Skip to content
Kembali ke hasil pencarian

Filter Kalman Tak Beraroma (Unscented Kalman Filter)

Diperkenalkan oleh
Simon Julier
Tahun
1997
Jenis
algorithm
Keluarga
Nonlinear Estimation

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Filter Kalman Tak Beraroma (UKF) adalah algoritma estimasi keadaan nonlinier yang mengaproksimasi sistem nonlinier tanpa memerlukan komputasi Jacobian eksplisit.

Diperkenalkan oleh Julier dan Uhlmann pada tahun 1997, UKF menggunakan transformasi tak beraroma—metode deterministik untuk menangkap statistik rata-rata dan kovarians melalui serangkaian titik sampel (titik sigma) yang dipilih dengan cermat—menjadikannya lebih akurat daripada Filter Kalman Diperluas untuk sistem yang sangat nonlinier sambil menghindari beban komputasi perhitungan turunan.

Intuisi di balik metode

Gagasan utama UKF adalah mengganti linearisasi eksplisit (yang digunakan dalam EKF) dengan pendekatan pengambilan sampel statistik. Daripada menghitung Jacobian, UKF memilih serangkaian titik minimal yang dipilih secara deterministik (titik sigma) di sekitar estimasi keadaan saat ini, menyebarkan masing-masing melalui fungsi nonlinier, dan memulihkan rata-rata serta kovarians hasilnya. Karena fungsi nonlinier dievaluasi pada beberapa titik daripada diaproksimasi oleh gradiennya, UKF menangkap nonlinieritas dengan lebih akurat. Untuk distribusi Gaussian, pendekatan ini tepat hingga momen ketiga (skewness), dibandingkan dengan EKF yang hanya akurat orde pertama.

Sejarah

Julier dan Uhlmann memperkenalkan transformasi tak beraroma pada tahun 1997 sebagai teknik umum untuk menyebarkan rata-rata dan kovarians melalui fungsi nonlinier. Wan dan Van der Merwe mengembangkan algoritma UKF lengkap pada tahun 2000 dan menunjukkan kinerja yang unggul dibandingkan EKF dalam masalah benchmark. Buku teks Sarkka (2013) memberikan perlakuan komprehensif termasuk varian UKF adaptif dan terdistribusi. UKF telah menjadi standar dalam robotika dan kedirgantaraan, terutama untuk estimasi sikap (dinamika kuaternion sangat nonlinier).

Kapan digunakan

Gunakan UKF ketika Anda memiliki sistem yang sangat nonlinier dan menginginkan akurasi yang lebih baik daripada EKF tanpa menghitung Jacobian. Ini ideal untuk robotika (terutama estimasi sikap 3D), navigasi dengan model sensor nonlinier (radar, sudut bantalan), dan sistem di mana linearisasi adalah aproksimasi yang buruk. UKF lebih mahal secara komputasi daripada EKF (dengan faktor kecil), jadi hindari hanya jika komputasi sangat terbatas atau nonlinieritas sistem ringan (EKF sudah cukup).

Batasan dan pertimbangan

  • Sedikit lebih mahal secara komputasi daripada EKF (2n+1 evaluasi fungsi per langkah waktu alih-alih Jacobian).
  • Masih mengasumsikan distribusi Gaussian; derau non-Gaussian dapat menyebabkan divergensi filter.
  • Propagasi titik sigma memerlukan penyimpanan dan manipulasi lebih banyak matriks daripada EKF.
  • Tidak ada pilihan parameter alfa dan beta yang optimal secara universal; penyetelan yang bergantung pada sistem mungkin diperlukan.
  • Masih dapat menyimpang jika estimasi awal jauh dari kebenaran atau ketidaksesuaian model parah.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Lebih akurat daripada EKF untuk sistem yang sangat nonlinier; menangkap momen orde ketiga tanpa Jacobian eksplisit.
  • Tidak perlu menghitung atau mengkodekan matriks Jacobian; mengurangi kesalahan implementasi dan meningkatkan ketahanan.
  • Penyetelan minimal diperlukan; penempatan titik sigma ditentukan oleh formula yang sudah mapan.
  • Terbukti konvergen untuk kelas sistem nonlinier yang lebih luas dibandingkan dengan EKF.
  • Bekerja dengan baik dengan derau non-Gaussian jika statistik derau dapat diaproksimasi oleh campuran Gaussian.

