Skip to content
بازگشت به نتایج جست‌وجو

فیلتر کالمن بدون اغتشاش (Unscented Kalman Filter - UKF)

معرفی‌شده توسط
Simon Julier
سال
1997
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 بدون اغتشاش (UKF) یک الگوریتم تخمین حالت غیرخطی است که سیستم‌های غیرخطی را بدون نیاز به محاسبه صریح ژاکوبین تقریب می‌زند.

UKF که در سال ۱۹۹۷ توسط Julier و Uhlmann معرفی شد، از تبدیل بدون اغتشاش (unscented transform) - یک روش قطعی برای ثبت آمار میانگین و کوواریانس از طریق مجموعه‌ای با دقت انتخاب‌شده از نقاط نمونه (نقاط سیگما) - استفاده می‌کند و این امر آن را برای سیستم‌های به‌شدت غیرخطی دقیق‌تر از فیلتر کالمن بسط‌یافته (Extended Kalman Filter - EKF) می‌سازد، در حالی که از بار محاسباتی محاسبات مشتق نیز اجتناب می‌کند.

شهود پشت روش

ایده کلیدی UKF جایگزینی خطی‌سازی صریح (مورد استفاده در EKF) با رویکرد نمونه‌برداری آماری است. UKF به جای محاسبه ژاکوبین‌ها، مجموعه‌ای حداقل از نقاط به‌صورت قطعی انتخاب‌شده (نقاط سیگما) را در اطراف تخمین حالت فعلی انتخاب کرده، هر یک را از طریق تابع غیرخطی منتشر کرده و میانگین و کوواریانس نتایج را بازیابی می‌کند. از آنجایی که تابع غیرخطی در چندین نقطه به جای تقریب با گرادیان آن ارزیابی می‌شود، UKF غیرخطی بودن را با دقت بیشتری ثبت می‌کند. برای توزیع گاوسی، این رویکرد تا گشتاور سوم (چولگی) دقیق است، در مقایسه با EKF که تنها دقت مرتبه اول دارد.

تاریخ

Julier و Uhlmann تبدیل بدون اغتشاش را در سال ۱۹۹۷ به‌عنوان یک تکنیک عمومی برای انتشار میانگین و کوواریانس از طریق توابع غیرخطی معرفی کردند. Wan و Van der Merwe الگوریتم کامل UKF را در سال ۲۰۰۰ توسعه دادند و عملکرد برتر آن را نسبت به EKF در مسائل معیار نشان دادند. کتاب درسی Sarkka (۲۰۱۳) به بررسی جامع از جمله انواع تطبیقی و توزیع‌شده UKF پرداخت. UKF در رباتیک و هوافضا، به‌ویژه برای تخمین وضعیت (دینامیک کواترنیون به‌شدت غیرخطی است)، استاندارد شده است.

چه زمانی استفاده شود

زمانی از UKF استفاده کنید که سیستم به‌شدت غیرخطی دارید و دقت بهتری نسبت به EKF می‌خواهید بدون محاسبه ژاکوبین‌ها. این فیلتر برای رباتیک (به‌ویژه تخمین وضعیت سه‌بعدی)، ناوبری با مدل‌های سنسور غیرخطی (رادار، زوایای bearings) و سیستم‌هایی که خطی‌سازی تقریب ضعیفی است، ایده‌آل است. UKF از نظر محاسباتی گران‌تر از EKF است (با ضریب کوچک)، بنابراین تنها در صورتی از آن اجتناب کنید که محاسبات به‌شدت محدود باشد یا غیرخطی بودن سیستم خفیف باشد (EKF کافی است).

محدودیت‌ها و ملاحظات

  • کمی گران‌تر از نظر محاسباتی نسبت به EKF (2n+1 ارزیابی تابع در هر گام زمانی به جای ژاکوبین).
  • هنوز توزیع‌های گاوسی را فرض می‌کند؛ نویز غیرگاوسی می‌تواند باعث واگرایی فیلتر شود.
  • انتشار نقاط سیگما نیاز به ذخیره و دستکاری ماتریس‌های بیشتری نسبت به EKF دارد.
  • هیچ انتخاب جهانی بهینه برای پارامترهای آلفا و بتا وجود ندارد؛ ممکن است تنظیم وابسته به سیستم مورد نیاز باشد.
  • در صورت دور بودن تخمین اولیه از حقیقت یا شدید بودن عدم تطابق مدل، همچنان می‌تواند واگرا شود.

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

نقاط قوت

  • دقیق‌تر از EKF برای سیستم‌های به‌شدت غیرخطی؛ گشتاورهای مرتبه سوم را بدون ژاکوبین‌های صریح ثبت می‌کند.
  • نیازی به محاسبه یا کدنویسی ماتریس‌های ژاکوبین نیست؛ خطاهای پیاده‌سازی را کاهش داده و استحکام را بهبود می‌بخشد.
  • نیاز به تنظیم حداقلی؛ تعیین محل نقاط سیگما توسط فرمول‌های به‌خوبی تثبیت‌شده انجام می‌شود.
  • برای طیف وسیع‌تری از سیستم‌های غیرخطی نسبت به EKF، همگرایی اثبات‌شده دارد.
  • در صورت تقریب آمار نویز با ترکیب گاوسی، با نویز غیرگاوسی به‌خوبی کار می‌کند.

