Unscented-Kalman-Filter
- Eingeführt von
- Simon Julier
- Jahr
- 1997
- Typ
- algorithm
- Familie
- Nonlinear Estimation
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Der Unscented-Kalman-Filter (UKF) ist ein nichtlinearer Zustandsschätzungsalgorithmus, der nichtlineare Systeme annähert, ohne eine explizite Jacobi-Berechnung zu erfordern. 1997 von Julier und Uhlmann eingeführt, verwendet der UKF die Unscented Transformation – eine deterministische Methode zur Erfassung von Mittelwert- und Kovarianzstatistiken durch einen sorgfältig ausgewählten Satz von Abtastpunkten (Sigma-Punkten) – wodurch er für hochgradig nichtlineare Systeme genauer ist als der Erweiterte Kalman-Filter, während er die rechnerische Belastung durch Ableitungsberechnungen vermeidet.
Die Intuition hinter der Methode
Die Kernidee des UKF besteht darin, die explizite Linearisierung (die im EKF verwendet wird) durch einen statistischen Stichprobenansatz zu ersetzen. Anstatt Jacobiane zu berechnen, wählt der UKF einen minimalen Satz deterministisch gewählter Punkte (Sigma-Punkte) um die aktuelle Zustandsschätzung herum aus, propagiert jeden durch die nichtlineare Funktion und stellt den Mittelwert und die Kovarianz der Ergebnisse wieder her. Da die nichtlineare Funktion an mehreren Punkten ausgewertet und nicht durch ihren Gradienten angenähert wird, erfasst der UKF die Nichtlinearität genauer. Für eine Gaußsche Verteilung ist dieser Ansatz bis zum dritten Moment (Schiefe) exakt, verglichen mit dem EKF, der nur erstgenau ist.
Geschichte
Julier und Uhlmann führten 1997 die Unscented Transformation als allgemeine Technik zur Propagation von Mittelwert und Kovarianz durch nichtlineare Funktionen ein. Wan und Van der Merwe entwickelten 2000 den vollständigen UKF-Algorithmus und zeigten eine überlegene Leistung gegenüber dem EKF bei Benchmark-Problemen. Sarkkas Lehrbuch (2013) bot eine umfassende Behandlung einschließlich adaptiver und verteilter UKF-Varianten. Der UKF ist in der Robotik und Luft- und Raumfahrt, insbesondere für die Lageschätzung (Quaternionendynamik ist hochgradig nichtlinear), zum Standard geworden.
Wann wird sie eingesetzt?
Verwenden Sie den UKF, wenn Sie ein stark nichtlineares System haben und eine höhere Genauigkeit als der EKF wünschen, ohne Jacobiane berechnen zu müssen. Er ist ideal für die Robotik (insbesondere die 3D-Lageschätzung), Navigation mit nichtlinearen Sensormodellen (Radar, Peilwinkel) und Systeme, bei denen die Linearisierung eine schlechte Annäherung ist. Der UKF ist rechenintensiver als der EKF (um einen kleinen Faktor), daher sollte er nur vermieden werden, wenn die Berechnung stark eingeschränkt ist oder die Systemnichtlinearität gering ist (EKF ausreichend).
Grenzen und Hinweise
- Etwas rechenintensiver als EKF (2n+1 Funktionsauswertungen pro Zeitschritt anstelle von Jacobiana).
- Geht immer noch von Gaußschen Verteilungen aus; nicht-Gaußsches Rauschen kann zu Filterdivergenz führen.
- Die Sigma-Punkt-Propagation erfordert das Speichern und Manipulieren von mehr Matrizen als der EKF.
- Keine universell optimale Wahl der Alpha- und Beta-Parameter; systemabhängige Abstimmung kann erforderlich sein.
- Kann immer noch divergieren, wenn die anfängliche Schätzung weit von der Wahrheit entfernt ist oder die Modellfehlanpassung schwerwiegend ist.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Genauer als EKF für hochgradig nichtlineare Systeme; erfasst Momente dritter Ordnung ohne explizite Jacobiane.
- Keine Notwendigkeit, Jacobi-Matrizen zu berechnen oder zu programmieren; reduziert Implementierungsfehler und verbessert die Robustheit.
- Minimaler Abstimmungsaufwand erforderlich; die Platzierung der Sigma-Punkte wird durch etablierte Formeln bestimmt.
- Nachweislich konvergent für eine breitere Klasse nichtlinearer Systeme im Vergleich zum EKF.
- Funktioniert gut mit nicht-Gaußschem Rauschen, wenn die Rauschstatistiken durch eine Gaußsche Mischung angenähert werden können.
Anwendungen
- Robotik: 3D-Lageschätzung aus Beschleunigungsmesser und Gyroskop, SLAM mobiler Roboter mit nichtlinearen Sensormodellen.
- Luft- und Raumfahrt: Flugzeuglage- und Kursbestimmung, Raumfahrzeuglagebestimmung aus Sternsensor- und Gyroskopmessungen.
