Erweiterter Kalman-Filter
- Eingeführt von
- Richard S. Bucy
- Jahr
- 1961
- Typ
- algorithm
- Familie
- Nonlinear Estimation
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Der Erweiterte Kalman-Filter (EKF) ist die nichtlineare Verallgemeinerung des Kalman-Filters, der den linearen Zustandschätzalgorithmus durch lokale Linearisierung auf nichtlineare Systeme erweitert.
Entwickelt von Bucy in den frühen 1960er Jahren, hat sich der EKF zum Arbeitspferd für die Zustandschätzung in nichtlinearen Systemen in Robotik, Luft- und Raumfahrt sowie Navigation entwickelt und ermöglicht die Echtzeitverarbeitung verrauschter Messungen von nichtlinearen Sensoren und Dynamiken.
Die Intuition hinter der Methode
Der Kalman-Filter ist optimal für lineare Systeme, aber reale Systeme sind oft nichtlinear (Robotersensoren messen Winkel, nicht Zustände; Navigation beinhaltet trigonometrische Beziehungen). Der EKF erweitert den linearen Kalman-Filter durch Linearisierung der nichtlinearen Systemdynamik und Messgleichungen um die aktuelle Zustandsschätzung. Bei jedem Zeitschritt berechnet der EKF Jacobi-Matrizen (partielle Ableitungen) der nichtlinearen Funktionen und wendet dann die Standard-Gleichungen des linearen Kalman-Filters unter Verwendung dieser Jacobi-Matrizen an. Das Ergebnis ist eine lokal optimale Schätzung, die moderate Nichtlinearitäten gut handhabt, obwohl die Garantie der globalen Optimalität des linearen Kalman-Filters verloren geht.
Geschichte
Bucy entwickelte den EKF 1961 als Erweiterung des Kalman-Filters für nichtlineare Systeme. Die Methode wurde schnell für die Navigation von Raumfahrzeugen (Apollo-Programm) und die Steuerung von Flugzeugen übernommen. Battin und andere verfeinerten die numerische Implementierung für eingebettete Systeme. Bar-Shaloms Lehrbuch (2001) wurde zum Standardreferenzwerk. Moderne Varianten umfassen den Unscented Kalman Filter (UKF), der deterministische Stichproben anstelle von Linearisierung verwendet, und den Ensemble Kalman Filter (EnKF), der in der großskaligen Datenassimilation eingesetzt wird.
Wann wird sie eingesetzt?
Verwenden Sie den EKF, wenn Sie ein nichtlineares System haben und eine Echtzeit-Zustandschätzung aus verrauschten Messungen wünschen. Er ist ideal für Robotik (Sensorfusion von IMU-, GPS-, Encoder-Daten), Navigation (Trägheitsmesseinheiten von Flugzeugen) und Steuerungssysteme (Zustandsrückführung auf nichtlinearen Anlagen). Der EKF funktioniert gut für Systeme mit leichten bis moderaten Nichtlinearitäten und Gaußschem Rauschen. Vermeiden Sie den EKF, wenn das System stark nichtlinear ist (starke Krümmung), wenn das Rauschen nicht-Gaußsch ist oder wenn Sie garantierte Grenzen für den Schätzfehler benötigen (verwenden Sie Intervallmethoden).
Grenzen und Hinweise
- Suboptimal für nichtlineare Systeme; die Linearisierung führt zu Näherungsfehlern, die sich akkumulieren.
- Die Berechnung der Jacobi-Matrizen kann fehleranfällig sein; numerische Fehler in den Ableitungen verschlechtern die Leistung.
- Nimmt Gaußsches Rauschen und lineare Messgleichungen an; nicht-Gaußsche oder stark nichtlineare Messungen führen zur Divergenz des Filters.
- Nur lokale Linearisierung; versagt bei großen Zustandsstörungen, die vom Schätzwert abweichen.
- Kann divergieren, wenn die Anfangsschätzung zu weit vom wahren Zustand entfernt ist oder wenn die Modellfehlanpassung groß ist.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Erweitert die Optimalität und rekursive Effizienz der Kalman-Filterung auf nichtlineare Systeme.
- Echtzeitimplementierung möglich; gut skalierbar für hochdimensionale Systeme (eingesetzt in Automobil und Luft-/Raumfahrt).
- Gut verstandene Theorie und zahlreiche Implementierungen; ausgereiftes Software-Ökosystem.
- Kann mehrere nichtlineare Sensoren (Kamera, Lidar, Radar) zu einer einheitlichen Zustandsschätzung fusionieren.
- Liefert eine Schätzung der Zustandskovarianz, die Entscheidungsfindung basierend auf dem Vertrauen in die Schätzung ermöglicht.
Anwendungen
- Robotik: Lokalisierung mobiler Roboter durch Fusion von Odometrie und Landmarkenbeobachtungen, Echtzeit-SLAM mit verrauschten Sensoren.
