Skip to content
Retour aux résultats

Filtre de Kalman non scellé

Introduite par
Simon Julier
Année
1997
Type
algorithm
Famille
Nonlinear Estimation

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

Le Filtre de Kalman non scellé (UKF) est un algorithme d'estimation d'état non linéaire qui approxime les systèmes non linéaires sans nécessiter de calcul explicite de Jacobien.

Introduit par Julier et Uhlmann en 1997, l'UKF utilise la transformée non scellée — une méthode déterministe pour capturer les statistiques de moyenne et de covariance via un ensemble soigneusement choisi de points d'échantillonnage (points sigma) — le rendant plus précis que le Filtre de Kalman étendu pour les systèmes fortement non linéaires tout en évitant la charge computationnelle des calculs de dérivées.

L’intuition derrière la méthode

L'idée clé de l'UKF est de remplacer la linéarisation explicite (utilisée dans l'EKF) par une approche d'échantillonnage statistique. Plutôt que de calculer des Jacobiens, l'UKF sélectionne un ensemble minimal de points choisis déterministiquement (points sigma) autour de l'estimation d'état actuelle, les propage à travers la fonction non linéaire, et récupère la moyenne et la covariance des résultats. Parce que la fonction non linéaire est évaluée en plusieurs points plutôt qu'approximée par son gradient, l'UKF capture la non-linéarité plus précisément. Pour une distribution gaussienne, cette approche est exacte jusqu'au troisième moment (asymétrie), comparé à l'EKF qui n'est précis qu'au premier ordre.

Histoire

Julier et Uhlmann ont introduit la transformée non scellée en 1997 comme technique générale pour propager la moyenne et la covariance à travers des fonctions non linéaires. Wan et Van der Merwe ont développé l'algorithme UKF complet en 2000 et ont démontré des performances supérieures à l'EKF sur des problèmes de référence. Le manuel de Sarkka (2013) a fourni un traitement complet incluant des variantes adaptatives et distribuées de l'UKF. L'UKF est devenu standard en robotique et en aérospatiale, en particulier pour l'estimation d'attitude (la dynamique des quaternions est très non linéaire).

Quand l’utiliser

Utiliser l'UKF lorsque vous avez un système fortement non linéaire et que vous souhaitez une précision supérieure à celle de l'EKF sans calculer de Jacobiens. Il est idéal pour la robotique (en particulier l'estimation d'attitude 3D), la navigation avec des modèles de capteurs non linéaires (radar, angles d'azimut), et les systèmes où la linéarisation est une mauvaise approximation. L'UKF est plus coûteux en calcul que l'EKF (d'un petit facteur), évitez-le donc uniquement si le calcul est sévèrement contraint ou si la non-linéarité du système est légère (EKF suffisant).

Limites et points d’attention

  • Légèrement plus coûteux en calcul que l'EKF (2n+1 évaluations de fonction par pas de temps au lieu d'un Jacobien).
  • Suppose toujours des distributions gaussiennes ; un bruit non gaussien peut entraîner une divergence du filtre.
  • La propagation des points sigma nécessite le stockage et la manipulation de plus de matrices que l'EKF.
  • Pas de choix universellement optimal des paramètres alpha et beta ; un réglage dépendant du système peut être nécessaire.
  • Peut toujours diverger si l'estimation initiale est éloignée de la vérité ou si l'inadéquation du modèle est sévère.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Plus précis que l'EKF pour les systèmes fortement non linéaires ; capture les moments d'ordre trois sans Jacobiens explicites.
  • Pas besoin de calculer ou de coder des matrices Jacobiennes ; réduit les erreurs d'implémentation et améliore la robustesse.
  • Réglage minimal requis ; le placement des points sigma est déterminé par des formules bien établies.
  • Convergent de manière prouvée pour une classe plus large de systèmes non linéaires par rapport à l'EKF.
  • Fonctionne bien avec un bruit non gaussien si les statistiques du bruit peuvent être approximées par un mélange gaussien.

