Saltar al contenido
Volver a los resultados

Filtro de Kalman sin Perfume

Propuesto por
Simon Julier
Año
1997
Tipo
algorithm
Familia
Nonlinear Estimation

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El Filtro de Kalman sin Perfume (UKF, por sus siglas en inglés) es un algoritmo de estimación de estado no lineal que aproxima sistemas no lineales sin requerir el cálculo explícito del Jacobiano.

Introducido por Julier y Uhlmann en 1997, el UKF utiliza la transformación sin perfume —un método determinista para capturar estadísticas de media y covarianza a través de un conjunto cuidadosamente elegido de puntos de muestreo (puntos sigma)—, lo que lo hace más preciso que el Filtro de Kalman Extendido para sistemas altamente no lineales, al tiempo que evita la carga computacional de los cálculos de derivadas.

La intuición detrás del método

La idea clave del UKF es reemplazar la linealización explícita (utilizada en el EKF) con un enfoque de muestreo estadístico. En lugar de calcular Jacobianos, el UKF selecciona un conjunto mínimo de puntos elegidos determinísticamente (puntos sigma) alrededor de la estimación del estado actual, propaga cada uno a través de la función no lineal y recupera la media y la covarianza de los resultados. Debido a que la función no lineal se evalúa en múltiples puntos en lugar de aproximarse por su gradiente, el UKF captura la no linealidad con mayor precisión. Para una distribución gaussiana, este enfoque es exacto hasta el tercer momento (asimetría), en comparación con el EKF, que solo es preciso de primer orden.

Historia

Julier y Uhlmann introdujeron la transformación sin perfume en 1997 como una técnica general para propagar la media y la covarianza a través de funciones no lineales. Wan y Van der Merwe desarrollaron el algoritmo UKF completo en 2000 y demostraron un rendimiento superior al EKF en problemas de referencia. El libro de texto de Sarkka (2013) proporcionó un tratamiento completo que incluía variantes adaptativas y distribuidas del UKF. El UKF se ha convertido en un estándar en robótica y aeroespacial, especialmente para la estimación de actitud (la dinámica de los cuaterniones es altamente no lineal).

Cuándo usarlo

Utilice el UKF cuando tenga un sistema fuertemente no lineal y desee una precisión mejor que la del EKF sin calcular Jacobianos. Es ideal para robótica (especialmente estimación de actitud 3D), navegación con modelos de sensores no lineales (radar, ángulos de rumbo) y sistemas donde la linealización es una mala aproximación. El UKF es más costoso computacionalmente que el EKF (por un pequeño factor), así que evítelo solo si la computación está severamente restringida o la no linealidad del sistema es leve (EKF suficiente).

Limitaciones y consideraciones

  • Ligeramente más costoso computacionalmente que el EKF (2n+1 evaluaciones de función por paso de tiempo en lugar del Jacobiano).
  • Todavía asume distribuciones gaussianas; el ruido no gaussiano puede causar divergencia del filtro.
  • La propagación de puntos sigma requiere almacenar y manipular más matrices que el EKF.
  • No hay una elección universalmente óptima de los parámetros alfa y beta; puede ser necesario un ajuste dependiente del sistema.
  • Aún puede divergir si la estimación inicial está lejos de la verdad o si el desajuste del modelo es severo.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Más preciso que el EKF para sistemas altamente no lineales; captura momentos de tercer orden sin Jacobianos explícitos.
  • No es necesario calcular o codificar matrices Jacobianas; reduce los errores de implementación y mejora la robustez.
  • Ajuste mínimo requerido; la ubicación de los puntos sigma se determina mediante fórmulas bien establecidas.
  • Convergencia demostrable para una clase más amplia de sistemas no lineales en comparación con el EKF.
  • Funciona bien con ruido no gaussiano si las estadísticas de ruido pueden aproximarse mediante una mezcla gaussiana.

