الانتقال إلى المحتوى
العودة إلى نتائج البحث

مرشح كالمان الموسع

قدّمه
Richard S. Bucy
السنة
1961
النوع
algorithm
العائلة
Nonlinear Estimation

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

مرشح كالمان الموسع (EKF) هو التعميم غير الخطي لمرشح كالمان، حيث يوسع خوارزمية تقدير الحالة الخطية لتشمل الأنظمة غير الخطية من خلال التقريب الخطي المحلي. تم تطوير مرشح EKF بواسطة بوكي في أوائل الستينيات، وأصبح الأداة الأساسية لتقدير الحالة في الأنظمة غير الخطية عبر مجالات الروبوتات والفضاء والملاحة، مما يتيح المعالجة في الوقت الفعلي للقياسات المشوشة من أجهزة الاستشعار والديناميكيات غير الخطية.

الفكرة الحدسية وراء الطريقة

مرشح كالمان مثالي للأنظمة الخطية، لكن الأنظمة الواقعية غالبًا ما تكون غير خطية (تقيس مستشعرات الروبوت الزوايا، وليس الحالات؛ تتضمن الملاحة علاقات مثلثية). يوسع مرشح EKF مرشح كالمان الخطي عن طريق تقريب ديناميكيات النظام غير الخطي ومعادلات القياس حول تقدير الحالة الحالي. في كل خطوة زمنية، يحسب مرشح EKF مصفوفات جاكوبي (المشتقات الجزئية) للدوال غير الخطية، ثم يطبق معادلات مرشح كالمان الخطية القياسية باستخدام هذه المصفوفات. النتيجة هي تقدير مثالي محليًا يتعامل مع اللاخطيات المعتدلة بشكل جيد، على الرغم من أنه يفقد ضمان المثالية الشاملة لمرشح كالمان الخطي.

التاريخ

طور بوكي مرشح EKF في عام 1961 كتوسيع لمرشح كالمان للأنظمة غير الخطية. تم اعتماد الطريقة بسرعة للملاحة الفضائية (برنامج أبولو) والتحكم في الطائرات. قام باتين وآخرون بتحسين التنفيذ العددي للأنظمة المدمجة. أصبح كتاب بار-شالوم (2001) المرجع القياسي. تشمل المتغيرات الحديثة مرشح كالمان غير المحدود (UKF)، الذي يستخدم أخذ عينات حتمية بدلاً من التقريب الخطي، ومرشح كالمان الجماعي (EnKF)، المستخدم في استيعاب البيانات على نطاق واسع.

متى تُستخدم

استخدم مرشح EKF عندما يكون لديك نظام غير خطي وترغب في تقدير الحالة في الوقت الفعلي من قياسات مشوشة. إنه مثالي للروبوتات (دمج مستشعرات IMU و GPS وبيانات المشفر)، والملاحة (وحدات قياس القصور الذاتي للطائرات)، وأنظمة التحكم (تغذية راجعة للحالة على مصانع غير خطية). يعمل مرشح EKF بشكل جيد للأنظمة ذات اللاخطيات الخفيفة إلى المعتدلة والضوضاء الغاوسية. تجنب مرشح EKF إذا كان النظام غير خطي للغاية (انحناء قوي)، أو إذا كانت الضوضاء غير غاوسية، أو إذا كنت بحاجة إلى حدود مضمونة لخطأ التقدير (استخدم طرق الفترات).

الحدود والاعتبارات

  • غير مثالي للأنظمة غير الخطية؛ يؤدي التقريب الخطي إلى أخطاء تقريب تتراكم.
  • حساب مصفوفات جاكوبي يمكن أن يكون عرضة للأخطاء؛ الأخطاء العددية في المشتقات تقلل الأداء.
  • يفترض ضوضاء غاوسية ومعادلات قياس خطية؛ القياسات غير الغاوسية أو غير الخطية بقوة تسبب تباعد المرشح.
  • تقريب خطي محلي فقط؛ يفشل في الاضطرابات الكبيرة للحالة بعيدًا عن التقدير.
  • يمكن أن يتباعد إذا كان التخمين الأولي بعيدًا جدًا عن الحالة الحقيقية أو إذا كان عدم تطابق النموذج كبيرًا.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • يوسع المثالية والكفاءة التكرارية لترشيح كالمان إلى الأنظمة غير الخطية.
  • إمكانية التنفيذ في الوقت الفعلي؛ يتوسع جيدًا للأنظمة عالية الأبعاد (يستخدم في السيارات والفضاء).
  • نظرية مفهومة جيدًا وتنفيذات وفيرة؛ نظام بيئي برمجي ناضج.
  • يمكن دمج مستشعرات غير خطية متعددة (كاميرا، ليدار، رادار) في تقدير حالة موحد.
  • يوفر تقدير تغاير الحالة، مما يتيح اتخاذ القرارات بناءً على الثقة في التقدير.

