ガイドアルゴリズム

ガイド理論
ガイドアルゴリズムパラメーター

ガイド理論

PHD2のデフォルトのガイドアルゴリズムは十分に確立されており、ほとんどのユーザーに適しています。既に基本的なガイドと理解の経験がある場合を除き、おそらくアルゴリズムの変更には注意が必要です。ただし、変更が必要な特別な状況がある場合や、単に異なるアルゴリズムの選択を試してみたい場合があります。PHD2の詳細ダイアログ設定を使用すると、簡単に設定できます各アルゴリズムには、観測されたガイド星の位置の変化(星のたわみ)をどのようにガイドコマンドに変換するかを制御する一連のパラメーターがあります。

これらのパラメーターの詳細を説明する前に、少しのガイド理論を検討し、これらのアルゴリズムが何を達成しようとしているのかを見る価値があります。まったく異なる適応光学デバイスを別にすれば、従来のガイドは大きな課題に直面します。目前の問題は、数十または数百ポンドの重さの機械を、縞模様や長円形の星を引き起こさない精度で動かす方法です。このタイプのガイドでは、「高速でランダム」ではなく「低速で安定した」トラッキングエラーのみを処理できます。低速で安定した(修正可能な)エラーの原因は次のとおりです。
では、上記に含まれていないもの、および従来のガイドでは修正できないものは何ですか?残念ながら、それは非常に長いリストであり、そのうちのいくつかは次のとおりです。
ガイドアルゴリズムが共有する共通の特徴は、ゆっくりと安定したたわみに何らかの形で反応し、残りを無視する必要があることです。これは、与えられたガイド星の偏向がこれらのソースの多くから寄与している可能性が高いため、せいぜい難しい問題です。そして、それが十分に難しい場合、現実世界のマウントは決して完璧ではないことを覚えておいてください-したがって、あなたが求める動きは、あなたが得る動きとはまったく異なります。通常、アルゴリズムの最も重要な要件は、マウントが前後に押されてガイドが安定しない過補正を避けることです。これらのアルゴリズムの典型的なアプローチは、ガイド補正に「慣性」または「インピーダンス」を適用することです。これは、パターンに沿った修正を行うことを意味し、以前に行われた修正と概ね一致しています。方向や振幅の大きな変更を必要とする修正を行うことに消極的です。方向の変化に対する抵抗は、ギアのバックラッシュが一般的な問題である赤緯で特に重要です。願わくば、この背景がガイドの基本について十分な洞察を与えてくれるので、さまざまなガイドパラメータがPHD2は理にかなっています。

ガイドアルゴリズムパラメーター

PHD2、様々なガイドアルゴリズムは赤経または赤緯軸のいずれにも適用することができます。これらのアルゴリズムのほとんどには、 最小移動 パラメータ。これは、ガイドの修正が過度に小さく、星の形状に影響を与える可能性が低く、主に一時的なシーイングの影響による回避を避けるために使用されます。これらの値はピクセル単位で入力されるため、画像の縮尺とガイド星の一般的なサイズのコンテキストでそれらを考慮する必要があります。new-profile-wizardを使用してシステムを構成している場合、min-moveパラメーターは、使用しているイメージスケールに適した値に設定されます。ガイディングアシスタントは、高周波数の視覚障害の測定に基づいてこれらの値を調整することもできます。ガイダーの修正が頻繁に行われ、多くの方向が反転している場合は、「シーイングを追いかけて」、min-move値を上に調整することで簡単に減らすことができます。

の ヒステリシス アルゴリズムは、最近行われたガイド修正の履歴を保持し、これらは次のガイド修正の計算に使用されます。ヒステリシス パーセンテージで表したパラメータは、現在のガイドフレームの星偏向でのみ見ているとは対照的に、この歴史に与えられるべきである「重み」を指定します。ヒステリシスパラメーターが10%の例を考えてみましょう。その場合、次のガイド補正は、現在のガイドフレームで見られる星の動きの90%と、最近行われた補正の10%の影響を受けます。ヒステリシス値を大きくすると、修正がスムーズになりますが、方向が正当に変更されても反応が遅くなりすぎるというリスクがあります。ヒステリシスアルゴリズムには、過補正を減らすために使用されるアグレッシブネスパラメーター。これもパーセントで表されます。PHD2は、各フレームで、マウントが移動する距離と、移動する方向を計算します。aggressivnessパラメーターはこれをスケーリングします。たとえば、星のたわみが評価され、0.5ピクセルの修正移動が保証されている場合を考えてみましょう。積極性が100%に設定されている場合、マウントを0.5ピクセルいっぱい移動するためのガイダーコマンドが発行されます。ただし、攻撃性が60%に設定されている場合、マウントはその量の60%、つまり0.3ピクセルのみを移動するように求められます。マウントが常に星をオーバーシュートしている場合は、この値をわずかに(たとえば、10%ずつ)減らします。PHD2を見つけた場合常に星の動きに遅れているようです。これを少し増やします。ここで少しでも大丈夫です。  

