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。 基本的なガイドや基本的な知識をすでに持っている場合を除き、アルゴリズムの変更についてはいくぶん用心する必要があります。 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実験したい場合があります。 PHD2のAdvanced Dialog設定により、これを簡単に行うことができます。 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、星を初期位置に戻す可能性が最も高いガイドコマンドに変換する方法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の詳細を説明する前に、少しのガイド理論を見直し、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検討することは価値があります。 かなり異なるアダプティブオプティクスデバイスを脇に置いて、従来のガイドは大きな課題に直面しています。 目下の問題は、数十ポンドまたは数百ポンドの機械を、縞状または楕円形の星を引き起こさないレベルの精度で移動する方法です。 多くのガイドカメラはセンサーでわずか数ミクロンのガイド星のたわみ（例：0.0002インチ、0.005ミリメートル）を記録できますが、マウントとガイドソフトウェアがこのレベルの精度で何時間も空を横切ってカメラを移動することを期待しています 。 PHD2のようなガイドアプリケーションは、「速くてランダム」ではなく、「ゆっくりと安定」しているトラッキングエラーに最もよく対応できます。 ゆっくりと安定した（修正可能な）エラーの原因には、次のものがあります。
l 定期的なエラーを引き起こすものを含む、直立昇天歯車の特定の種類の機械的欠陥。
l マウントの恒星追跡率の小さなエラー
l 大気の屈折-星が地平線に近づくにつれてゆっくり移動するように見えます
l 限定された種類の機械的たわみとたわみ-たわみのたわみではない
l 天の棒の右の昇天軸のミスアライメント
それでは、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、こ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。
l 大気の見え方（「乱気流」）
l 歯車の騒音、粗さ、振動
l 差動たわみ-イメージングスコープとガイドスコープの間の相対的な動き
l 突風、ケーブルの引っかかり、ドライブギアの砂
l そしてもっとたくさん...
ガイドアルゴリズムが共有する共通点は、残りの部分を無視して、ゆっくりと安定した偏向に何らかの形で反応する必要があることです。与えられたガイド星の偏向はこれらの多くの原因からの寄与を持っている可能性が高いので、これは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は、実際のマウントが完璧になることは決してないことを忘れないでください。したがって、要求する移動は、正確に得られる移動ではありません。通常、アルゴリズムの最も重要な要件は、修正が過剰に行われないようにすることです。マウントが前後に押し込まれ、ガイドが安定することはありません。これらのアルゴリズムの典型的なアプローチは、表示によって引き起こされる可能性が最も高い偏向を無視し、マウントに送信されるガイド修正に「慣性」または「インピーダンス」を適用することです。つまり、パターンに沿って、以前に行われた修正と一般的に一致する修正を行う一方で、方向または振幅の大きな変更を必要とする修正を行うことには消極的です。方向の変化に対する抵抗は、赤緯では特に重要であり、ギアのバックラッシュが一般的な問題です。うまくいけば、この背景は、PHD2で使用されるさまざまなガイドパラメータが意味を持つように、ガイドの基本について十分な洞察を提供してくれることでしょう。
PHD2では、さまざまなガイドアルゴリズムを赤経軸または赤緯軸に適用できます。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ーが含まれています。これは、小さすぎて星の形状に影響を与える可能性が低く、主に一時的な表示効果が原因であるガイドの修正を回避す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、画像のスケールとガイド星の一般的なサイズのコンテキストで考える必要があります。 new-profile-wizardを使用してシステムを構成した場合、min-moveパラメーターは、使用しているイメージスケールに対して適切に機能する可能性が高い値に設定されます。ガイディングアシスタントは、高周波の観測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。偏角ガイダーの修正率が高く、方向が逆転している場合は、「視線を追いかけて」いる可能性があり、最小移動値を上方に調整することで、これを減らすことができます。ここで説明するすべての詳細なガイドパラメータの中で、2つのmin-move値は、状況に応じて、夜間に調整を保証する可能性が最も高いです。
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。ヒステリシスパラメータは、パーセンテージで表され、現在のガイドフレームの星のたわみだけを見るのではなく、この履歴に与える「重み」を指定します。ヒステリシスパラメータが10％である例を考えます。その場合、次のガイド修正は、現在のガイドフレームで見られる星の動きによって90％、最近行われた修正によって10％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、方向の正当な変化に反応するには遅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、過大修正を減らすために使用される積極性パラメーターもパーセントで表されます。各フレームで、PHD2はマウントが移動する必要があると考える距離と移動する方向を計算します。積極性パラメータ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ており、0.5ピクセルの修正移動が保証されている場合を考えます。アグレッシブネスが100％に設定されている場合、マウントを0.5ピクセル全体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、アグレッシブネスが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ピクセルだけ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、この値を少し下げます（たとえば、10％ステップずつ）。 PHD2が常に星の動きより遅れているように見える場合は、これを少し増やします。少しはここで長い道のりを行くことができます。