التطبيقات

  • الروبوتات: تحديد موقع الروبوت المتنقل بدمج بيانات المسافة المقطوعة وملاحظات المعالم، وتحديد المواقع والخرائط في الوقت الفعلي (SLAM) باستخدام مستشعرات مشوشة.
  • الفضاء: تقدير حالة الطائرة من IMU و GPS (دمج المستشعرات)، وتقدير وضع المركبة الفضائية من متتبعات النجوم.
  • السيارات: تحديد موقع المركبة من مشفرات العجلات و GPS، وتقدير الحالة للتحكم التكيفي في السرعة.
  • الملاحة: تقدير انحياز وحدة قياس القصور الذاتي (IMU)، ودمج GPS/INS لتحديد المواقع بدقة.
  • الرؤية الحاسوبية: تتبع الأجسام ثلاثية الأبعاد من الفيديو، وتحديد المسافة البصري الذي يجمع بين قياسات الكاميرا و IMU.

كيف يعمل

كيف يعمل

1

عيّن تقدير الحالة الأولية x_hat_0 وتقدير التغاير P_0؛ تعكس هذه القيم عدم اليقين لديك بشأن الشرط الأولي.

2

استخدم نموذج الحركة غير الخطي x_{k+1} = f(x_k, u_k) للتنبؤ بالحالة التالية؛ احسب مصفوفة جاكوبي F_k للدالة f وقم بنشر التغاير باستخدام P_{k+1|k} = F_k P_k F_k^T + Q.

3

في كل وقت قياس، احسب مصفوفة جاكوبي H_k لدالة القياس h حول الحالة المتوقعة x_hat_{k|k-1}.

4

طبق تحديث مرشح كالمان القياسي: احسب كسب كالمان K_k، وحدّث تقدير الحالة x_hat_{k|k}، وحدّث التغاير P_{k|k}.

الأخطاء الشائعة

  • حساب مصفوفات جاكوبي بشكل غير صحيح (أخطاء في الإشارة، مصطلحات مفقودة)؛ تحقق دائمًا عدديًا مقابل تقريبات الفروق المحدودة.
  • الإفراط في ضبط تغايرات الضوضاء Q و R؛ الإحصاءات غير الصحيحة للضوضاء تسبب تباعد المرشح أو بطء التقارب.
  • تجاهل قابلية الملاحظة؛ إذا لم يكن النظام قابلاً للملاحظة، تصبح مكاسب المرشح غير موثوقة وتتباعد التقديرات.
  • افتراض التوزيعات الغاوسية؛ غالبًا ما تحتوي ضوضاء المستشعر الحقيقية على قيم متطرفة، مما يؤدي إلى تضليل المرشح.

الأسئلة الشائعة

كيف أحسب مصفوفات جاكوبي لمرشح EKF؟

احسب مصفوفة جاكوبي عن طريق أخذ المشتقات الجزئية: F[i,j] = ∂f_i/∂x_j مقيّمة عند التقدير الحالي. بالنسبة للدوال المعقدة، استخدم أدوات التفاضل التلقائي (مثل PyTorch، JAX) لتجنب الأخطاء. تحقق دائمًا عدديًا بمقارنتها بتقريبات الفروق المحدودة: (f(x+ε)-f(x))/ε.

ما الفرق بين EKF و UKF؟

يقوم مرشح EKF بتقريب الدالة غير الخطية باستخدام توسيع تايلور (مصفوفة جاكوبي). بدلاً من ذلك، يقوم مرشح UKF بأخذ عينات من مجموعة من النقاط المختارة حتمياً (نقاط سيجما) حول التقدير وينشرها عبر الدالة غير الخطية، مما يلتقط اللاخطية من الرتب العليا دون الحاجة إلى مصفوفات جاكوبي صريحة. غالبًا ما يكون مرشح UKF أكثر دقة للأنظمة غير الخطية بقوة ولكنه أغلى قليلاً من الناحية الحسابية.

كيف أكتشف تباعد المرشح؟

راقب الابتكار المعياري (بقايا القياس مقسومة على تغاير القياس المتوقع). بالنسبة لمرشح مضبوط جيدًا، يجب أن تكون هذه الابتكارات بيضاء (متوسط صفر، تباين ثابت). إذا كانت الابتكارات متحيزة باستمرار أو كان لها تباين متزايد، فإن المرشح يتباعد. تحقق أيضًا من أن التغاير المتوقع يتناقص بمرور الوقت؛ إذا زاد، فإن عدم اليقين في النموذج Q كبير جدًا.

هل يمكنني استخدام EKF للأنظمة ذات التأخير الزمني؟

لا يتعامل مرشح EKF القياسي مع التأخيرات الزمنية في القياسات. لاستخدام مرشح EKF مع القياسات المتأخرة، قم بزيادة متجه الحالة ليشمل الحالات السابقة، أو استخدم متغيرًا من مرشح كالمان المتأخر الذي يخزن ويعالج القياسات خارج الترتيب. نهج آخر هو زيادة تغاير ضوضاء القياس R لحساب عدم اليقين في التأخير.

طرق ذات صلة

المصادر

  1. Bucy, R. S. (1961). A linear approximation to the solution of nonlinear filtering equations. Technical Report No. 32-486, Jet Propulsion Laboratory.

    افتح مرجع المنشور
    تم النسخ.
  2. Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.

    افتح مرجع DOI
    تم النسخ.
  3. Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.

    افتح مرجع المنشور
    تم النسخ.