Penerapan

  • Robotika: Estimasi sikap 3D dari akselerometer dan giroskop, SLAM robot bergerak dengan model sensor nonlinier.
  • Kedirgantaraan: Estimasi sikap dan arah pesawat, penentuan sikap wahana antariksa dari pelacak bintang dan pengukuran giroskop.
  • Kendaraan otonom: Fusi GPS/INS dengan dinamika nonlinier, fusi sensor dari radar, lidar, dan kamera.
  • Navigasi: Koreksi kesalahan sistem navigasi inersia, lokalisasi target hanya berdasarkan bantalan.
  • Sistem tenaga: Estimasi keadaan nonlinier dalam jaringan listrik, deteksi harmonik dalam sistem tenaga AC.

Cara kerjanya

Cara kerjanya

1

Tetapkan estimasi keadaan awal x_hat_0 dan kovarians P_0; juga tetapkan parameter UKF (α, β, κ) yang mengontrol jarak titik sigma.

2

Hasilkan 2n+1 titik sigma dari estimasi dan kovarians saat ini, di mana n adalah dimensi keadaan. Titik-titik ditempatkan pada rata-rata dan pada lokasi sqrt(λ + n) standar deviasi jauhnya.

3

Lewatkan setiap titik sigma melalui model gerak nonlinier untuk mendapatkan titik sigma yang diprediksi; hitung rata-rata dan kovarians yang diprediksi dari titik-titik yang disebarkan.

4

Lewatkan titik sigma yang diprediksi melalui fungsi pengukuran untuk mendapatkan pengukuran yang diprediksi; hitung gain Kalman dan perbarui keadaan serta kovarians menggunakan persamaan pembaruan standar.

Kesalahan umum

  • Menggunakan parameter UKF default (α, β, κ) tanpa memahami efeknya; ini mengontrol penyebaran titik sigma dan aproksimasi momen orde tinggi.
  • Terlalu menentukan kovarians derau pengukuran R untuk menekan osilasi alih-alih meningkatkan model.
  • Mengabaikan kutukan dimensionalitas; UKF berskala sebagai O(n^3) dalam dimensi keadaan, sehingga ruang keadaan berdimensi tinggi (>50D) memerlukan aproksimasi.
  • Mengasumsikan UKF tangguh terhadap semua nonlinieritas; masih mengasumsikan sistem dapat diaproksimasi dengan baik oleh Gaussian pada setiap langkah.

Pertanyaan yang sering diajukan

Apa itu titik sigma dan bagaimana cara memilihnya?

Titik sigma adalah serangkaian titik sampel yang dipilih secara deterministik yang menangkap rata-rata dan kovarians distribusi Gaussian. Untuk keadaan berdimensi n, 2n+1 titik sigma ditempatkan pada: x dan x ± sqrt((λ+n) P), di mana λ = α^2(n+κ)−n. Parameter α dan κ mengontrol penyebaran: α (biasanya 0.001-1) mengontrol jarak dari rata-rata, κ adalah parameter penskalaan sekunder (seringkali 0).

Bagaimana perbandingan UKF dengan EKF dalam hal akurasi dan komputasi?

UKF biasanya lebih akurat untuk sistem nonlinier (pencocokan momen orde ketiga vs. orde pertama). Secara komputasi, UKF memerlukan 2n+1 evaluasi fungsi nonlinier per langkah, sedangkan EKF memerlukan satu evaluasi fungsi ditambah satu evaluasi Jacobian. Untuk sistem berdimensi rendah (n<20), overheadnya kecil; untuk sistem berdimensi tinggi, EKF bisa lebih cepat meskipun akurasinya lebih rendah.

Bisakah saya menggunakan UKF dengan distribusi multimodal (non-Gaussian)?

UKF standar mengasumsikan distribusi Gaussian dan akan berkinerja buruk dengan distribusi multimodal. Untuk posterior multimodal, gunakan Filter Partikel, yang merepresentasikan distribusi sebagai serangkaian partikel berbobot. Atau, gunakan UKF Campuran Gaussian, yang mempertahankan beberapa komponen Gaussian.

Bagaimana cara menyetel parameter UKF α, β, dan κ?

Pilihan standar: α = 0.001 (menempatkan titik sigma sangat dekat dengan rata-rata), κ = 0, β = 2 (optimal untuk Gaussian). Untuk derau non-Gaussian, coba β = 2 (optimal Gaussian), β yang lebih besar menekankan titik sigma luar. Untuk sistem dengan nonlinieritas kuat, tingkatkan α (misalnya, 0.1) untuk menyebarkan titik sigma lebih lebar. Uji secara empiris pada data simulasi.

Metode terkait

Sumber

  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.

    Buka referensi publikasi
    Disalin.
  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.

    Buka referensi publikasi
    Disalin.
  3. Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.

    Buka referensi DOI
    Disalin.