Filter Kalman Diperluas
- Diperkenalkan oleh
- Richard S. Bucy
- Tahun
- 1961
- Jenis
- algorithm
- Keluarga
- Nonlinear Estimation
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Filter Kalman Diperluas (EKF) adalah generalisasi nonlinear dari Filter Kalman, memperluas algoritma estimasi keadaan linier ke sistem nonlinear melalui linearisasi lokal. Dikembangkan oleh Bucy pada awal 1960-an, EKF telah menjadi tulang punggung estimasi keadaan dalam sistem nonlinear di bidang robotika, kedirgantaraan, dan navigasi, memungkinkan pemrosesan waktu-nyata dari pengukuran berisik dari sensor dan dinamika nonlinear.
Intuisi di balik metode
Filter Kalman optimal untuk sistem linier, tetapi sistem nyata sering kali nonlinear (sensor robot mengukur sudut, bukan keadaan; navigasi melibatkan hubungan trigonometri). EKF memperluas Filter Kalman linier dengan melinearisasi dinamika sistem nonlinear dan persamaan pengukuran di sekitar estimasi keadaan saat ini. Pada setiap langkah waktu, EKF menghitung matriks Jacobian (turunan parsial) dari fungsi nonlinear, kemudian menerapkan persamaan Filter Kalman linier standar menggunakan Jacobian ini. Hasilnya adalah estimasi optimal lokal yang menangani nonlinearitas sedang dengan baik, meskipun kehilangan jaminan optimalitas global dari Filter Kalman linier.
Sejarah
Bucy mengembangkan EKF pada tahun 1961 sebagai perluasan Filter Kalman ke sistem nonlinear. Metode ini dengan cepat diadopsi untuk navigasi pesawat ruang angkasa (program Apollo) dan kontrol pesawat terbang. Battin dan lainnya menyempurnakan implementasi numerik untuk sistem tertanam. Buku teks Bar-Shalom (2001) menjadi referensi standar. Varian modern termasuk Filter Kalman Unscented (UKF), yang menggunakan sampling deterministik alih-alih linearisasi, dan Filter Kalman Ensemble (EnKF), yang digunakan dalam asimilasi data skala besar.
Kapan digunakan
Gunakan EKF ketika Anda memiliki sistem nonlinear dan menginginkan estimasi keadaan waktu-nyata dari pengukuran berisik. Ini ideal untuk robotika (fusi sensor data IMU, GPS, encoder), navigasi (unit pengukuran inersia pesawat), dan sistem kontrol (umpan balik keadaan pada plant nonlinear). EKF bekerja dengan baik untuk sistem dengan nonlinearitas ringan hingga sedang dan noise Gaussian. Hindari EKF jika sistem sangat nonlinear (kelengkungan kuat), jika noise non-Gaussian, atau jika Anda memerlukan batas yang terjamin pada kesalahan estimasi (gunakan metode interval).
Batasan dan pertimbangan
- Suboptimal untuk sistem nonlinear; linearisasi memperkenalkan kesalahan aproksimasi yang terakumulasi.
- Perhitungan Jacobian bisa rawan kesalahan; kesalahan numerik dalam turunan menurunkan kinerja.
- Mengasumsikan noise Gaussian dan persamaan pengukuran linier; pengukuran non-Gaussian atau sangat nonlinear menyebabkan divergensi filter.
- Linearisasi lokal saja; gagal untuk gangguan keadaan yang besar jauh dari estimasi.
- Dapat menyimpang jika tebakan awal terlalu jauh dari keadaan sebenarnya atau jika ketidaksesuaian model besar.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Memperluas optimalitas dan efisiensi rekursif penyaringan Kalman ke sistem nonlinear.
- Implementasi waktu-nyata dimungkinkan; diskalakan dengan baik ke sistem berdimensi tinggi (digunakan dalam otomotif dan kedirgantaraan).
- Teori yang dipahami dengan baik dan implementasi yang melimpah; ekosistem perangkat lunak yang matang.
- Dapat menggabungkan beberapa sensor nonlinear (kamera, lidar, radar) ke dalam estimasi keadaan yang terpadu.
- Menyediakan estimasi kovarians keadaan, memungkinkan pengambilan keputusan berdasarkan keyakinan pada estimasi.
Penerapan
- Robotika: Lokalisasi robot bergerak menggabungkan odometri dan observasi landmark, SLAM waktu-nyata dengan sensor berisik.
