Edwin A. B., “Exact Bayesian Filter and Joint IMM Coupled PDA Tracking of Maneuvering Targets from Possibly Missing and False Measurements”, Automata Volume 42, Iss: 1, pp. 127- 135, 2006
[9] Cruz, J., Pedroza J., Altamirano L., Olivera I., “A Performance Comparison of Estimation Filters for Adaptive Imagery Tracking”, Sigan1 Processing, Pattern Recognition and Applications Processing, 2006, Acta Press,