Skip to content
بازگشت به نتایج جست‌وجو

فیلتر کالمن تعمیم‌یافته

معرفی‌شده توسط
Richard S. Bucy
سال
1961
نوع
algorithm
خانواده
Nonlinear Estimation

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

فیلتر کالمن تعمیم‌یافته (EKF) تعمیم غیرخطی فیلتر کالمن است که الگوریتم تخمین حالت خطی را با خطی‌سازی موضعی به سیستم‌های غیرخطی گسترش می‌دهد.

EKF که در اوایل دهه ۱۹۶۰ توسط باسی توسعه یافت، به ابزار اصلی تخمین حالت در سیستم‌های غیرخطی در رباتیک، هوافضا و ناوبری تبدیل شده است و پردازش بلادرنگ اندازه‌گیری‌های نویزی از حسگرها و دینامیک‌های غیرخطی را ممکن می‌سازد.

شهود پشت روش

فیلتر کالمن برای سیستم‌های خطی بهینه است، اما سیستم‌های واقعی اغلب غیرخطی هستند (حسگرهای ربات زاویه‌ها را اندازه‌گیری می‌کنند، نه حالت‌ها؛ ناوبری شامل روابط مثلثاتی است). EKF با خطی‌سازی دینامیک سیستم غیرخطی و معادلات اندازه‌گیری در اطراف تخمین حالت فعلی، فیلتر کالمن خطی را تعمیم می‌دهد. در هر گام زمانی، EKF ماتریس‌های ژاکوبین (مشتقات جزئی) توابع غیرخطی را محاسبه می‌کند، سپس با استفاده از این ژاکوبین‌ها، معادلات استاندارد فیلتر کالمن خطی را اعمال می‌کند. نتیجه یک تخمین بهینه موضعی است که با غیرخطی بودن‌های متوسط به خوبی برخورد می‌کند، اگرچه تضمین بهینگی سراسری فیلتر کالمن خطی را از دست می‌دهد.

تاریخ

بوسی در سال ۱۹۶۱ EKF را به عنوان امتداد فیلتر کالمن برای سیستم‌های غیرخطی توسعه داد. این روش به سرعت برای ناوبری فضاپیما (برنامه آپولو) و کنترل هواپیما پذیرفته شد. بتین و دیگران پیاده‌سازی عددی را برای سیستم‌های تعبیه‌شده اصلاح کردند. کتاب درسی بار-شالوم (۲۰۰1) به مرجع استاندارد تبدیل شد. انواع مدرن شامل فیلتر کالمن ناهموار (UKF) است که به جای خطی‌سازی از نمونه‌برداری قطعی استفاده می‌کند، و فیلتر کالمن گروهی (EnKF) که در جذب داده در مقیاس بزرگ استفاده می‌شود.

چه زمانی استفاده شود

هنگامی که یک سیستم غیرخطی دارید و تخمین حالت بلادرنگ از اندازه‌گیری‌های نویزی می‌خواهید، از EKF استفاده کنید. این روش برای رباتیک (ادغام حسگر داده‌های IMU، GPS، انکودر)، ناوبری (واحدهای اندازه‌گیری اینرسی هواپیما) و سیستم‌های کنترلی (بازخورد حالت بر روی پلنت‌های غیرخطی) ایده‌آل است. EKF برای سیستم‌هایی با غیرخطی بودن‌های خفیف تا متوسط و نویز گوسی به خوبی کار می‌کند. اگر سیستم به شدت غیرخطی است (انحنای قوی)، نویز غیرگوسی است، یا اگر به حدود تضمین‌شده برای خطای تخمین نیاز دارید (از روش‌های بازه‌ای استفاده کنید)، از EKF اجتناب کنید.

محدودیت‌ها و ملاحظات

  • برای سیستم‌های غیرخطی کم‌بهینه؛ خطی‌سازی خطاهای تقریبی را معرفی می‌کند که انباشته می‌شوند.
  • محاسبه ژاکوبین می‌تواند مستعد خطا باشد؛ خطاهای عددی در مشتقات عملکرد را کاهش می‌دهند.
  • نویز گوسی و معادلات اندازه‌گیری خطی را فرض می‌کند؛ اندازه‌گیری‌های غیرگوسی یا به شدت غیرخطی باعث واگرایی فیلتر می‌شوند.
  • فقط خطی‌سازی موضعی؛ برای اغتشاشات بزرگ حالت دور از تخمین، شکست می‌خورد.
  • اگر حدس اولیه خیلی دور از حالت واقعی باشد یا عدم تطابق مدل بزرگ باشد، می‌تواند واگرا شود.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • بهینگی و کارایی بازگشتی فیلتر کالمن را به سیستم‌های غیرخطی گسترش می‌دهد.
  • پیاده‌سازی بلادرنگ امکان‌پذیر است؛ به خوبی با سیستم‌های با ابعاد بالا مقیاس می‌شود (در خودرو و هوافضا استفاده می‌شود).
  • نظریه به خوبی درک شده و پیاده‌سازی‌های فراوان؛ اکوسیستم نرم‌افزاری بالغ.
  • می‌تواند چندین حسگر غیرخطی (دوربین، لیدار، رادار) را در یک تخمین حالت واحد ادغام کند.
  • تخمین کوواریانس حالت را فراهم می‌کند و امکان تصمیم‌گیری مبتنی بر اطمینان به تخمین را می‌دهد.

