Predicción del punto de impacto del seguimiento de cohetes utilizando filtros α-β, Kalman estándar, Kalman extendido y Kalman sin perfume: un análisis comparativo
DOI:
https://doi.org/10.33448/rsd-v9i3.2022Palabras clave:
Estimación del estado; Algoritmo de seguimiento; Procesamiento de señales digitales; Predicción del punto de impacto.Resumen
La información precisa sobre el punto de impacto (PI) de un cohete suborbital en la superficie de la Tierra durante un lanzamiento es un requisito importante para las operaciones de seguridad del sitio de lanzamiento. Se consideran cuatro estimadores diferentes, como el filtro α-β, el filtro Kalman estándar (FKP), el filtro Kalman extendido (FKE) y el filtro Kalman inodoro (FKU) para el problema de seguimiento de cohetes suborbitales, cuyos datos se utilizan específicamente para mejorar la precisión de predicción de PI (PPI) de estos vehículos. Este artículo presenta un análisis comparativo entre los resultados de los estimadores. Los datos del vuelo del cohete se analizan para demostrar las ventajas y desventajas de los estimadores y para determinar las limitaciones inherentes a la predicción de los efectos aerodinámicos encontrados en ciertas situaciones de vuelo. Discutimos el modelo matemático apropiado de un filtro capaz de ejecutar el algoritmo en tiempo real para estimar la posición y la velocidad del objetivo. Este trabajo utiliza datos reales de un sensor de radar para evaluar los algoritmos de seguimiento. Insertamos el resultado del filtro en el modelo matemático desarrollado para predecir el PI del cohete en la superficie de la Tierra. El objetivo principal de este estudio es evaluar el rendimiento de cuatro estimadores diferentes, cuando se aplica específicamente para mejorar el PPI del cohete suborbital. Se muestra que FKU supera a todos los demás algoritmos de seguimiento en términos de precisión y solidez de la estimación de PI.
Citas
Markgraf, M., Montenbruck, O., Turner, P., & Viertotak, M. (2003). Instantaneous impact point prediction for sounding rockets-perspectives and limitations. In European Rocket and Balloon Programmes and Related Research (Vol. 530, pp. 141-146).
Montenbruck, O., Markgraf, M., Jung, W., Bull, B., & Engler, W. (2002). GPS based prediction of the instantaneous impact point for sounding rockets. Aerospace Science and Technology, 6(4), 283-294.
Ramachandra, K. V. (2018). Kalman filtering techniques for radar tracking. CRC Press.
Simon, D. (2006). Optimal state estimation: Kalman, H infinity, and nonlinear approaches. John Wiley & Sons.
Kosuge, Y., Ito, M., Okada, T., & Mano, S. (2002). Steady‐state errors of an α‐β‐γ filter for radar tracking. Electronics and Communications in Japan (Part III: Fundamental Electronic Science), 85(12), 65-79.
Ng, K. H., Yeong, C. F., Su, E. L. M., & Wong, L. X. (2012). Alpha beta gamma filter for cascaded PID motor position control. Procedia Engineering, 41, 244-250.
Tenne, D., & Singh, T. (2002). Characterizing performance of alpha-beta-gamma filters. IEEE Transactions on Aerospace and Electronic Systems, 38(3), 1072-1087.
Yadav, A., Naik, N., Ananthasayanam, M. R., Gaur, A., & Singh, Y. N. (2012). A constant gain Kalman filter approach to target tracking in wireless sensor networks. In 2012 IEEE 7th International Conference on Industrial and Information Systems (ICIIS) (pp. 1-7). IEEE.
Abreu, J. A. P., Neto, J. V. F., & Oliveira, R. C. L. (2011). Ballistic rockets tracking: Kalman versus αβγ filters. In 2011 UkSim 13th International Conference on Computer Modelling and Simulation (pp. 313-318). IEEE.
Chui, C. K., & Chen, G. (2008). Kalman filtering with real time applications. Applied Optics, 28, 1841.
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of basic Engineering, 82(1), 35-45.
Welch, G., & Bishop, G. (2006). An introduction to the kalman filter. Chapel Hill, NC. USA, Tech. Rep.