- Luft- und Raumfahrt: Zustandsschätzung von Flugzeugen aus IMU und GPS (Sensorfusion), Zustandsschätzung von Raumfahrzeugen aus Sternensensoren.
- Automobil: Fahrzeuglokalisierung aus Radsensoren und GPS, Zustandsschätzung für adaptive Geschwindigkeitsregelung.
- Navigation: Schätzung von Bias in Trägheitsmesseinheiten (IMU), Integration von GPS/INS für präzise Positionierung.
- Computer Vision: 3D-Objektverfolgung aus Videos, visuelle Odometrie, die Kamera- und IMU-Messungen kombiniert.
So funktioniert es
So funktioniert es
Setzen Sie die anfängliche Zustandsschätzung x_hat_0 und die Kovarianzschätzung P_0; diese spiegeln Ihre Unsicherheit über die Anfangsbedingung wider.
Verwenden Sie das nichtlineare Bewegungsmodell x_{k+1} = f(x_k, u_k), um den nächsten Zustand vorherzusagen; berechnen Sie die Jacobi-Matrix F_k von f und propagieren Sie die Kovarianz mit P_{k+1|k} = F_k P_k F_k^T + Q.
Berechnen Sie bei jeder Messzeit die Jacobi-Matrix H_k der Messfunktion h um den vorhergesagten Zustand x_hat_{k|k-1}.
Wenden Sie das Standard-Kalman-Filter-Update an: Berechnen Sie die Kalman-Verstärkung K_k, aktualisieren Sie die Zustandsschätzung x_hat_{k|k} und die Kovarianz P_{k|k}.
Häufige Fallstricke
- Falsche Berechnung der Jacobi-Matrizen (Vorzeichenfehler, fehlende Terme); immer numerisch anhand von finiten Differenzen überprüfen.
- Übermäßige Abstimmung der Rauschkovarianzen Q und R; falsch spezifizierte Rauschstatistiken führen zur Divergenz des Filters oder zu langsamer Konvergenz.
- Ignorieren der Beobachtbarkeit; wenn das System nicht beobachtbar ist, werden die Filtergewinne unzuverlässig und die Schätzungen divergieren.
- Annahme von Gaußschen Verteilungen; echtes Sensorgrauschen hat oft Ausreißer, was dazu führt, dass der Filter fehlgeleitet wird.
Häufig gestellte Fragen
Wie berechne ich die Jacobi-Matrizen für den EKF?
Berechnen Sie die Jacobi-Matrix durch partielle Ableitungen: F[i,j] = ∂f_i/∂x_j, ausgewertet an der aktuellen Schätzung. Für komplexe Funktionen verwenden Sie Werkzeuge zur automatischen Differenzierung (z.B. PyTorch, JAX), um Fehler zu vermeiden. Überprüfen Sie immer numerisch, indem Sie mit Approximationen endlicher Differenzen vergleichen: (f(x+ε)-f(x))/ε.
Was ist der Unterschied zwischen EKF und UKF?
Der EKF linearisiert die nichtlineare Funktion mithilfe einer Taylor-Entwicklung (Jacobi-Matrix). Der UKF wählt stattdessen eine Reihe von deterministisch gewählten Punkten (Sigma-Punkte) um die Schätzung herum aus und propagiert diese durch die nichtlineare Funktion, wodurch Nichtlinearitäten höherer Ordnung ohne explizite Jacobi-Matrizen erfasst werden. Der UKF ist oft genauer für stark nichtlineare Systeme, aber etwas rechenintensiver.
Wie erkenne ich eine Filterdivergenz?
Überwachen Sie die normalisierte Innovation (Messungsresidual geteilt durch die vorhergesagte Messkovarianz). Für einen gut abgestimmten Filter sollten diese Innovationen weiß (Mittelwert Null, konstante Varianz) sein. Wenn die Innovationen durchweg verzerrt sind oder eine zunehmende Varianz aufweisen, divergiert der Filter. Überprüfen Sie auch, ob die vorhergesagte Kovarianz im Laufe der Zeit abnimmt; wenn sie zunimmt, ist die Modellunsicherheit Q zu groß.
Kann ich den EKF für Systeme mit Zeitverzögerungen verwenden?
Der Standard-EKF kann keine Zeitverzögerungen bei Messungen verarbeiten. Um den EKF mit verzögerten Messungen zu verwenden, erweitern Sie den Zustandsvektor um vergangene Zustände oder verwenden Sie eine Variante des verzögerten Kalman-Filters, die außerplanmäßige Messungen speichert und verarbeitet. Ein anderer Ansatz ist die Erhöhung der Messrauschkovarianz R, um die Unsicherheit der Verzögerung zu berücksichtigen.
Verwandte Methoden
Quellen
Bucy, R. S. (1961). A linear approximation to the solution of nonlinear filtering equations. Technical Report No. 32-486, Jet Propulsion Laboratory.
Publikationsreferenz öffnenKopiert.Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.
DOI-Referenz öffnenKopiert.Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.
Publikationsreferenz öffnenKopiert.