کاربردها

  • رباتیک: مکان‌یابی ربات متحرک با ادغام داده‌های اودومتری و مشاهدات نقاط عطف، SLAM بلادرنگ با حسگرهای نویزی.
  • هوافضا: تخمین حالت هواپیما از IMU و GPS (ادغام حسگر)، تخمین وضعیت فضاپیما از ردیاب‌های ستاره.
  • خودرو: مکان‌یابی وسیله نقلیه از انکودرهای چرخ و GPS، تخمین حالت کروز کنترل تطبیقی.
  • ناوبری: تخمین بایاس واحد اندازه‌گیری اینرسی (IMU)، ادغام GPS/INS برای موقعیت‌یابی دقیق.
  • بینایی کامپیوتر: ردیابی اشیاء سه‌بعدی از ویدئو، اودومتری بصری با ترکیب اندازه‌گیری‌های دوربین و IMU.

چگونه کار می‌کند

چگونه کار می‌کند

1

تخمین حالت اولیه x_hat_0 و تخمین کوواریانس P_0 را تعیین کنید؛ اینها عدم قطعیت شما را در مورد شرط اولیه منعکس می‌کنند.

2

از مدل حرکت غیرخطی x_{k+1} = f(x_k, u_k) برای پیش‌بینی حالت بعدی استفاده کنید؛ ژاکوبین F_k تابع f را محاسبه کرده و کوواریانس را با استفاده از P_{k+1|k} = F_k P_k F_k^T + Q منتشر کنید.

3

در هر زمان اندازه‌گیری، ژاکوبین H_k تابع اندازه‌گیری h را در اطراف حالت پیش‌بینی‌شده x_hat_{k|k-1} محاسبه کنید.

4

به‌روزرسانی استاندارد فیلتر کالمن را اعمال کنید: بهره کالمن K_k را محاسبه کنید، تخمین حالت x_hat_{k|k} را به‌روز کنید و کوواریانس P_{k|k} را به‌روز کنید.

دام‌های رایج

  • محاسبه نادرست ژاکوبین‌ها (خطاهای علامت، جملات گمشده)؛ همیشه از نظر عددی با تفاضل محدود مقایسه کنید.
  • تنظیم بیش از حد کوواریانس‌های نویز Q و R؛ آماره‌های نویز نادرست باعث واگرایی فیلتر یا همگرایی کند می‌شوند.
  • نادیده گرفتن قابلیت مشاهده؛ اگر سیستم قابل مشاهده نباشد، بهره‌های فیلتر غیرقابل اعتماد شده و تخمین‌ها واگرا می‌شوند.
  • فرض توزیع‌های گوسی؛ نویز واقعی حسگر اغلب دارای مقادیر پرت است و باعث گمراه شدن فیلتر می‌شود.

پرسش‌های متداول

چگونه ماتریس‌های ژاکوبین را برای EKF محاسبه کنم؟

ژاکوبین را با گرفتن مشتقات جزئی محاسبه کنید: F[i,j] = ∂f_i/∂x_j ارزیابی شده در تخمین فعلی. برای توابع پیچیده، از ابزارهای تمایز خودکار (مانند PyTorch، JAX) برای جلوگیری از خطا استفاده کنید. همیشه از نظر عددی با مقایسه با تقریب‌های تفاضل محدود مقایسه کنید: (f(x+ε)-f(x))/ε.

تفاوت بین EKF و UKF چیست؟

EKF تابع غیرخطی را با استفاده از بسط تیلور (ژاکوبین) خطی می‌کند. در عوض، UKF مجموعه‌ای از نقاط (نقاط سیگما) را به طور قطعی در اطراف تخمین نمونه‌برداری کرده و آنها را از تابع غیرخطی عبور می‌دهد و غیرخطی بودن مرتبه بالاتر را بدون ژاکوبین‌های صریح ثبت می‌کند. UKF اغلب برای سیستم‌های به شدت غیرخطی دقیق‌تر است اما از نظر محاسباتی کمی گران‌تر است.

چگونه واگرایی فیلتر را تشخیص دهم؟

نوآوری نرمال‌شده (باقیمانده اندازه‌گیری تقسیم بر کوواریانس اندازه‌گیری پیش‌بینی‌شده) را نظارت کنید. برای یک فیلتر با تنظیم خوب، این نوآوری‌ها باید سفید (میانگین صفر، واریانس ثابت) باشند. اگر نوآوری‌ها به طور مداوم بایاس‌دار باشند یا واریانس فزاینده‌ای داشته باشند، فیلتر در حال واگرایی است. همچنین بررسی کنید که کوواریانس پیش‌بینی‌شده در طول زمان کاهش یابد؛ اگر افزایش یابد، کوواریانس نویز مدل Q بیش از حد بزرگ است.

آیا می‌توانم از EKF برای سیستم‌های با تاخیر زمانی استفاده کنم؟

EKF استاندارد تاخیرهای زمانی در اندازه‌گیری‌ها را مدیریت نمی‌کند. برای استفاده از EKF با اندازه‌گیری‌های تأخیردار، بردار حالت را برای شامل کردن حالت‌های گذشته افزایش دهید، یا از یک نوع فیلتر کالمن تأخیردار استفاده کنید که اندازه‌گیری‌های خارج از ترتیب را ذخیره و پردازش می‌کند. رویکرد دیگر افزایش کوواریانس نویز اندازه‌گیری R برای در نظر گرفتن عدم قطعیت تأخیر است.

روش‌های مرتبط

منابع

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

    باز کردن مرجع انتشار
    کپی شد.
  2. Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.

    باز کردن مرجع DOI
    کپی شد.
  3. Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.

    باز کردن مرجع انتشار
    کپی شد.