SETIT 2009 th 5 International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 22-26, 2009 – TUNISIA Poursuite et Classification Conjointes d’une Cible Mobile en Utilisant le Radar Passif GSM Azzedine BOUARABA, Abdelaziz OULDALI, Miloud DOUAOUI et Zahir MESSAOUDI Ecole Militaire Polytechnique, BP 17 bordj el bahri, Algerie [email protected] [email protected] [email protected] Résumé: L’exploitation des signaux d’opportunités dans les radars passifs permet de localiser une cible, mais avec des erreurs importantes. Avec les signaux GSM, on mesure correctement l’angle d’arrivé ainsi que la vitesse doppler d’une cible mobile. Dans ce travail, on se propose d’utiliser ces deux mesures, pour la poursuite et classification conjointes, d’une cible susceptible d’évoluer selon plusieurs modèles de mouvement. Il s’agit du mouvement rectiligne à vitesse constante, mouvement circulaire à vitesse angulaire constante et un mouvement rectiligne accéléré. Les algorithmes utilisés IMM-EKF et IMM-UKF sont issus de la combinaison, des deux filtres non linéaires de Kalman et de l’algorithme des modèles multiples interagissent. Les résultats de comparaison montrent clairement les meilleures performances de poursuite et de classification de l’IMM-UKF devant l’IMM-EKF. Mots clés: GSM, IMM-EKF, IMM-UKF, radar passif. d’évoluer selon plusieurs modèles de mouvements. Il s’agit du modèle de mouvement rectiligne à vitesse constante, modèle de mouvement rectiligne à accélération constante et le modèle mouvement circulaire à vitesse de rotation constante [LI 05]. INTRODUCTION Le radar passif, connu sous le nom de passive coherent location est un moyen de localisation de cibles en utilisant les ondes ambiantes telles que les émissions radio, celles de la télévision et de la téléphonie mobile [GRI 86][KUL 05][TAN 05]. Le principal avantage de ce type de radar est son indétectabilité, alors que la résolution en distance est son principal inconvénient qui, toutefois, n’influe nullement sur les performances de l’estimation de la direction d’arrivée (DOA) (à titre d’exemple par root-WSF) et de celles de la vitesse doppler (VD) (à titre d’exemple par la fonction d’ambiguïté (FA)) d’une cible qui peut être localisée en exploitant ces deux derniers paramètres [TAN 05][ZHE 04]. Récemment, un engouement pour les radars passifs utilisant les signaux GSM a été constaté [TAN 05]. La raison à cela réside d’une part dans l’abondance actuelle des stations GSM et d’autre part dans la nature du spectre, de ce type de signaux, généralement lentement variable contrairement au spectre des signaux FM. Les algorithmes de poursuite et de classification conjointes utilisés sont l’IMM-EKF et l’IMM-UKF, appliqués sur des observations, DOA et VD, issues respectivement des méthodes root-WSF et la FA. Nous signalons que le problème de poursuite de cibles est traité dans la littérature [TOB 04][CHA 92]. Toutefois, à notre connaissance, le problème de poursuite et de classification n’a pas été abordé dans les radars passifs utilisant les signaux GSM. Le présent papier est organisé comme suit. Dans le paragraphe 1, nous rappelons brièvement le principe du radar passif. Dans le paragraphe 2, nous analysons les performances de la méthode root-WSF dédiée à l’estimation de la DOA et celles de la FA dédiée pour l’estimation de la FD. Le paragraphe 3 est consacré à la poursuite et classification conjointes en utilisant l’IMM-EKF et l’IMM-UKF. Les résultats de simulation sont présentés dans le paragraphe 4. Dans ce travail, qui est motivé par les résultats expérimentaux de [LU 07], on se propose d’utiliser les mesures de DOA et de VD pour la poursuite et de la classification conjointes d’une cible susceptible 1. Principe du radar passif Le principe de base du radar passif est illustré dans la figure 1 [TAN 05]: -1- SETIT2009 