مرشح كالمان غير المعطل (UKF)
- قدّمه
- Simon Julier
- السنة
- 1997
- النوع
- algorithm
- العائلة
- Nonlinear Estimation
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
مرشح كالمان غير المعطل (UKF) هو خوارزمية تقدير حالة غير خطية تُقرب الأنظمة غير الخطية دون الحاجة إلى حسابات جاكوبية صريحة. قدمه Julier و Uhlmann في عام 1997، يستخدم UKF التحويل غير المعطل - وهي طريقة حتمية لالتقاط إحصائيات المتوسط والتباين من خلال مجموعة مختارة بعناية من نقاط العينة (النقاط السيجما) - مما يجعله أكثر دقة من مرشح كالمان الموسع (EKF) للأنظمة غير الخطية بشدة مع تجنب عبء الحسابات الحسابية لحسابات المشتقات.
الفكرة الحدسية وراء الطريقة
الفكرة الرئيسية لـ UKF هي استبدال التقريب الخطي الصريح (المستخدم في EKF) بنهج أخذ العينات الإحصائية. بدلاً من حساب مصفوفات جاكوبي، يختار UKF مجموعة دنيا من النقاط المختارة حتمياً (النقاط السيجما) حول تقدير الحالة الحالي، وينشر كل منها عبر الدالة غير الخطية، ويستعيد المتوسط والتباين للنتائج. نظرًا لأن الدالة غير الخطية تُقيّم عند نقاط متعددة بدلاً من تقريبها بتدرجها، فإن UKF يلتقط اللاخطية بدقة أكبر. بالنسبة للتوزيع الغاوسي، فإن هذا النهج دقيق حتى العزم الثالث (الالتواء)، مقارنة بـ EKF الذي يكون دقيقًا من الدرجة الأولى فقط.
التاريخ
قدم Julier و Uhlmann التحويل غير المعطل في عام 1997 كتقنية عامة لنشر المتوسط والتباين عبر الدوال غير الخطية. طور Wan و Van der Merwe خوارزمية UKF الكاملة في عام 2000 وأظهروا أداءً متفوقًا على EKF في مشاكل قياس الأداء. قدم كتاب Sarkka (2013) معالجة شاملة بما في ذلك متغيرات UKF التكيفية والموزعة. أصبح UKF قياسيًا في الروبوتات والفضاء، خاصة لتقدير الموقف (ديناميكيات الكواتيرنيون غير خطية للغاية).
متى تُستخدم
استخدم UKF عندما يكون لديك نظام غير خطي بقوة وتريد دقة أفضل من EKF دون حساب مصفوفات جاكوبي. إنه مثالي للروبوتات (خاصة تقدير الموقف ثلاثي الأبعاد)، والملاحة بنماذج مستشعرات غير خطية (رادار، زوايا اتجاه)، والأنظمة التي يكون فيها التقريب الخطي تقريبًا ضعيفًا. UKF أكثر تكلفة حسابيًا من EKF (بمعامل صغير)، لذا تجنبه فقط إذا كانت الحسابات مقيدة بشدة أو كانت لاخطية النظام طفيفة (EKF كافٍ).
الحدود والاعتبارات
- أكثر تكلفة حسابيًا بقليل من EKF (2n+1 تقييم للدالة لكل خطوة زمنية بدلاً من مصفوفة جاكوبي).
- لا يزال يفترض التوزيعات الغاوسية؛ يمكن أن تسبب الضوضاء غير الغاوسية تباعد المرشح.
- يتطلب نشر النقاط السيجما تخزين ومعالجة المزيد من المصفوفات مقارنة بـ EKF.
- لا يوجد خيار أمثل عالميًا لمعلمات ألفا وبيتا؛ قد يكون الضبط المعتمد على النظام مطلوبًا.
- لا يزال يمكن أن يتباعد إذا كان التقدير الأولي بعيدًا عن الحقيقة أو كان عدم تطابق النموذج شديدًا.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- أكثر دقة من EKF للأنظمة غير الخطية بشدة؛ يلتقط العزوم من الدرجة الثالثة دون الحاجة إلى مصفوفات جاكوبي صريحة.
- لا حاجة لحساب أو ترميز مصفوفات جاكوبي؛ يقلل من أخطاء التنفيذ ويحسن المتانة.
- الحد الأدنى من الضبط المطلوب؛ يتم تحديد وضع النقاط السيجما بواسطة صيغ راسخة.
- تقارب مثبت لطبقة أوسع من الأنظمة غير الخطية مقارنة بـ EKF.
- يعمل بشكل جيد مع الضوضاء غير الغاوسية إذا كان يمكن تقريب إحصائيات الضوضاء بمزيج غاوسي.
التطبيقات
- الروبوتات: تقدير الموقف ثلاثي الأبعاد من مقياس التسارع والجيروسكوب، SLAM للروبوتات المتنقلة بنماذج مستشعرات غير خطية.
- الفضاء: تقدير موقف الطائرات واتجاهها، تحديد موقف المركبات الفضائية من قياسات متعقب النجوم والجيروسكوب.
- المركبات ذاتية القيادة: اندماج GPS/INS مع ديناميكيات غير خطية، اندماج المستشعرات من الرادار، الليدار، والكاميرا.
