Avaliação de algoritmos baseados em Filtro de Kalman aplicados em Bearing-only tracking

• Ano de defesa: 2023
• Autor(a) principal: Olivieri, Danilo Monteiro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio de Janeiro (UFRJ)
• Palavras-chave em Português: Filtro de Kalman; Bearing-only tracking; Medidas de Apoio à Guerra Eletrônica (MAGE); Guerra Eletrônica
• Link de acesso: https://www.repositorio.mar.mil.br/handle/ripcmb/846307

Apresenta-se, nesta dissertação de Mestrado, uma avaliação de diferentes algoritmos baseados em Filtros de Kalman para o problema de rastreamento apenas por marcação (Bearing-Only Tracking), visando subsidiar uma implementação no sistema de apoio ao combate desenvolvido pelo Instituto de Pesquisas da Marinha. Foram estudados 9 algoritmos, sendo 7 desenvolvidos especificamente para este problema e um deles uma forma de inicialização com filtros em paralelo aplicável aos 8 demais. Os modelos foram simulados em 15 cenários, que combinaram 5 formas de inicialização do problema e 3 formas de movimentação dos navios observador e alvo, e os resultados foram comparados por métricas de erro quadrático médio de estimação de distância e velocidade do alvo (balizados pelo Limite Inferior de Cramér-Rao como referência de erro mínimo), de credibilidade das predições com base na precisão da estimativa do erro de predição, além de considerar as taxas de convergência de rota e estabilidade dos algoritmos. Os resultados obtidos não indicaram uma única solução dominante. Os dois modelos baseados em coordenada polar apresentaram problemas de estabilidade, tendo outros dois modelos apresentando problemas de convergência em alguns cenários e um outro com 100% de convergência, mas em patamar de erro acima dos demais. Os algoritmos que se destacaram foram Bias-Compensated Pseudo-Linear Kalman Filter (BC-PLKF), Ensemble Kalman Filter (EnKF) e Selective Angle Measurements Instrumental Variable-Based Kalman Filter (SAM-IVKF), que ficaram entre os melhores resultados em erro de estimativa e credibilidade em todos os cenários, sendo, então, recomendados para uma futura implementação real. Também foi indicada a inicialização com parametrização de distância e velocidade, que garantiu bons resultados de erro e credibilidade, além de robustez dos algoritmos, elevando a taxa de convergência dos que tiveram problema.