différence de marche entre eux. Néanmoins, un lissage spatial est à prévoir si on utilise la méthode de root-MUSIC. Émetteur d’opportunité Cible mobile se Dans ce travail, nous avons utilisé la méthode polynomiale root-WSF [STO 90], qui donne des résultats satisfaisants même dans les situations de forte cohérence entre les deux signaux. Pour illustrer les performances de root-WSF, nous considérons les paramètres suivants, valables dans toute la suite de ce travail : θd = 15°, θe = 30°, N = 200, ISR = 80 dB et enfin le SNR = 0 dB. La figure 2 présente les résultats relatifs à l’estimation de la DOA de l’écho uniquement. Nous remarquons, pour chaque cas (M=4, 8 et 16), que la racine carrée de l’erreur quadratique moyenne (RMSE) de l’estimation tend à s’approcher de la borne de Cramer-Rao (BCR). sd Réseau de capteurs Figure 1. Principe de base du radar passif RMSE (dB) En effet, un réseau de capteurs forme deux lobes l’un en direction de l’émetteur d’opportunité et l’autre en direction de la cible mobile. Le but ultime de cette opération est l’estimation de chaque signal séparément, sd et se, qui s’avère difficile à cause de la prédominance du signal direct [SAI 03]. Dans ce type de radar, les étapes importantes de traitement du signal, après réception, sont comme suit [SUN 03]: - Estimation des DOA des signaux, - Filtrage spatial (séparation de sd et se), - Estimation de la FD de la cible mobile. 2. Performances de l’estimation des paramètres de la cible Nous allons à présent nous intéresser très brièvement à l’estimation de la DOA de l’écho, par root-WSF, et à l’estimation de la FD par la FA. SNR (dB) Figure 2. RMSE d’estimation de la DOA cible 2.1. Modélisation du signal Dans les radars passifs utilisant les signaux GSM, le modèle du signal est [KUB 06] : Y(n) = A(θ d ) sd (n) + A(θe ) s e (n) + b(n), n=1:N Dans le cas de la présence de plusieurs cibles en même temps, on peut combiner l’algorithme root-WSF avec le principe du monopulse pour la recherche et l’association des DOA [GU 02], ce qui permet aussi de réduire la complexité de calcul. (1) où Y(n) est le vecteur des données issues des capteurs au nombre de M, N est le nombre de snapshots, A(θd) (respectivement A(θe)) est le vecteur directionnel du signal direct sd(n) (respectivement de l’écho), ce dernier est modélisé comme suit [KUB 06]: s e (n) = α s d (n-τ e ) exp( j2 π f d n) 2.3. Estimation de la fréquence Doppler La FA définie par [GRI 05] : T A de (τ , f)= ∫ sd (t)s*e (t + τ) exp(- j2 π f t) dt (2) 0 (3) est très souvent utilisée pour l’estimation du retard temporel et de la FD via deux signaux (en l’occurrence sd et se) à partir de l’abscisse du maximum de |Ade(τ,f)|. La FD est nécessaire pour l’obtention de la vitesse doppler (VD) de la cible (fd=VD/longueur d’onde) alors que le retard temporel est nécessaire pour la localisation en distance (τe= distance/célérité). Cependant, ce dernier n’est pas efficace dans la localisation des cibles dans les radars passifs utilisant les signaux GSM à cause de sa mauvaise résolution en distance [TAN 05]. Par conséquent, dans ce travail l’estimation du retard temporel ne sera pas abordée et la FA est calculée pour τ = 0 [KUB 06]. où α représente l’atténuation de parcourt, τe est le retard temporel et fd est la FD, b(n) est un bruit blanc gaussien centré et de matrice de covariance σ21d. Dans la suite de ce travail, nous allons noter le rapport des puissances de l’écho sur celle du bruit par SNR. 2.2. Estimation de la DOA de l’écho Dans les radars passifs, la puissance du signal direct est très supérieure à celle de l’écho dans un rapport ISR (rapport interférence sur signal) situé entre 70 et 100 dB [SAI 03]. Aussi, dans de telles situations les méthodes classiques d’estimation conjointe de DOA de sd et celle de se s’avèrent inefficaces [KUB 