- الملاحة: تصحيح أخطاء نظام الملاحة بالقصور الذاتي، تحديد موقع الهدف بالاتجاه فقط.
- أنظمة الطاقة: تقدير الحالة غير الخطية في شبكات الطاقة، اكتشاف التوافقيات في أنظمة طاقة التيار المتردد.
كيف يعمل
كيف يعمل
ضبط تقدير الحالة الأولي x_hat_0 والتباين P_0؛ وكذلك ضبط معلمات UKF (α, β, κ) التي تتحكم في تباعد النقاط السيجما.
توليد 2n+1 نقطة سيجما من التقدير الحالي والتباين، حيث n هو بُعد الحالة. توضع النقاط عند المتوسط وفي مواقع تبعد مسافة انحراف معياري قدرها sqrt(λ + n).
تمرير كل نقطة سيجما عبر نموذج الحركة غير الخطية للحصول على نقاط سيجما متوقعة؛ حساب المتوسط والتباين المتوقعين من النقاط المنشورة.
تمرير النقاط السيجما المتوقعة عبر دالة القياس للحصول على قياسات متوقعة؛ حساب كسب كالمان وتحديث الحالة والتباين باستخدام معادلات التحديث القياسية.
الأخطاء الشائعة
- استخدام معلمات UKF الافتراضية (α, β, κ) دون فهم تأثيرها؛ تتحكم هذه المعلمات في انتشار النقاط السيجما وتقريب العزوم من الرتب الأعلى.
- الإفراط في تحديد تباين ضوضاء القياس R لقمع التذبذبات بدلاً من تحسين النموذج.
- تجاهل لعنة الأبعاد؛ يتناسب UKF مع O(n^3) في بُعد الحالة، لذا تتطلب مساحات الحالة عالية الأبعاد (>50D) تقريبًا.
- افتراض أن UKF متين لجميع اللاخطيات؛ لا يزال يفترض أن النظام يمكن تقريبه جيدًا بواسطة توزيع غاوسي في كل خطوة.
الأسئلة الشائعة
ما هي النقاط السيجما وكيف يتم اختيارها؟
النقاط السيجما هي مجموعة مختارة حتمياً من نقاط العينة التي تلتقط متوسط وتباين التوزيع الغاوسي. بالنسبة لحالة ذات بُعد n، توضع 2n+1 نقطة سيجما عند: x و x ± sqrt((λ+n) P)، حيث λ = α^2(n+κ)−n. تتحكم المعلمات α و κ في الانتشار: α (عادةً 0.001-1) تتحكم في المسافة من المتوسط، κ هي معلمة قياس ثانوية (غالبًا 0).
كيف يقارن UKF بـ EKF من حيث الدقة والحساب؟
عادة ما يكون UKF أكثر دقة للأنظمة غير الخطية (مطابقة العزوم من الدرجة الثالثة مقابل الدرجة الأولى). من الناحية الحسابية، يتطلب UKF 2n+1 تقييمًا للدالة غير الخطية لكل خطوة، بينما يتطلب EKF تقييمًا واحدًا للدالة بالإضافة إلى تقييم واحد لمصفوفة جاكوبي. بالنسبة للأنظمة منخفضة الأبعاد (n<20)، يكون الحمل الإضافي صغيرًا؛ بالنسبة للأنظمة عالية الأبعاد، يمكن أن يكون EKF أسرع على الرغم من دقته الأقل.
هل يمكنني استخدام UKF مع توزيعات متعددة الأنماط (غير غاوسية)؟
يفترض UKF القياسي التوزيعات الغاوسية وسيكون أداؤه ضعيفًا مع التوزيعات متعددة الأنماط. بالنسبة للتوزيعات اللاحقة متعددة الأنماط، استخدم مرشح الجسيمات (Particle Filter)، الذي يمثل التوزيع بمجموعة مرجحة من الجسيمات. بدلاً من ذلك، استخدم UKF خليط غاوسي (Gaussian Mixture UKF)، الذي يحافظ على مكونات غاوسية متعددة.
كيف أقوم بضبط معلمات UKF α، β، و κ؟
الاختيار القياسي: α = 0.001 (يضع النقاط السيجما قريبة جدًا من المتوسط)، κ = 0، β = 2 (مثالي للغاوسي). للضوضاء غير الغاوسية، جرب β = 2 (مثالي غاوسي)، β الأكبر يؤكد على النقاط السيجما الخارجية. للأنظمة ذات اللاخطية القوية، قم بزيادة α (على سبيل المثال، 0.1) لتوسيع انتشار النقاط السيجما. اختبر تجريبيًا على بيانات محاكاة.
طرق ذات صلة
المصادر
Julier, S. J., & Uhlmann, J. K. (1997). A new method for the nonlinear transformation of means and covariances in filters and estimators. IEEE Transactions on Automatic Control, 45(3), 477-482.
افتح مرجع المنشورتم النسخ.Wan, E. A., & Van Der Merwe, R. (2000). The unscented Kalman filter for nonlinear estimation. Proceedings of the IEEE 2000 Adaptive Systems for Signal Processing, 153-158.
افتح مرجع المنشورتم النسخ.Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.
افتح مرجع DOIتم النسخ.