LowPassアルゴリズムは、次の修正を計算するために、最近のガイド修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星のたわみの中央値です。これは、現在のガイドフレームに見られる星の偏向が次の移動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強いことを意味します。ただし、履歴の蓄積には、偏差が一貫した方向に傾向があるかどうかを判断する計算も含まれます。パーセンテージで表される勾配の重みパラメーターは、実際のガイド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。これは、アルゴリズムが過度に遅くなるのを防ぐためにあります。勾配の重み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。ゼロ以外の勾配の重みを設定した場合、その中央値は、ガイド星の動きの最近の傾向に基づいて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非常に耐性があるため、おそらく赤緯ガイドに最も適しています。
LowPass2アルゴリズムは、動作が多少異なる元のLowPassアルゴリズムのバリエーションです。 また、ガイド修正の履歴も保持されますが、次の修正は、その前に来たコマンドの線形拡張です（つまり、勾配計算）。 これは、方向の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。 アルゴリズムには、最小移動と積極性という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弱める方法です。LowPass2は非常に保守的なハイインピーダンスアルゴリズムであり、良好な視界条件と、偏角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のユーザーに適しています。 これは、2つの軸に高精度エンコーダーを備えたマウントに推奨されるアルゴリズムです。
Zフィルターアルゴリズムは、ローパス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。 ガイドに関しては、マウントの周期的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。 高い周波数は、漸進的にゼロまで減少する攻撃性で修正されます。
Zフィルターアルゴリズムを使用すると、高周波数の表示を追跡することなく、ガイドカメラの露出時間を短くできます（1秒や0.5秒など）。短いガイド露出時間の利点は、修正を適用するための遅延時間が短縮され、修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て得られます。与えら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、露出係数が4の露出時間を1秒にすると、仮想露出時間は4秒（4 x 1秒）になり、Agression 100％のヒステリシスと4秒の露出時間を使用したヒステリシス0.0と同様に機能します。露出係数が2の露出時間2秒も、仮想露出時間は4秒（2 x 2秒）であり、同じように機能します。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、補正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とガイドのレイテンシを最適化できます。次に、露出係数を調整して、目的のガイド応答を得ることができます。通常の推奨に従って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、バックラッシュの原因となる反転を最小限に抑えることができます。
短い露出を使用する場合、見ることによる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、動きが見えないようにします。 Zフィルターの露出係数は同じ機能を実行します。
ZフィルターにはMinMo設定もあります。この値は、マウントが小さな修正を正確に行う能力と一致するように選択する必要があります。他のアルゴリズムでは、MinMoがフィルタリングを提供するために推奨される場合があります。 Dec軸の反転を防ぐため。 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。
PPECアルゴリズムは、モデリングと予測機能のため、PHD2の他のアルゴリズムとは異なります。 アルゴリズムはマウントのトラッキングパフォーマンスをリアルタイムで分析し、その分析が完了すると、繰り返しエラーが実際に見られる前であっても、ガイド修正を計算します。 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。 完全に反応する他のアルゴリズムでは、ガイドの修正は、カメラセンサーでエラーが検出された後にのみ実行されます。
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、反復的で予測可能なトラッキングエラーを探します。 アルゴリズムは、ドイツのマックスプランクインスティテュート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。 数学的詳細は、ここで参照されている論文で見つけることができます：