06]. Toutefois, les méthodes polynomiales, qui ne tiennent compte que de la DOA du signal indépendamment de son amplitude, donnent des résultats appréciables. Par ailleurs, il faut aussi tenir compte de la corrélation entre sd et se. Pour le cas du signal GSM, de modulation GMSK, la corrélation entre ces deux signaux diminue rapidement avec la La figure 3 illustre le résultat de l’application de la FA sur un signal GSM 900 MHz et l’écho d’une cible se déplaçant à une VD = 50 m/s correspondant à fd = 150 Hz (M = 8, N = 200, ISR = 80dB et SNR = 0 dB). Ainsi, nous pouvons nous apercevoir de la présence d’un pic en la fréquence f0 ≈ 150 Hz. -2- SETIT2009 Amplitude normalisée Ce vecteur est à l’origine de l’introduction d’un modèle d’état non linéaire qui décrit l’évolution d’une cible mobile suivant un modèle j [LI 05] : X k+1 = Fj X k + G j v k (7) θe = h(X k ) + w k Vd Zk = (8) où Fj (respectivement Gj) est la matrice de transition (respectivement de contrôle) du jème modèle du mouvement de la cible, Zk est le vecteur de mesures (DOA et VD), h(•) est la fonction non linéaire donnée dans les équations (4) et (5), vk est le bruit du modèle. wk est le bruit des mesures caractérisée par des variances de l’estimation de la DOA, respectivement la VD (FD à un facteur près). Ces dernières peuvent être tirées, respectivement à partir des figures 2 et 4, pour des paramètres SNR et M donnés. Fréquence (Hz) Figure 3. Fonction d’ambigüité du signal GSM La figure 4 présente les performances de la FA, utilisée pour l’estimation de la FD, en fonction du nombre de capteurs. Il apparaît clairement que la RMSE de l’estimation, pour chaque cas (M = 4, 8 et 16), tend à s’approcher de la BCR correspondante. 3.2. Mouvement de la cible RMSE (dB) Les modèles de mouvement de la cible, au nombre de trois, utilisés dans ce travail sont les plus souvent suggérés dans la littérature [LI 05][CHA 92]. Chaque modèle j est caractérisé par Fj et Gj, comme suit [LI 05]: 3.2.1. Mouvement rectiligne à vitesse constante (M1) F1 = diag{ F, F} et G1 = diag{ V1 , V1 } (9) T 2 /2 1 T où F= , V = . 1 0 1 T SNR (dB) 3.2.2. Mouvement circulaire à vitesse constante (M2) Figure 4. RMSE d’estimation de la FD 1 sin(ωT)/ω 0 0 cos(ωT) M M 0 F2 = cs(T) sin(ωT) 0 0 0 3. Poursuite et classification conjointes de cibles mobiles Le radar passif GSM mesure la DOA et la VD (ou FD) d’une cible en mouvement. Ces paramètres sont reliés à la position (x, y) et à la vitesse sur (x, y) de la cible par les fonctions non linéaires suivantes [LI 05]: Vd = (x -xr )2 +(y-yr )2 -cs(T) 0 -sin(ωT) 0 0 1 sin(ωT)/ω 0 0 cos(ωT) 0 0 M 0 (10) où cs(T) = (1-cos(ωT)) ω et G 2 = G1 . y-yr θe = atan( ) x-xr & & (x-xr )x+(y-y r )y 0 (4) + (x - xt ) x& + (y - yt ) y& (x-xt )2 +(y- yt )2 3.2.3. Mouvement rectiligne accéléré (M3) F3 =diag{F,F} et (5) (11) 1 T T 2 /2 T 2 /2 T , V3 = T . où F = 0 1 0 0 1 1 T est la période d’observation de la cible et ω sa vitesse de rotation, supposée connue [LI 05]. Où (xr,yr) et (xt,yt) sont respectivement les coordonnées du radar passif (réseau de capteurs) et de l’émetteur d’opportunité (station de base GSM). 3.1. Modélisation d’état Les algorithmes IMM-EKF et IMM-UKF combinent les deux filtres non linéaires de Kalman EKF et UKF (utilisés pour l’estimation de l’état) et l’algorithme IMM. Ce dernier est le plus souvent utilisé, dans la littérature [LI 05][BLO 88], pour la classification du mouvement d’une cible évoluant selon plusieurs types de modèles de mouvement. Soit Xk le vecteur suivant à l’instant k : abscisse x vitesse sur x x& accéleration sur x &&x Xk = = ordonnée y vitesse sur y y& accéleration sur y &&y G 3 =diag{V3 ,V3 } (6) Les étapes des deux algorithmes IMM-EKF et IMM-UKF sont résumées comme suit [BLO 88]: -3- SETIT2009 Initialisation des probabilités des modèles (µj), états estimés (xj) et matrices