の ResistSwitch アルゴリズムは、その名前が示すとおりに動作します。ヒステリシスアルゴリズムと同様に、過去のガイド修正の履歴も保持します。また、方向転換は、反転ガイドコマンドを発行するために「説得力のある」ものでなければなりません。これは、方向の反転が疑われ、ギアのバックラッシュを引き起こす可能性が高い赤緯ガイドに適しています。そのため、ResistSwitchは赤緯のデフォルトのアルゴリズムですが、有効な方向の反転が予想される赤経のアルゴリズムではありません。リリース2.4.1から、ResistSwitchアルゴリズムを微調整するための2つの追加パラメーターが使用可能になりました。1つ目は「アグレッション」です。これは、計算されたガイド補正の発行量を制御するパーセンテージです。このパラメーターを小さくすると、バックラッシュがほとんどまたはまったくないマウントでのオーバーシュートを回避できます。2番目のパラメーターは、「大きなたわみに対する高速スイッチ」というラベルのチェックボックスです。これがチェックされている場合、PHD2は、通常の動作である新しい方向の3つの連続したたわみを待つのではなく、方向の大きな変化にすぐに反応します。これは、おそらく風、ケーブルの引っ掛かり、または他の機械的シフトによって引き起こされる、12月の大規模な逸脱からより迅速に回復するのに役立ちます。「大たわみ」の定義は、最小移動値の3倍です。したがって、PHD2が方向の変化に過剰に反応している場合、min-moveパラメーターを使用して動作を調整するか、「高速切り替え」オプションを完全に無効にすることができます。12月のガイドに関しては、「少ない方が通常は良い」ことを覚えておく価値があります。

LowPassアルゴリズムは、次の補正を計算するために、最近のガイド補正の履歴も使用します。計算された移動の開始点は、最近の履歴で発生したガイドスターのたわみの中央値です。これは、現在のガイドフレームで見られる星のたわみが次の動きの計算に比較的影響を与えず、アルゴリズムが迅速な変更に非常に耐えることを意味します。ただし、履歴の蓄積には、たわみが一定の方向に向かっているかどうかを判断する計算も含まれます。勾配 として表される勾配重量パラメーターは、実際のガイダーの動きを計算する際にこれがどの程度の影響を与えるかを決定します-アルゴリズムが過度に遅くならないようにするためです。スロープウェイトをゼロに設定すると、ガイドパルスは常に最近の履歴の中央値になります。ゼロ以外のスロープウェイトを設定すると、ガイド星の動きの最近の傾向に基づいて、その中央値が上方または下方に調整されます。ローパスアルゴリズムは迅速な変更に対して非常に抵抗力があるため、おそらく偏角誘導に最も適しています。

LowPass2 アルゴリズムは、元のLowPassアルゴリズムのバリエーションであり、動作が多少異なります。また、ガイドの修正の履歴も保持しますが、次の修正は、それより前に実行されたコマンドの単なる線形拡張です(つまり、勾配計算)。これは、方向に大きな変化が見られるまで続き、その時点で履歴がクリアされます。このアルゴリズムには、最小移動と攻撃性の2つの調整可能なプロパティがあります。最小移動は、他のガイドアルゴリズムと同じ効果があり、積極性(パーセンテージ)は、ガイド修正のサイズをさらに抑える方法です。LowPass2は非常に保守的で高インピーダンスのアルゴリズムであり、視界条件が良好で、偏角バックラッシュがほとんどまたはまったくない適切に動作するマウントを備えたユーザーに適しています。

Zフィルター アルゴリズムは、LowPassアルゴリズムのバリエーションですが、離散周波数または「Z」ドメインで動作します。ガイドの観点からは、マウントの周期エラーによって引き起こされる低周波成分に完全な補正を適用します。より高い周波数は、攻撃性がゼロまで徐々に減少することで修正されます。

