Der Begriff Tracking umfasst alle Bearbeitungsschritte, die der Verfolgung von (bewegten) Objekten dienen. Ziel dieser Verfolgung ist zum einen die Extraktion von Informationen über den Verlauf der Bewegung und die Lage eines Objektes und zum anderen die Verminderung von negativen Einflüssen, herrührend von zumeist zufälligen Messfehlern (Messrauschen). Die extrahierten Informationen können die Geschwindigkeit der Bewegung, die Beschleunigung sowie Informationen bezüglich der Lage zu einem bestimmten, oft in der Zukunft liegenden, Zeitpunkt sein. Die hier verwendeten Begriffe "Objekt", "Lage", "Bewegung" und "Beschleunigung" müssen hierbei nicht zwingend geografischer Natur bzw. Herkunft sein; sie stehen oft auch als Synonym für andere Messwerte(-funktionen) und deren Ableitungen (z.B. finanzieller Wert, Zustandsinformationen).
Die Genauigkeit der bestimmten Lage- und Bewegungsinformation hängt neben dem verwendeten Tracking-Algorithmus auch von der Genauigkeit der Messungen bzw. dem Messfehler und der Abtastrate der zyklischen Messungen ab.
Das Tracking lässt sich in folgende Verarbeitungsschritte unterteilen:
Prädiktion: In diesem Verarbeitungsschritt erfolgt die (rechnerische) Bestimmung der Lage- und Bewegungsinformationen anhand bekannter Geschichte und physikalischer oder mathematischer Gesetzmäßigkeiten.
Assoziation (auch Gating): Insbesondere in Beobachtungsräumen, in denen sich in der Regel mehrere Objekte (Multi-Target-Tracking) befinden und diese nicht eindeutig über verschiedene Messzyklen identifizierbar sind, übernimmt diese Komponente die Zuordnung eines in früheren Messzyklen beobachteten Objektes zu einem aktuell gemessenen Objekt. Fehler in diesem Bearbeitungsschritt (Missassignments) wirken sich besonders schwer auf die Ergebnisse aus.
Innovation: Die Bestimmung der aktuellen Lage und anderer bewegungsrelevanter Informationen erfolgt einerseits durch die Prädiktion und andererseits durch aktuelle Messungen (bzw. Berechnungen aus aktuellen Messungen). Der Innovationsschritt führt beide Ergebnisse gewichtet zusammen. Die Gewichtung kann sowohl dynamisch als auch statisch erfolgen. Eine Verschiebung der Anteile hin zur Prädiktion glättet die Ergebnisse stärker, eine größere Gewichtung der Messung führt zu Ergebnissen, die sich schneller auf Veränderungen der Messwerte einstellen.
In der Regel lassen sich für die Bewegungsverläufe der jeweiligen Objekte Modelle ableiten, die in modellbasierten Verfahren Verwendung finden. Die Qualität der Modelle bzw. der Grad der Annäherung an die Realität bestimmt entscheidend das Ergebnis des Trackings.
In der Praxis basiert ein Tracking nicht immer auf einem Ein-Modell-Ansatz. In Abhängigkeit der Objekte und deren möglichen Bewegungsverläufe werden zur Verfolgung eines Objekts gleich mehrere alternative sogenannte "Hypothesen" angesetzt. Dadurch lassen sich zum einen komplizierte Objektmanöver erfassen und verfolgen, zum anderen lassen sich bei geschickter Wahl der Hypothesen die Gewichtungsmodelle stark vereinfachen. Nachteil solcher Methoden sind jedoch der erhöhte Rechenaufwand und der größere Schätzfehler in Phasen, in denen sich der Bewegungsverlauf der Objekte ändert und zum "Umschalten" des benutzten Modells führt. Multi-Hypothesen-Tracking geht auf die Entwicklung der Radar-Luftüberwachungssysteme in den 1960ern zurück.
Beispiele für Tracking-Algorithmen
- α/β/γ-Filter
- Kalman-Filter (modellbasiertes Verfahren)
Anwendungsbeispiele für Tracking-Algorithmen
- zweiachsige Nachführung von Photovoltaikanlagen
- Radar-Luftüberwachungssysteme (Vom Radar erfasste Flugobjekte werden in ihrer Bewegung verfolgt.)
- Umfeldsensierung in der Robotik (Von Umfeldsensorik erfasste Objekte werden in ihrer Bewegung verfolgt.)
- Umfeldsensierung im Automobilbereich (Von Umfeldsensorik erfasste Objekte wie zum Beispiel Autos oder Fußgänger werden in ihrer Bewegung verfolgt.)
- Signalverfolgung/-glättung (Das Filter glättet Messsignale.)