Target Tracking From a Moving Platform

Abstract

Den normale tilnærmingen til sporing av bevegelige objekter antar at posisjonen og orienteringen til sporingssensoren er kjent. Dette er ikke tilfellet når sensoren er montert på en bevegelig plattform. I denne oppgaven utledes to sporingsalgoritmer som tar hensyn til usikkerheten i tilstanden til plattformen. Usikkerheten er basert på estimater fra et navigasjonssystem, som også utledes. Lie-teori og Lie-gruppen SE2(3) benyttes til dette formålet. Ytelsen av oppsettet sammenlignes med det populære feiltilstands Kalmanfilteret, og to naive sporere som antar at tilstanden til plattformen er kjent uten usikkerhet.

Simuleringer viser at de utledede sporingsalgoritmene er mer presise og konsekvente enn feiltilstands Kalmanfilteret. De er også langt mer konsekvente enn de tilsvarende naive sporerne. Konsekvente estimater er viktig for applikasjoner hvor data-assosiering er nødvendig. Sporeren som parameteriserer objekter i et lokalt koordinatsystem presterer bedre enn den som parameteriserer i et globalt koordinatsystem på både RMSE og NEES metrikkene.

Dette arbeidet sikter på å legge et grunnlag for en Lie-teoretisk fremgangsmåte til det kombinerte navigasjons- og sporingsproblemet. Av denne grunn er sporingsalgoritmene utledet med en Lie-teoretisk tilnærming, men noen naturlige konsepter er overlatt til fremtidig arbeid. Noen refleksjoner om mulige tilnærminger for å integrere navigasjons- og sporingsproblemet, slik at en felles tilstandsvektor estimeres, tilbys.

Target tracking traditionally assumes the pose of the tracking sensor to be known. This is not the case when the sensor is mounted on a moving platform. In this thesis, two trackers that account for the uncertainty of the platform state are developed, based on an inertial navigation filter. A Lie-theoretic approach is taken, using a filter on the Lie group SE2(3). The performance of the setup is compared to the popular error-state Kalman filter and to two naive trackers assuming the pose of the sensor to be known without uncertainty.

Simulations show that the developed trackers are more accurate and consistent compared to the error-state Kalman filter, and far more consistent than their naive counterparts. Consistency is an important property if data association is required. The tracker parameterizing the targets in the body frame outperforms the tracker using a world parameterization on both the RMSE and the NEES metrics.

The aim of this work is to lay a foundation for using an on-manifold approach to the joint inertial navigation and target tracking problem. To this end, the trackers are derived from an on-manifold approach, but some natural concepts are left for future work. Some reflections on the approach to integrate inertial navigation and target tracking, keeping a joint state vector, are offered.