칼만 필터는 이동 목표물의 운동 상태 특성이 선형이라고 가정할 경우 비교적 정확하게 표적의 위치를 추정할 수 있는 알고리즘으로 목표물의 운동 상태 특성이 얼마나 정확하게 모형화 되었느냐에 따라 성능이 좌우된다. 표적의 다양성을 고려하지 않고 운동 특성을 일반적으로 모형화 하여 칼만필터(SKF : Simple Kalman filter) 알고리즘을 적용하는 경우 표적이 갑작스런 기동을 하게 되면 칼만필터의 고정된 프로세스 잡음 분산은 기동을 다를 수 없게 되므로 추적 성능은 현저히 저하된다. 본 논문에서는 이러한 문제점을 해결하기 위해 표적의 기동에 따른 프로세스 잡음 분산을 능동적으로 변화시켜 적용할 수 있는 능동형 칼만필터(ABC Active Kalman filter)를 구현하였다. 즉 표적이 가질 수 있는 기동의 범위를 구분하여 설정하고 기동의 정도에 따라 표적을 추적할 수 있는 칼만필터 프로세스 잡음 분산을 구하여 기동 정도에 따른 칼만필터 프로세스 잡음 분산을 오프 라인(off-line)에서 선행 학습시켰다. 선행 학습은 뉴럴네트워크를 이용하여 표적의 기동 상태에 따른 시스템 프로세스 잡음 분산을 인식하도록 하였으며, 그 결과에 따라 레이더가 실제 표적 탐지 및 추적 처리시 칼만필터의 프로세스 잡음 분산을 선택하여 실시간으로 반영할 수 있도록 능동형 칼만필터(AKF : Active Kalman filter)를 구현하고 시뮬레이션을 통해 성능 개선을 입증하였다.
If a moving target has a linear characteristics, the Kalman filter can estimate relatively accurate the location of a target, but this performance depends on how the dynamic status characteristics of the target is accurately modeled. In many practical problems of tracking a maneuvering target, a simple kinematic model can fairly accurately describe the target dynamics for a wide class of maneuvers. However, since the target can exhibit a wide range of dynamic characteristics, no fixed SKF(Simple Kalman filter) can be matched to estimate, to the required accuracy, the states of the target for every specific maneuver. In this paper, a new AKF(Active Kalman filter) is proposed to solve this problem The process noise covariance level of the Kalman filter is adjusted at each time step according to the study result which uses the neural network algorithm. It is demonstrated by means of a computer simulation that the tracking capability of the proposed AKF(Active Kalman filter) is better than that of the SKF(Simple Kalman Filter).