Aplicaciones

  • Robótica: Estimación de actitud 3D a partir de acelerómetro y giroscopio, SLAM de robots móviles con modelos de sensores no lineales.
  • Aeroespacial: Estimación de actitud y rumbo de aeronaves, determinación de actitud de naves espaciales a partir de mediciones de rastreadores estelares y giroscopios.
  • Vehículos autónomos: Fusión GPS/INS con dinámica no lineal, fusión de sensores de radar, lidar y cámara.
  • Navegación: Corrección de errores del sistema de navegación inercial, localización de objetivos solo por rumbo.
  • Sistemas de energía: Estimación de estado no lineal en redes eléctricas, detección de armónicos en sistemas de energía de CA.

Cómo funciona

Cómo funciona

1

Establezca la estimación inicial del estado x_hat_0 y la covarianza P_0; también establezca los parámetros del UKF (α, β, κ) que controlan el espaciado de los puntos sigma.

2

Genere 2n+1 puntos sigma a partir de la estimación y covarianza actuales, donde n es la dimensión del estado. Los puntos se colocan en la media y en ubicaciones a sqrt(λ + n) desviaciones estándar de distancia.

3

Pase cada punto sigma a través del modelo de movimiento no lineal para obtener puntos sigma predichos; calcule la media y la covarianza predichas a partir de los puntos propagados.

4

Pase los puntos sigma predichos a través de la función de medición para obtener mediciones predichas; calcule la ganancia de Kalman y actualice el estado y la covarianza utilizando las ecuaciones de actualización estándar.

Errores comunes

  • Usar los parámetros UKF predeterminados (α, β, κ) sin comprender su efecto; estos controlan la dispersión de los puntos sigma y la aproximación de momentos de orden superior.
  • Sobre-especificar la covarianza del ruido de medición R para suprimir las oscilaciones en lugar de mejorar el modelo.
  • Ignorar la maldición de la dimensionalidad; el UKF escala como O(n^3) en la dimensión del estado, por lo que los espacios de estado de alta dimensión (>50D) requieren aproximaciones.
  • Asumir que el UKF es robusto a todas las no linealidades; todavía asume que el sistema puede ser bien aproximado por una gaussiana en cada paso.

Preguntas frecuentes

¿Qué son los puntos sigma y cómo se eligen?

Los puntos sigma son un conjunto de puntos de muestreo elegidos determinísticamente que capturan la media y la covarianza de una distribución gaussiana. Para un estado n-dimensional, se colocan 2n+1 puntos sigma en: x y x ± sqrt((λ+n) P), donde λ = α^2(n+κ)−n. Los parámetros α y κ controlan la dispersión: α (típicamente 0.001-1) controla la distancia desde la media, κ es un parámetro de escala secundario (a menudo 0).

¿Cómo se compara el UKF con el EKF en términos de precisión y computación?

El UKF es típicamente más preciso para sistemas no lineales (coincidencia de momentos de tercer orden frente a primer orden). Computacionalmente, el UKF requiere 2n+1 evaluaciones de la función no lineal por paso, mientras que el EKF requiere una evaluación de función más una evaluación Jacobiana. Para sistemas de baja dimensión (n<20), la sobrecarga es pequeña; para sistemas de alta dimensión, el EKF puede ser más rápido a pesar de su menor precisión.

¿Puedo usar el UKF con distribuciones multimodales (no gaussianas)?

El UKF estándar asume distribuciones gaussianas y tendrá un rendimiento deficiente con distribuciones multimodales. Para posteriores multimodales, utilice un Filtro de Partículas, que representa la distribución como un conjunto ponderado de partículas. Alternativamente, utilice el UKF de Mezcla Gaussiana, que mantiene múltiples componentes gaussianos.

¿Cómo ajusto los parámetros α, β y κ del UKF?

Elección estándar: α = 0.001 (coloca los puntos sigma muy cerca de la media), κ = 0, β = 2 (óptimo para gaussiana). Para ruido no gaussiano, pruebe β = 2 (óptimo gaussiano), un β mayor enfatiza los puntos sigma externos. Para sistemas con fuerte no linealidad, aumente α (por ejemplo, 0.1) para extender los puntos sigma más ampliamente. Pruebe empíricamente con datos simulados.

Métodos relacionados

Fuentes

  1. 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.

    Abrir referencia de la publicación
    Copiado.
  2. 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.

    Abrir referencia de la publicación
    Copiado.
  3. Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.

    Abrir referencia DOI
    Copiado.