http://ieeexplore.ieee.org/document/7105398/?reload=true
PPECアルゴリズムは通常、RAに使用されます。RAでは、残留周期誤差やその他のギア関連の誤差が追跡精度を低下させ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。
l 短期：ギアの粗さやシーイングによって引き起こされるような高周波エラー
l 中期：通常はワーム期間以下の間隔で発生する、残りの定期的なエラーの場合
l 長期：安定したドリフトと、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数（長い時間間隔）の高調波の場合
短期的な動作は、システム内の予測不可能なノイズを特定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特定するために基本的にフィルターで除去されます。ほとんどのマウントでは、中期的なコンポーネントが最も重要になる可能性があります。ベストプラクティスに従っている場合は、マウントに定期的なエラー修正がプログラムされています（その機能が利用可能であると想定しています）。これを行うと、PHD2で実行する必要のある作業の量が減り、マウントのPEC補正は通常永久に保存されます。この方法は、機器をセットアップするたびに定期的なエラーの動作を測定して推測する必要がある場合よりも望ましい方法です。とは言っても、マウント内のPECが完璧であることは決してなく、PECがアクティブな場合でも、反復エラーが残っていることがよくあります。これらは、マウントのワーム周期の高調波（整数部分）ではない周波数でトラッキングエラーが発生したときに発生することがよくあります。ほとんどのPEC実装では対応できません。また、マウントの機械的負荷に依存している場合や、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にも、定期的な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、常にマウントの現在の動作の新鮮な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。 ドリフトは通常、ガイドアルゴリズムのいずれかで適切に処理されますが、修正は常にある程度の誤差で誤差が遅れます。 一部のユースケース（分光法、測光法、彗星追跡法など）では、これが問題になる場合があります。その場合、PPECがより良い結果を提供することがあります。
PPECは学習プロセスを採用しているため、マウントをモデル化して完全に効果的になるには、通常2ワームの期間かかります。 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ため、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、中期的な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モデルは暗黙的にギアトレインの状態に関連付けられているため、マウントがかなりの距離だけずれている場合は、PPECモデルを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ません。そのため、従来のPECは重要です。 ただし、PPECモデルは、ディザ操作中や、フォーカスのようなアクティビティのためにガイドが（自動化によって）一時停止されている間はそのまま残ります。 最も一般的な使用例、つまり定期的なディザリングを使用して同じターゲットを数時間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、特別な注意を払う必要はありません。
トレーニング期間が完了すると、PPECアルゴリズムは2つの要素を使用してガイド修正を計算します。 1つは、直近の露出でのガイドスターの変位に基づいて反応します。 2つ目は、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からの出力に基づいた予測です。 これらの各項には個別のゲイン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になります。
ガイド補正=（予測量*予測ゲイン）+（最近の変位*無効ゲイン）
「予測ゲイン」および「無効ゲイン」パラメーターは詳細ダイアログに表示され、これらのパラメーター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ーの選択が不適切な場合は、ガイドが確実に悪化する可能性があるため、変更は慎重に行ってください。
訓練期間中、アルゴリズムは観測されたガイド星の動きの定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、アルゴリズムの開始点が適切になりますが、「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。 これにより、アルゴリズムは必要に応じて周期を調整し、検出された定期的なエラーをより適切に制御します。 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。
「モデルの保持（期間％）」パラメーターは、PPECアルゴリズムがリセットされるまでにマウントがガイドなしで追跡できる時間を指定します。これは、現在の期間の長さのパーセンテージとして計算されます。これは、マウントが恒星速度で追跡し続けているがガイドが行われていないオートフォーカスなどの状況で役立ちます。これは、旋回によるRAポインティング位置の西向きの変更にも適用されます。デフォルト設定の40％を上方に調整する場合は注意が必要です。ガイドなしで長時間実行すると、PPECモデルの精度が失われます。この場合、リセットが最善の方法です。これが発生するポイントは、マウントと現在の表示条件に固有であるため、このパラメーターを調整する場合は、実験が必要になる場合があります。
「min-move」パラメータは、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され、適用されます。