کاربردها

  • رباتیک: تخمین وضعیت سه‌بعدی از شتاب‌سنج و ژیروسکوپ، SLAM ربات متحرک با مدل‌های سنسور غیرخطی.
  • هوافضا: تخمین وضعیت و جهت هواپیما، تعیین وضعیت فضاپیما از اندازه‌گیری‌های ردیاب ستاره و ژیرو.
  • وسایل نقلیه خودران: ادغام GPS/INS با دینامیک‌های غیرخطی، ادغام سنسور از رادار، لیدار و دوربین.
  • ناوبری: تصحیح خطای سیستم ناوبری اینرسیایی، مکان‌یابی هدف فقط با bearings.
  • سیستم‌های قدرت: تخمین حالت غیرخطی در شبکه‌های قدرت، تشخیص هارمونیک در سیستم‌های قدرت AC.

چگونه کار می‌کند

چگونه کار می‌کند

1

تخمین حالت اولیه x_hat_0 و کوواریانس P_0 را تعیین کنید؛ همچنین پارامترهای UKF (α, β, κ) را که فاصله نقاط سیگما را کنترل می‌کنند، تنظیم کنید.

2

تعداد 2n+1 نقطه سیگما را از تخمین و کوواریانس فعلی تولید کنید، که n بعد حالت است. نقاط در میانگین و در فواصل انحراف معیار sqrt(λ + n) قرار می‌گیرند.

3

هر نقطه سیگما را از طریق مدل حرکت غیرخطی عبور دهید تا نقاط سیگمای پیش‌بینی‌شده به دست آیند؛ میانگین و کوواریانس پیش‌بینی‌شده را از نقاط منتشر شده محاسبه کنید.

4

نقاط سیگمای پیش‌بینی‌شده را از طریق تابع اندازه‌گیری عبور دهید تا اندازه‌گیری‌های پیش‌بینی‌شده به دست آیند؛ بهره کالمن را محاسبه کرده و حالت و کوواریانس را با استفاده از معادلات به‌روزرسانی استاندارد به‌روز کنید.

دام‌های رایج

  • استفاده از پارامترهای پیش‌فرض UKF (α, β, κ) بدون درک تأثیر آن‌ها؛ این پارامترها گسترش نقاط سیگما و تقریب گشتاورهای مرتبه بالاتر را کنترل می‌کنند.
  • بیش از حد تعیین کردن کوواریانس نویز اندازه‌گیری R برای سرکوب نوسانات به جای بهبود مدل.
  • نادیده گرفتن نفرین ابعاد؛ UKF با ابعاد حالت به‌صورت O(n^3) مقیاس‌بندی می‌شود، بنابراین فضاهای حالت با ابعاد بالا (بیشتر از ۵۰D) نیاز به تقریب دارند.
  • فرض اینکه UKF در برابر همه غیرخطی‌ها مقاوم است؛ این فیلتر همچنان فرض می‌کند که سیستم می‌تواند در هر مرحله به‌خوبی با یک توزیع گاوسی تقریب زده شود.

پرسش‌های متداول

نقاط سیگما چه هستند و چگونه انتخاب می‌شوند؟

نقاط سیگما مجموعه‌ای از نقاط نمونه هستند که به‌صورت قطعی انتخاب شده و میانگین و کوواریانس یک توزیع گاوسی را ثبت می‌کنند. برای حالت n-بعدی، 2n+1 نقطه سیگما در این مکان‌ها قرار می‌گیرند: x و x ± sqrt((λ+n) P)، که در آن λ = α^2(n+κ)−n. پارامترهای α و κ گسترش را کنترل می‌کنند: α (معمولاً ۰.۰۰۱-۱) فاصله از میانگین را کنترل می‌کند، κ یک پارامتر مقیاس ثانویه است (اغلب ۰).

UKF از نظر دقت و محاسبات چگونه با EKF مقایسه می‌شود؟

UKF معمولاً برای سیستم‌های غیرخطی دقیق‌تر است (ثبت گشتاور مرتبه سوم در مقابل مرتبه اول). از نظر محاسباتی، UKF نیاز به 2n+1 ارزیابی تابع غیرخطی در هر گام دارد، در حالی که EKF نیاز به یک ارزیابی تابع به همراه یک ارزیابی ژاکوبین دارد. برای سیستم‌های با ابعاد کم (n<20)، سربار کم است؛ برای سیستم‌های با ابعاد بالا، EKF می‌تواند با وجود دقت کمتر، سریع‌تر باشد.

آیا می‌توانم از UKF با توزیع‌های چندوجهی (غیرگاوسی) استفاده کنم؟

UKF استاندارد توزیع‌های گاوسی را فرض می‌کند و با توزیع‌های چندوجهی عملکرد ضعیفی خواهد داشت. برای پسین‌های چندوجهی، از فیلتر ذره‌ای (Particle Filter) استفاده کنید که توزیع را به‌عنوان مجموعه‌ای وزن‌دار از ذرات نشان می‌دهد. به‌طور جایگزین، از UKF ترکیب گاوسی (Gaussian Mixture UKF) استفاده کنید که چندین مؤلفه گاوسی را حفظ می‌کند.

چگونه پارامترهای UKF α، β و κ را تنظیم کنم؟

انتخاب استاندارد: α = 0.001 (نقاط سیگما را بسیار نزدیک به میانگین قرار می‌دهد)، κ = 0، β = 2 (بهینه برای گاوسی). برای نویز غیرگاوسی، β = 2 (بهینه گاوسی) را امتحان کنید، β بزرگتر نقاط سیگمای بیرونی را برجسته می‌کند. برای سیستم‌های با غیرخطی بودن قوی، α را افزایش دهید (مثلاً ۰.۱) تا نقاط سیگما را وسیع‌تر پخش کنید. به‌صورت تجربی روی داده‌های شبیه‌سازی شده آزمایش کنید.

روش‌های مرتبط

منابع

  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.

    باز کردن مرجع انتشار
    کپی شد.
  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.

    باز کردن مرجع انتشار
    کپی شد.
  3. Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.

    باز کردن مرجع DOI
    کپی شد.