Applications

  • Robotique : Estimation d'attitude 3D à partir d'accéléromètre et de gyroscope, SLAM de robot mobile avec modèles de capteurs non linéaires.
  • Aérospatiale : Estimation d'attitude et de cap d'avion, détermination d'attitude de vaisseau spatial à partir de mesures de traqueur d'étoiles et de gyroscopes.
  • Véhicules autonomes : Fusion GPS/INS avec dynamique non linéaire, fusion de capteurs radar, lidar et caméra.
  • Navigation : Correction d'erreur de système de navigation inertielle, localisation de cible basée sur l'azimut uniquement.
  • Systèmes électriques : Estimation d'état non linéaire dans les réseaux électriques, détection d'harmoniques dans les systèmes électriques AC.

Comment ça marche

Comment ça marche

1

Définir l'estimation d'état initiale x_hat_0 et la covariance P_0 ; définir également les paramètres de l'UKF (α, β, κ) qui contrôlent l'espacement des points sigma.

2

Générer 2n+1 points sigma à partir de l'estimation et de la covariance actuelles, où n est la dimension de l'état. Les points sont placés à la moyenne et à des écarts types de sqrt(λ + n) de celle-ci.

3

Propager chaque point sigma à travers le modèle de mouvement non linéaire pour obtenir les points sigma prédits ; calculer la moyenne et la covariance prédites à partir des points propagés.

4

Propager les points sigma prédits à travers la fonction de mesure pour obtenir les mesures prédites ; calculer le gain de Kalman et mettre à jour l'état et la covariance en utilisant les équations de mise à jour standard.

Pièges courants

  • Utilisation des paramètres UKF par défaut (α, β, κ) sans comprendre leur effet ; ceux-ci contrôlent la dispersion des points sigma et l'approximation des moments d'ordre supérieur.
  • Surestimation de la covariance du bruit de mesure R pour supprimer les oscillations au lieu d'améliorer le modèle.
  • Ignorer la malédiction de la dimensionnalité ; l'UKF évolue en O(n^3) par rapport à la dimension de l'état, donc les espaces d'état de haute dimension (>50D) nécessitent des approximations.
  • Supposer que l'UKF est robuste à toutes les non-linéarités ; il suppose toujours que le système peut être bien approximé par une gaussienne à chaque étape.

Questions fréquentes

Que sont les points sigma et comment sont-ils choisis ?

Les points sigma sont un ensemble de points d'échantillonnage choisis déterministiquement qui capturent la moyenne et la covariance d'une distribution gaussienne. Pour un état n-dimensionnel, 2n+1 points sigma sont placés à : x et x ± sqrt((λ+n) P), où λ = α^2(n+κ)−n. Les paramètres α et κ contrôlent la dispersion : α (typiquement 0.001-1) contrôle la distance par rapport à la moyenne, κ est un paramètre d'échelle secondaire (souvent 0).

Comment l'UKF se compare-t-il à l'EKF en termes de précision et de calcul ?

L'UKF est généralement plus précis pour les systèmes non linéaires (capture des moments d'ordre trois contre premier ordre). En termes de calcul, l'UKF nécessite 2n+1 évaluations de la fonction non linéaire par pas, tandis que l'EKF nécessite une évaluation de fonction plus une évaluation de Jacobien. Pour les systèmes de faible dimension (n<20), la surcharge est faible ; pour les systèmes de haute dimension, l'EKF peut être plus rapide malgré une précision moindre.

Puis-je utiliser l'UKF avec des distributions multimodales (non gaussiennes) ?

L'UKF standard suppose des distributions gaussiennes et fonctionnera mal avec des distributions multimodales. Pour les postérieurs multimodaux, utilisez un Filtre Particulaire, qui représente la distribution par un ensemble pondéré de particules. Alternativement, utilisez l'UKF à mélange gaussien, qui maintient plusieurs composantes gaussiennes.

Comment régler les paramètres α, β et κ de l'UKF ?

Choix standard : α = 0.001 (place les points sigma très près de la moyenne), κ = 0, β = 2 (optimal pour les gaussiennes). Pour un bruit non gaussien, essayez β = 2 (optimal gaussien), un β plus grand met l'accent sur les points sigma extérieurs. Pour les systèmes avec une forte non-linéarité, augmentez α (par exemple, 0.1) pour étaler davantage les points sigma. Testez empiriquement sur des données simulées.

Méthodes associées

Sources

  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.

    Ouvrir la référence de la publication
    Copié.
  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.

    Ouvrir la référence de la publication
    Copié.
  3. Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.

    Ouvrir la référence DOI
    Copié.