- Autonome Fahrzeuge: GPS/INS-Fusion mit nichtlinearer Dynamik, Sensorfusion aus Radar, Lidar und Kamera.
- Navigation: Fehlerkorrektur von Trägheitsnavigationssystemen, peilungsbasierte Zielortung.
- Stromversorgungssysteme: Nichtlineare Zustandsschätzung in Stromnetzen, Oberwellenerkennung in Wechselstromnetzen.
So funktioniert es
So funktioniert es
Legen Sie die anfängliche Zustandsschätzung x_hat_0 und die Kovarianz P_0 fest; legen Sie auch die UKF-Parameter (α, β, κ) fest, die den Sigma-Punkt-Abstand steuern.
Generieren Sie 2n+1 Sigma-Punkte aus der aktuellen Schätzung und Kovarianz, wobei n die Zustandsdimension ist. Die Punkte werden am Mittelwert und an Stellen sqrt(λ + n) Standardabweichungen entfernt platziert.
Leiten Sie jeden Sigma-Punkt durch das nichtlineare Bewegungsmodell, um vorhergesagte Sigma-Punkte zu erhalten; berechnen Sie den vorhergesagten Mittelwert und die Kovarianz aus den propagierten Punkten.
Leiten Sie die vorhergesagten Sigma-Punkte durch die Messfunktion, um vorhergesagte Messungen zu erhalten; berechnen Sie den Kalman-Gain und aktualisieren Sie den Zustand und die Kovarianz mithilfe der Standard-Aktualisierungsgleichungen.
Häufige Fallstricke
- Verwendung von Standard-UKF-Parametern (α, β, κ) ohne deren Auswirkungen zu verstehen; diese steuern die Sigma-Punkt-Streuung und die Näherung höherer Momente.
- Übermäßige Spezifikation der Messrauschkovarianz R, um Oszillationen zu unterdrücken, anstatt das Modell zu verbessern.
- Ignorieren des Fluchs der Dimensionalität; der UKF skaliert als O(n^3) in der Zustandsdimension, daher erfordern hochdimensionale Zustandsräume (>50D) Näherungen.
- Annahme, dass der UKF robust gegenüber allen Nichtlinearitäten ist; er geht immer noch davon aus, dass das System in jedem Schritt gut durch eine Gaußsche Verteilung angenähert werden kann.
Häufig gestellte Fragen
Was sind Sigma-Punkte und wie werden sie gewählt?
Sigma-Punkte sind ein deterministisch gewählter Satz von Abtastpunkten, die den Mittelwert und die Kovarianz einer Gaußschen Verteilung erfassen. Für einen n-dimensionalen Zustand werden 2n+1 Sigma-Punkte platziert bei: x und x ± sqrt((λ+n) P), wobei λ = α^2(n+κ)−n. Die Parameter α und κ steuern die Streuung: α (typischerweise 0.001-1) steuert den Abstand vom Mittelwert, κ ist ein sekundärer Skalierungsparameter (oft 0).
Wie verhält sich der UKF im Vergleich zum EKF hinsichtlich Genauigkeit und Rechenaufwand?
Der UKF ist typischerweise genauer für nichtlineare Systeme (Momentanpassung dritter Ordnung vs. erster Ordnung). Rechentechnisch erfordert der UKF 2n+1 Auswertungen der nichtlinearen Funktion pro Schritt, während der EKF eine Funktionsauswertung plus eine Jacobi-Auswertung erfordert. Für niedrigdimensionale Systeme (n<20) ist der Overhead gering; für hochdimensionale Systeme kann der EKF trotz geringerer Genauigkeit schneller sein.
Kann ich den UKF mit multimodalen (nicht-Gaußschen) Verteilungen verwenden?
Der Standard-UKF geht von Gaußschen Verteilungen aus und wird bei multimodalen Verteilungen schlecht abschneiden. Für multimodale Posterior-Verteilungen verwenden Sie einen Partikelfilter, der die Verteilung als gewichteten Satz von Partikeln darstellt. Alternativ verwenden Sie den Gaußschen Misch-UKF, der mehrere Gaußsche Komponenten verwaltet.
Wie stimme ich die UKF-Parameter α, β und κ ab?
Standardwahl: α = 0.001 (platziert Sigma-Punkte sehr nahe am Mittelwert), κ = 0, β = 2 (optimal für Gaußsche Verteilung). Für nicht-Gaußsches Rauschen versuchen Sie β = 2 (Gaußsch optimal), ein größeres β betont äußere Sigma-Punkte. Für Systeme mit starker Nichtlinearität erhöhen Sie α (z.B. 0.1), um Sigma-Punkte breiter zu streuen. Empirisch an simulierten Daten testen.
Verwandte Methoden
Quellen
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.
Publikationsreferenz öffnenKopiert.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.
Publikationsreferenz öffnenKopiert.Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.
DOI-Referenz öffnenKopiert.