El creciente uso de vehículos aéreos no tripulados (UAVs), especialmente en entornos urbanos, ha generado nuevas necesidades en materia de vigilancia y seguridad. Estos sistemas, de bajo coste y alta maniobrabilidad, representan una amenaza tanto en el ámbito civil como en el militar, como evidencian conflictos recientes. En paralelo, la expansión de infraestructuras de telecomunicaciones, en áreas metropolitanas abre la posibilidad de aprovechar señales existentes como iluminadores de oportunidad. En este contexto, los radares pasivos y las arquitecturas multiestáticas se presentan como una alternativa prometedora, al permitir detectar y seguir objetivos sin necesidad de emisores propios, reduciendo costes, consumo energético y requisitos legales de espectro. El objetivo principal de este trabajo es el diseño, implementación y análisis de entornos de simulación para algoritmos de seguimiento de objetos en arquitecturas radar multiestáticas, con especial atención a su aplicación en escenarios urbanos y a la evaluación del desempeño de los algoritmos. Para ello, se aborda la fase de procesado de datos tras la detección, asumiendo que el procesado de señal se realizó en una etapa previa, y centrándose en técnicas de seguimiento capaces de asociar medidas y estimar trayectorias con precisión en configuraciones multiestáticas. En primer lugar, se ha llevado a cabo un estudio del estado del arte en torno a los radares pasivos y multiestáticos, así como de sus aplicaciones emergentes en defensa y seguridad urbana. Se han analizado iniciativas industriales y programas europeos como el Future Combat Air System (FCAS) o el proyecto iFURTHER, que refuerzan la relevancia de la arquitectura distribuida frente a amenazas modernas. Asimismo, se ha destacado el papel de los UAVs de bajo coste en la guerra de Ucrania, lo que ilustra la necesidad de soluciones capaces de hacer frente a este tipo de amenazas. Posteriormente, se ha desarrollado un entorno de simulación en MATLAB que permite reproducir configuraciones multiestáticas, incorporando transmisores y receptores distribuidos. Este entorno incluye modelización geométrica, trayectorias múltiples de blancos, generación de detecciones y la implementación de diferentes algoritmos de seguimiento, con el fin de evaluar su rendimiento en escenarios con ruido, incertidumbre y ambigüedad en la asociación de medidas. Los resultados muestran que la geometría de despliegue influye de manera decisiva en la precisión de localización: las configuraciones con mayor diversidad espacial ofrecen mejores resultados. En cuanto a los algoritmos de seguimiento, se ha constatado que los filtros que consideran modelos lineales como el filtro de Kalman no resultan adecuados en radares multiestáticos debido a la no linealidad entre el espacio de medida (distancias biestáticas, velocidades biestáticas y, potencialmente, ángulo de llegada) y el espacio de estado (posición y velocidad en coordinadas cartesianas). En contraste, filtros no lineales como el Extended Kalman Filter (EKF), el Unscented Kalman Filter (UKF) y el filtro de partículas ofrecen estimaciones más robustas y precisas, siendo los dos primeros preferibles en términos de coste computacional. Además, se ha desarrollado un algoritmo de asociación de detecciones a pistas que, reforzado con el ángulo de llegada, mejora la discriminación frente a blancos fantasmas y múltiples objetivos.
El creciente uso de vehículos aéreos no tripulados (UAVs), especialmente en entornos urbanos, ha generado nuevas necesidades en materia de vigilancia y seguridad. Estos sistemas, de bajo coste y alta maniobrabilidad, representan una amenaza tanto en el ámbito civil como en el militar, como evidencian conflictos recientes. En paralelo, la expansión de infraestructuras de telecomunicaciones, en áreas metropolitanas abre la posibilidad de aprovechar señales existentes como iluminadores de oportunidad. En este contexto, los radares pasivos y las arquitecturas multiestáticas se presentan como una alternativa prometedora, al permitir detectar y seguir objetivos sin necesidad de emisores propios, reduciendo costes, consumo energético y requisitos legales de espectro. El objetivo principal de este trabajo es el diseño, implementación y análisis de entornos de simulación para algoritmos de seguimiento de objetos en arquitecturas radar multiestáticas, con especial atención a su aplicación en escenarios urbanos y a la evaluación del desempeño de los algoritmos. Para ello, se aborda la fase de procesado de datos tras la detección, asumiendo que el procesado de señal se realizó en una etapa previa, y centrándose en técnicas de seguimiento capaces de asociar medidas y estimar trayectorias con precisión en configuraciones multiestáticas. En primer lugar, se ha llevado a cabo un estudio del estado del arte en torno a los radares pasivos y multiestáticos, así como de sus aplicaciones emergentes en defensa y seguridad urbana. Se han analizado iniciativas industriales y programas europeos como el Future Combat Air System (FCAS) o el proyecto iFURTHER, que refuerzan la relevancia de la arquitectura distribuida frente a amenazas modernas. Asimismo, se ha destacado el papel de los UAVs de bajo coste en la guerra de Ucrania, lo que ilustra la necesidad de soluciones capaces de hacer frente a este tipo de amenazas. Posteriormente, se ha desarrollado un entorno de simulación en MATLAB que permite reproducir configuraciones multiestáticas, incorporando transmisores y receptores distribuidos. Este entorno incluye modelización geométrica, trayectorias múltiples de blancos, generación de detecciones y la implementación de diferentes algoritmos de seguimiento, con el fin de evaluar su rendimiento en escenarios con ruido, incertidumbre y ambigüedad en la asociación de medidas. Los resultados muestran que la geometría de despliegue influye de manera decisiva en la precisión de localización: las configuraciones con mayor diversidad espacial ofrecen mejores resultados. En cuanto a los algoritmos de seguimiento, se ha constatado que los filtros que consideran modelos lineales como el filtro de Kalman no resultan adecuados en radares multiestáticos debido a la no linealidad entre el espacio de medida (distancias biestáticas, velocidades biestáticas y, potencialmente, ángulo de llegada) y el espacio de estado (posición y velocidad en coordinadas cartesianas). En contraste, filtros no lineales como el Extended Kalman Filter (EKF), el Unscented Kalman Filter (UKF) y el filtro de partículas ofrecen estimaciones más robustas y precisas, siendo los dos primeros preferibles en términos de coste computacional. Además, se ha desarrollado un algoritmo de asociación de detecciones a pistas que, reforzado con el ángulo de llegada, mejora la discriminación frente a blancos fantasmas y múltiples objetivos. Read More
Related posts:
Integración de paneles fotovoltaicos dispuestos verticalmente con cultivos de secano en la Península Ibérica
Estimación del ángulo de giro óptimo en seguidores solares de un eje horizontal con paneles bifaciales mediante algoritmos de inteligencia artificial
Una búsqueda de entorno variable para resolver el Generalized Orienteering Problem
Optimización de algoritmos de videoseguimiento de objetivos móviles con cámaras PTZ
Cómo funcionan los predictores de demanda tecnológicos para retail: ventajas, algoritmos y casos reales
Planificación automática de trayectorias libres de colisión para robots en entornos 3D