Garcia, A., Yamanaka, S. S. C., Barbosa, A. N., Bizarria, F. C. P., Jung, W., & Scheuerpflug, F. (2011). VSB-30 sounding rocket: history of flight performance. Journal of Aerospace Technology and Management, 3(3), 325-330.
Einicke, G. A., & White, L. B. (1999). Robust extended Kalman filtering. IEEE Transactions on Signal Processing, 47(9), 2596-2599.
Farina, A., Ristic, B., & Benvenuti, D. (2002). Tracking a ballistic target: comparison of several nonlinear filters. IEEE Transactions on aerospace and electronic systems, 38(3), 854-867.
Biswas, S. K., Southwell, B., & Dempster, A. G. (2018). Performance analysis of Fast Unscented Kalman Filters for Attitude Determination. IFAC-PapersOnLine, 51(1), 697-701.
Garcia, R. V., Pardal, P. C. P. M., Kuga, H. K., & Zanardi, M. C. (2019). Nonlinear filtering for sequential spacecraft attitude estimation with real data: Cubature Kalman Filter, Unscented Kalman Filter and Extended Kalman Filter. Advances in Space Research, 63(2), 1038-1050.
Julier, S. J., & Uhlmann, J. K. (2004). Unscented filtering and nonlinear estimation. Proceedings of the IEEE, 92(3), 401-422.
Scardua, L. A., & da Cruz, J. J. (2016). Particle-Based Tuning of the Unscented Kalman Filter. Journal of Control, Automation and Electrical Systems, 27(1), 10-18.
Wan, E. A., & Van Der Merwe, R. (2000). The unscented Kalman filter for nonlinear estimation. In Proceedings of the IEEE 2000 Adaptive Systems for Signal Processing, Communications, and Control Symposium (Cat. No. 00EX373) (pp. 153-158). Ieee.
Garcia, R. V., Kuga, H. K., & Zanardi, M. C. F. (2016). Unscented Kalman filter for determination of spacecraft attitude using different attitude parameterizations and real data. Journal of Aerospace Technology and Management, 8(1), 82-90.
Jung, J. K., & Hwang, D. H. (2013). The novel impact point prediction of a ballistic target with interacting multiple models. In 2013 13th International Conference on Control, Automation and Systems (ICCAS 2013) (pp. 450-453). IEEE.
Wang, Z. Y., & Chang, S. J. (2013). Impact point prediction and analysis of lateral correction analysis of two-dimensional trajectory correction projectiles. Defence Technology, 9(1), 48-52.
Bozic, S. M. Digital and Kalman Filtering: An Introduction to Discrete-time Filtering and Optimal Linear Estimation. 1983.
AminiOmam, M., Torkamani-Azar, F., & Ghorashi, S. A. (2017). Generalised Kalman-consensus filter. IET Signal Processing, 11(5), 495-502.
Wu, C. M., Chang, C. K., & Chu, T. T. (2011). A new EP-based α–β–γ–δ filter for target tracking. Mathematics and Computers in simulation, 81(9), 1785-1794.
Greco, M. S., Abramovich, Y., Ovarlez, J. P., Li, H., & Yang, X. (2015). Introduction to the issue on advanced signal processing techniques for radar applications. IEEE Journal of Selected Topics in Signal Processing, 9(8), 1363-1365.
Gadsden, S. A., Dunne, D., Habibi, S. R., & Kirubarajan, T. (2009). Comparison of extended and unscented Kalman, particle, and smooth variable structure filters on a bearing-only target tracking problem. In Signal and Data Processing of Small Targets 2009 (Vol. 7445, p. 74450B). International Society for Optics and Photonics.
Van Der Merwe, R. (2004). Sigma-point Kalman filters for probabilistic inference in dynamic state-space models (Doctoral dissertation, OGI School of Science & Engineering at OHSU).
Wan, E. (2006). Sigma-point filters: an overview with applications to integrated navigation and vision assisted control. In 2006 IEEE Nonlinear Statistical Signal Processing Workshop (pp. 201-202). IEEE.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