Zフィルターアルゴリズムを使用すると、高周波数のシーイングを追跡せずに、より短いガイドカメラの露出時間(1秒または0.5秒など)を使用できます。ガイドの露出時間が短いことの利点は、修正を適用するための遅延時間が短くなり、補正が小さくなることです。

Zフィルターアルゴリズムは、露出係数(XFac)と最小移動(MinMo)の2つの調整のみを提供します。仮想ガイドの露出時間は、実際の露出時間に露出係数を掛けたものです。指定された仮想露出時間は、同じ実際のガイド露出時間を使用して、フィルタリングされていないアルゴリズムと同様に実行されます。たとえば、露出係数4の露出時間1は、4秒の仮想露出時間(4 x 1秒)を与え、4秒の露出時間を使用して、アグレクション100%のヒステリシスおよび0.0のヒステリシスと同様に実行します。Exposure Factorが2の2秒の露出時間も、4秒(2 x 2秒)の仮想exxpsoure時間を持っているため、ほぼ同じパフォーマンスを発揮します。主な違いは、実際の露出が短いほど、補正をより早く、より頻繁に適用できるため、それらが小さくなることです。

この機能を使用すると、ガイドの露出時間を調整して、ガイドスターのSNRとガイドレイテンシを最適化できます。その後、露出係数を調整して、目的のガイド応答を取得できます。通常の推奨ごとの2秒から4秒の仮想露出時間は、RA軸の適切な開始点です。Dec軸では、より長い仮想露出を使用でき、バックラッシュを引き起こす可能性のある反転を最小限に抑えることができます。

短時間の露出を使用する場合、表示からの動きがガイドグラフでより見やすくなることに注意してください。これは、ガイドが悪いことを意味するものではありません。他のアルゴリズムは、ガイドの露出時間に依存して、動きを見ることができないようにします。Zフィルター露出係数は同じ機能を実行します。

ZフィルターにもMinMo設定があります。小さな補正を正確に行うためのマウントの能力に合わせて、値を選択する必要があります。他のアルゴリズムでは、たとえばDec軸の反転を防ぐために、フィルタリングを提供するためにMinMoが推奨される場合があります。Zフィルターを使用する場合の推奨されるアプローチは、露出係数を増やすことです。



PHD2予測PECガイドアルゴリズム(PPEC)

 概要

 PPECアルゴリズムは、そのモデリング機能と予測機能により、PHD2の他のアルゴリズムとは異なります。  このアルゴリズムは、マウントの追跡パフォーマンスをリアルタイムで分析し、分析が完了すると、繰り返しエラーが実際に発生する前であっても、ガイドの修正を計算します。  プロアクティブなガイド修正を発行すると、従来のガイドに固有の時間遅延が減少し、パフォーマンスが大幅に向上します。  完全にリアクティブな他のアルゴリズムでは、カメラセンサーでエラーが確認された後にのみガイドの修正が発行されます。  

 ガイドが開始されると、アルゴリズムはマウントのパフォーマンスを分析し、繰り返し発生する予測可能な追跡エラーを探します。  このアルゴリズムは、マックスプランク研究所の研究チームによって開発された洗練されたガウスプロセスモデルを採用していますドイツ  数学的な詳細は、ここで参照されている論文に記載されています。

 http://ieeexplore.ieee.org/document/7105398/?reload=true

 通常、PPECアルゴリズムはRAに使用されます。この場合、周期的な残留誤差やその他のギア関連の誤差によって追跡精度が低下することがよくあります。  アルゴリズムは、システムの動作を特徴付けるために個別の時間スケールを使用します。

        短期:そのような歯車の粗さや見によって引き起こされるものなどの高周波数エラーについて
        中期: 残留周期誤差のために、一般的に以下の間隔で発生するか、ウォーム期間に等しい
。・         長期的:定常ドリフトおよびドライブトレイン内の複数のギアの相互作用によって発生する可能性のある低周波(長い時間間隔)の高調波

