Modelli di Stima Iterativa per la Target Motion Analysis in Scenari Bearing-Only

Abstract

Questa tesi affronta il problema Target Motion Analysis (TMA) nella sua formulazione passiva basata esclusivamente su misure angolari, nota come Bearing-Only Tracking (BOT). In tale configurazione, l’obiettivo è stimare la traiettoria di un target mobile osservato da un osservatore anch’esso in movimento, utilizzando soltanto le misurazioni dell’angolo relativo rilevate nel tempo.

Il lavoro si concentra sugli algoritmi ricorsivi di tipo predittivo-correttivo, implementando e analizzando alcune delle soluzioni più significative proposte in letteratura. Gli algoritmi vengono confrontati attraverso simulazioni numeriche bidimensionali, mediante un’analisi qualitativa che considera aspetti come la stabilità numerica, il comportamento della stima nel tempo e la sensibilità all’inizializzazione.

A partire da questa comparazione si sceglie di adottare l’Unscented Kalman Filter (UKF) per approfondimenti successivi. L’attenzione si sposta quindi sui limiti principali dell’algoritmo, in particolare la sensibilità alla scelta dello stato iniziale e dei parametri del modello. Viene condotta un’analisi sia qualitativa che quantitativa delle performance dell’UKF, al variare delle condizioni operative, con l’obiettivo di valutarne la robustezza e l’affidabilità in diversi scenari di applicazione e identificare margini di miglioramento per contesti reali.

This thesis addresses the Target Motion Analysis (TMA) problem in its passive formulation based solely on angular measurements, commonly referred to as Bearing-Only Tracking (BOT). In this setting, the goal is to estimate the trajectory of a moving target observed by a moving observer, using only a sequence of relative angle measurements collected over time.

The work focuses on recursive prediction–correction algorithms, implementing and analyzing some of the most significant solutions proposed in the literature. The algorithms are compared through two-dimensional numerical simulations, using a qualitative analysis that considers aspects such as numerical stability, estimation behavior over time, and sensitivity to initialization.

Based on this comparison, the Unscented Kalman Filter (UKF) is selected for more in-depth analysis. The focus then shifts to the main limitations of the algorithm, particularly its sensitivity to the choice of initial state and model parameters. A qualitative and quantitative evaluation of the UKF's performance is carried out under varying operating conditions, with the aim of assessing its robustness and reliability across different application scenarios and identifying potential improvements for real-world settings.