- Kedirgantaraan: Estimasi keadaan pesawat dari IMU dan GPS (fusi sensor), estimasi sikap pesawat ruang angkasa dari pelacak bintang.
- Otomotif: Lokalisasi kendaraan dari encoder roda dan GPS, estimasi keadaan kontrol jelajah adaptif.
- Navigasi: Estimasi bias unit pengukuran inersia (IMU), integrasi GPS/INS untuk penentuan posisi yang presisi.
- Visi komputer: Pelacakan objek 3D dari video, odometri visual menggabungkan pengukuran kamera dan IMU.
Cara kerjanya
Cara kerjanya
Tetapkan estimasi keadaan awal x_hat_0 dan estimasi kovarians P_0; ini mencerminkan ketidakpastian Anda tentang kondisi awal.
Gunakan model gerak nonlinear x_{k+1} = f(x_k, u_k) untuk memprediksi keadaan berikutnya; hitung Jacobian F_k dari f dan sebarkan kovarians menggunakan P_{k+1|k} = F_k P_k F_k^T + Q.
Pada setiap waktu pengukuran, hitung Jacobian H_k dari fungsi pengukuran h di sekitar keadaan yang diprediksi x_hat_{k|k-1}.
Terapkan pembaruan Filter Kalman standar: hitung gain Kalman K_k, perbarui estimasi keadaan x_hat_{k|k}, dan perbarui kovarians P_{k|k}.
Kesalahan umum
- Periksa juga bahwa kovarians yang diprediksi menurun seiring waktu; jika meningkat, ketidakpastian model Q terlalu besar.
- Over-tuning kovarians noise Q dan R; statistik noise yang salah spesifikasi menyebabkan divergensi filter atau konvergensi lambat.
- Mengabaikan keteramatan; jika sistem tidak dapat diamati, gain filter menjadi tidak dapat diandalkan dan estimasi menyimpang.
- Mengasumsikan distribusi Gaussian; noise sensor nyata sering memiliki outlier, menyebabkan filter salah arah.
Pertanyaan yang sering diajukan
Bagaimana cara menghitung matriks Jacobian untuk EKF?
Hitung Jacobian dengan mengambil turunan parsial: F[i,j] = ∂f_i/∂x_j dievaluasi pada estimasi saat ini. Untuk fungsi yang kompleks, gunakan alat diferensiasi otomatis (misalnya, PyTorch, JAX) untuk menghindari kesalahan. Selalu verifikasi secara numerik dengan membandingkan terhadap aproksimasi perbedaan hingga: (f(x+ε)-f(x))/ε.
Apa perbedaan antara EKF dan UKF?
EKF melinearisasi fungsi nonlinear menggunakan ekspansi Taylor (Jacobian). UKF sebaliknya mengambil sampel sekumpulan titik yang dipilih secara deterministik (titik sigma) di sekitar estimasi dan menyebarkannya melalui fungsi nonlinear, menangkap nonlinearitas orde lebih tinggi tanpa Jacobian eksplisit. UKF seringkali lebih akurat untuk sistem yang sangat nonlinear tetapi sedikit lebih mahal secara komputasi.
Bagaimana cara mendeteksi divergensi filter?
Pantau inovasi yang dinormalisasi (residu pengukuran dibagi dengan kovarians pengukuran yang diprediksi). Untuk filter yang disetel dengan baik, inovasi ini harus putih (rata-rata nol, varians konstan). Jika inovasi secara konsisten bias atau memiliki varians yang meningkat, filter menyimpang. Periksa juga bahwa kovarians yang diprediksi menurun seiring waktu; jika meningkat, ketidakpastian model Q terlalu besar.
Bisakah saya menggunakan EKF untuk sistem dengan penundaan waktu?
EKF standar tidak menangani penundaan waktu dalam pengukuran. Untuk menggunakan EKF dengan pengukuran yang tertunda, perluas vektor keadaan untuk menyertakan keadaan sebelumnya, atau gunakan varian Filter Kalman tertunda yang menyimpan dan memproses pengukuran di luar urutan. Pendekatan lain adalah meningkatkan kovarians noise pengukuran R untuk memperhitungkan ketidakpastian penundaan.
Metode terkait
Sumber
Bucy, R. S. (1961). A linear approximation to the solution of nonlinear filtering equations. Technical Report No. 32-486, Jet Propulsion Laboratory.
Buka referensi publikasiDisalin.Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.
Buka referensi DOIDisalin.Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.
Buka referensi publikasiDisalin.