de covariance des états (Pj). - probabilites des modèles : - états estimés : - covariances des états : µ j/i (k) xj(k-1/ k-1) Pj (k-1/ k-1) Vitesse doppler (m/s) 1. Mixage des: i, j=1 : 3 2. Filtrage EKF ou UKF (mesures DOA et VD): - prédiction : - estimation : - rapport de vraisemblance : 3. Mise à jour des : - probabilités des modèles : xj(k/ k-1), Pj (k/ k-1) xj(k/ k), Pj (k/ k) Λj(k) Temps (s) µ j (k) Figure 8. Mesures de VD de la cible mobile 4. Estimation combinée des: - états: - covariances des états : Les probabilités de transition, d’un modèle de mouvement à un autre, sont fixées a priori comme suit [LI 05]: X(k) P(k) Retour à (a) pour les prochaines mesures (DOA et VD). .98 .01 .01 .01 .01 .01 .98 Figure 5. Étapes de l’IMM-EKF et de l’IMM-UKF p ij = .01 .98 4. Simulation et résultats La trajectoire simulée de la cible, figure 6, est composée de trois modèles : M1, M2 et M3 de durée 80 s chacun. Les conditions initiales de la cible sont [500 m, 20 ms-1, 0 ms-2, 4000 m, -15 ms-1, 0 ms-2]. La matrice de covariance sur l’état est égale à Q = diag{0.1; 0.1 ; 0.1}² ms-2 et la période T = 1 s. (12) Probabilité Ordonnées ( K m ) L’analyse des performances des algorithmes IMM-EKF et IMM-UKF, à travers 100 réalisations indépendantes Monte Carlo, montre que l’IMM-UKF permet une meilleure poursuite et classification des modèles de mouvements, comparé à l’IMM-EKF. Ceci est illustré d’abord par les figures 9 et 10, qui montrent les probabilités des modèles de mouvement. Emetteur Récepteur Abscisses (K m) Figure 6. Trajectoires, générée et estimées, de cible Temps (s) Figure 9. Probabiltés de classification par IMM-EKF DOA ( ° ) Probabilité Les figures 7 et 8 montrent, respectivement, les mesures de DOA et VD de la cible mobile, estimées respectivement, par root-WSF et la FA. Nous avons pris : M = 8, N = 200 et SNR = 0 dB, ce qui nous permet d’avoir les variances, σθ = 0.5° et σVd = 0.2 ms-1, à partir des figures 2 et 4. Temps (s) Figure 10. Probabiltés de classification par IMM-UKF Sur ces deux figures, On voit clairement la différence, entre les deux algorithmes, dans la deuxième phase du mouvement M2, où l’IMM-EKF le confond avec le mouvement M3, tandis que Temps (s) Figure 7. Mesures de DOA de la cible mobile -4- SETIT2009 l’IMM-UKF permet une juste classification. On remarque aussi que les deux algorithmes détectent les bons instants de transition des modèles, qui coïncident avec les instants réels fixés à priori lors de la génération de la trajectoire du mobile. 5. Conclusion Dans ce travail, nous avons utilisé l’IMM-EKF et l’IMM-UKF, pour la poursuite et la classification du mouvement d’une cible, en mesurant seulement sa DOA ainsi que sa VD, qui sont obtenues par l’exploitation des signaux d’opportunités GSM. Pour cela, une analyse des performances de root-WSF, dédiée au calcule de la DOA et celles de la FA pour la FD, est d’abord effectuée. Les résultats de simulation obtenus montrent d’une part la possibilité de poursuite et de classification du mouvement de la cible par l’IMM-EKF et l’IMM-UKF, malgré la mauvaise résolution en distance du signal GSM. D’autre part, l’étude comparative montre les meilleures performances, en termes de poursuite et de classification des modèles de mouvement, de l’algorithme IMM-UKF devant celles de l'IMM-EKF. Sachant que la résolution en distance du signal GSM900 Mhz est de l’ordre 1.8 Km [TAN 05], la position initiale de la cible est donc choisie aléatoirement dans un segment 1.8 km, en direction de la première mesure de DOA et autour de la position de la cible, cette dernière est déduite à partir de τe, calculé par la corrélation entre les signaux sd et se . La figure 11 montre les RMSE d’estimation en distance, obtenues par l’IMM-EKF et l’IMM-UKF. Initialement on remarque que les erreurs d’estimation sont largement