 短期的な振る舞いは、システム内の予測不可能なノイズを識別するために使用されます。これは、予測可能なコンポーネントを識別するために、本質的に除外されます。  ほとんどのマウントでは、中期コンポーネントが最も重要です。  ベストプラクティスに従っている場合は、マウントで定期的なエラー修正をプログラムしていることになります(その機能が利用可能であることを前提としています)。  これにより、PHD2で実行する必要のある作業量が削減され、マウント内のPEC修正は通常、永続的に保存されます。  このアプローチは、機器をセットアップするたびに定期的なエラー動作を測定および推測するよりも望ましい方法です。  とは言うものの、マウント内のPECは決して完全ではなく、PECがアクティブな場合でも、多くの場合、残留繰り返しエラーが発生します。  これらは、マウントのワーム周期の高調波(整数分数)ではない周波数でトラッキングエラーが発生した場合によく発生します。ほとんどのPEC実装ではそれらを処理できません。  また、マウントの機械的負荷に依存している場合、またはPECがプログラムされてからマウントの動作が変更された場合、残留定期エラーが発生する可能性があります。  PPECアルゴリズムは、ワームの期間に依存せず、マウントの現在の動作について常に最新の分析を行っているため、これらのエラーの特定と削減に非常に効果的です。

 PPECアルゴリズムは、ドリフトエラーを検出し、予防的に修正します。  通常、ドリフトはガイドアルゴリズムのいずれかによって適切に処理されますが、修正は常にある程度の誤差があります。  分光法、測光、または彗星追跡などのいくつかのユースケースでは、これが問題になる可能性があり、その場合、PPECはより良い結果をもたらす可能性があります。 

 PPECは学習プロセスを採用しているため、マウントをモデリングして完全に効果を発揮するには、通常約2ワームの時間がかかります。  このトレーニング期間中、アルゴリズムは「ヒステリシス」アルゴリズムのように動作するため、通常、内部モデルの構築中にパフォーマンスが低下することはありません。  代わりに、モデルが洗練され、アルゴリズムがヒステリシスから予測モードにシームレスに移行するにつれて、追跡が着実に改善される可能性があります。   この改善は、通常、中期のマウント動作が完全にモデル化される前でも確認できます。

 PPECモデルはギアトレインの状態に暗黙的に関連付けられているため、マウントを新しいターゲットに向けて回転させる場合は再学習する必要があります。  同じ理由で、異なるガイドセッション間で保持することはできないため、従来のPECが重要です。  ただし、PPECモデルはディザー操作中およびフォーカスなどのアクティビティのガイドが(自動化を介して)一時停止されている間、そのまま残ります。  最も一般的なユースケース、つまり定期的なディザリングで複数時間同じターゲットをイメージングする場合、PPECモデルは有効なままです。  いずれの場合でも、学習プロセスと1つのモードから別のモードへの移行は自動的に処理されるため、注意を払う必要はありません。

 アルゴリズムの詳細

 トレーニング期間が完了すると、PPECアルゴリズムは2つの要因を使用してガイド補正を計算します。  1つは、直近の露出でのガイド星の変位に基づいて反応します。  2番目は、トレーニング期間中に構築されたガウスプロセスモデルの出力に基づいた予測です。  これらの各用語には、個別のゲイン係数またはアグレッシブネス係数が含まれているため、最終的なガイドパルス量は合計です。

     ガイド補正=(予測量*予測ゲイン)+(最近の変位*リアクティブゲイン)

 予測 ゲイン」および「リアクティブ ゲイン」 パラメータは詳細ダイアログに表示され、これらのパラメータのデフォルト値はほとんどのマウントで適切に機能するはずです。  これらのパラメータの選択を間違えると、間違いなくガイドが悪化する可能性があるため、これらの変更については慎重にすべきです。

 トレーニング期間中、アルゴリズムは、観測されたガイド星の動きの周期的なエラーを識別する必要があります。  最初の試行では、マウントのワーム期間を「期間の 長さ」の開始点として使用できます  これにより、アルゴリズムの出発点として適切ですが、「期間の自動調整」オプションをオンのままにしておく必要があります。  これは、アルゴリズムに、必要に応じて周期を調整して、見つかった定期的なエラーをより適切に制御するよう指示します。altorithmを複数回実行し、結果に満足したら、このフィールドを前のセッションで計算された値に設定したままにすることができます。

 ' min-move' パラメーターは、アルゴリズムのリアクティブコンポーネントのみに影響します。  測定された星の変位がこの量よりも小さい場合、無効成分はゼロに設定されます。  ただし、アルゴリズムの予測コンポーネントは引き続き計算および適用されます。