importantes, conséquence de l’initialisation des filtres (EKF et UKF), qui est dû à la mauvaise résolution en distance de signaux GSM. L’erreur obtenue par l’IMM-UKF diminue rapidement, à partir du mouvement circulaire M2, pour se maintenir à moins de 100 m. Par contre l’erreur obtenue par l’IMM-EKF diminue lentement et permet ainsi une mauvaise poursuite de la cible. REMERCIEMENTS Les auteurs tiennent à remercier Djedou Mustapha, Benssalah Mustapha et Mesloub Amar. Ce travail est réalisé au laboratoire des systèmes de communisation de l’Ecole Militaire Polytechnique -Algérie. L’analyse des RMSE d’estimation en vitesse, représentés sur la figure 12, nous permet de voir que les erreurs qui se stabilisent durant toute la période de simulation. On remarque aussi la supériorité des performances qu’offre l’IMM-UKF. REFERENCES [BLO 88] BLOM H. and BARSHALOM Y., “The Interacting Multiple Model Algorithm for Systems with Markovian Switching Coefficients,” IEEE Trans. Auto. Contr., AC-33(8):780–783, Aug. 1988. Ainsi on remarque que les performances d’un algorithme de poursuite et de classification sont étroitement liées au filtre de poursuite utilisé. [CHA 92] CHAN Y. and RUDNICKI S., “Bearing-only and doppler-bearing tracking using instrumental variables,” IEEE trans. on Aero. and Elec. Sys., Vol.28, pp 10761082, Oct. 1992. RMSE ( m ) [GRI 86] GRIFFITHS H. and LONG N., “Television-based bistatic radar,” IEE Proc. Radar, Sonar, & Navigation, vol. 133, no.7, pp 649-657, Dece. 1986. [GRI 05] Griffiths H. and Baker C., “Measurement and analysis of ambiguity functions of passive radar transmissions,” in Proc. of the IEEE Intl. Radar Conf. 2005, pp. 321–325, May 2005. [GU 02] GU H., “Radar angle-tracking system for multiple moving targets”, IEE Proceedings-Radar Sonar Navigation, vol. 149. pp 23-28. 2002. Temps (s) Figure 11. RMSE d’estimation en distance [KUB 06] KUBICA M., KUBICA V., NEYT X., RAOUT J., ROQUES S. and ACHEROY M., “Optimum target detection using emitters of opportunity,” in Proc. of the IEEE Radar Conf., (Verona, NY), Apr. 2006. RMSE ( m/s ) [KUL 05] KULPA K., “Continuous wave radars – monostatic, multistatic and network,” in Advances in Sensing with security applications, NATO Advanced Study Institute, July 2005. [LI 05] LI X. and JILKOV V., “Survey of Maneuvering Target Tracking Part V: Multiple-Model Methods,” IEEE trans. on Aero. and Elect. Syst. vol. 41, no. 4 Oct. 2005. [LU 07] LU Y., TAN D. and SUN H., “Air target detection and tracking using a multi-channel GSM based passive radar,” Wavform Diversity and Design Conference 2007, Intl. vol 4. pp. 122-126. Jun. 2007. Temps (s) Figure 12. RMSE d’estimation en vitesse -5- SETIT2009 [SAI 03] SAINI R., CHERNIAKOV M. and LENIVE V., “Direct path interference suppression in bistatic system: DTV based radar,” Radar Conf., Proc. of the Inter. pp:309-3 14, Sept. 2003. [STO 90] STOICA P. and SHARMAN K., “Novel Eigenanalysis Method for Direction Estimation,” IEE Proc. vol. 137, Part F, no. 1, pp. 19-26. 1990. [SUN 03] SUN H., TAN D. and LU Y., “Design and implementation of an experimental GSM based passive radar,” Inter. Conf. on Radar, Adelaide, Aust. Sept. 2003, pp 418-422. [TAN 05] TAN D., SUN H., LUI Y., LESTURGIE M., and CHAN H., “Passive radar using global system for mobile communication signal: theory, implementation and measurements,” IEE Proc. Radar, Sonar and Navigation, vol. 152, pp. 116–123, Jun. 2005. [TOB 04] TOBIAS M. and LANTERMAN A., “A Probability Hypothesis Density-Based Multitarget Tracker Using Multiple Bistatic Range and Velocity Measurtments,” Proc. Of the 36th South. Symp. on Syst. Theory, Atlanta, GA, pp. 205-209, Mar. 2004. [ZHE 04] ZHENG H., LI F., LUO J. and LU J., “Bistatic radar experiment based on FM broadcast transmitter,” in Proc. RADAR’04, (Toulouse, France), Oct. 2004. -6-