Skip to content
Torna ai risultati

Filtro di Kalman Esteso

Introdotto da
Richard S. Bucy
Anno
1961
Tipo
algorithm
Famiglia
Nonlinear Estimation

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

Il Filtro di Kalman Esteso (EKF) è la generalizzazione non lineare del Filtro di Kalman, che estende l'algoritmo lineare di stima dello stato a sistemi non lineari attraverso la linearizzazione locale.

Sviluppato da Bucy all'inizio degli anni '60, l'EKF è diventato il cavallo di battaglia per la stima dello stato in sistemi non lineari in robotica, aerospaziale e navigazione, consentendo l'elaborazione in tempo reale di misurazioni rumorose da sensori e dinamiche non lineari.

L’intuizione alla base del metodo

Il Filtro di Kalman è ottimale per sistemi lineari, ma i sistemi reali sono spesso non lineari (i sensori dei robot misurano angoli, non stati; la navigazione coinvolge relazioni trigonometriche). L'EKF estende il Filtro di Kalman lineare linearizzando le equazioni non lineari di dinamica del sistema e di misurazione attorno alla stima dello stato corrente. Ad ogni passo temporale, l'EKF calcola le matrici Jacobiane (derivate parziali) delle funzioni non lineari, quindi applica le equazioni standard del Filtro di Kalman lineare utilizzando questi Jacobiani. Il risultato è una stima localmente ottimale che gestisce bene le non linearità moderate, sebbene perda la garanzia di ottimalità globale del Filtro di Kalman lineare.

Storia

Bucy sviluppò l'EKF nel 1961 come estensione del Filtro di Kalman ai sistemi non lineari. Il metodo fu rapidamente adottato per la navigazione spaziale (programma Apollo) e il controllo di aeromobili. Battin e altri perfezionarono l'implementazione numerica per sistemi embedded. Il libro di testo di Bar-Shalom (2001) divenne il riferimento standard. Varianti moderne includono l'Unscented Kalman Filter (UKF), che utilizza campionamento deterministico invece della linearizzazione, e l'Ensemble Kalman Filter (EnKF), utilizzato nell'assimilazione dati su larga scala.

Quando usarlo

Utilizzare l'EKF quando si dispone di un sistema non lineare e si desidera una stima dello stato in tempo reale da misurazioni rumorose. È ideale per la robotica (fusione di sensori di dati IMU, GPS, encoder), navigazione (unità di misurazione inerziale di aeromobili) e sistemi di controllo (feedback di stato su impianti non lineari). L'EKF funziona bene per sistemi con non linearità da lievi a moderate e rumore Gaussiano. Evitare l'EKF se il sistema è altamente non lineare (curvatura forte), se il rumore non è Gaussiano, o se si necessitano limiti garantiti sull'errore di stima (utilizzare metodi intervallari).

Limiti e considerazioni

  • Subottimale per sistemi non lineari; la linearizzazione introduce errori di approssimazione che si accumulano.
  • Il calcolo della Jacobiana può essere soggetto a errori; errori numerici nelle derivate degradano le prestazioni.
  • Assume rumore Gaussiano ed equazioni di misurazione lineari; misurazioni non Gaussiane o fortemente non lineari causano divergenza del filtro.
  • Solo linearizzazione locale; fallisce per grandi perturbazioni dello stato lontane dalla stima.
  • Può divergere se l'ipotesi iniziale è troppo lontana dallo stato vero o se il disallineamento del modello è grande.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Estende l'ottimalità e l'efficienza ricorsiva del filtraggio di Kalman ai sistemi non lineari.
  • Implementazione in tempo reale possibile; scala bene a sistemi ad alta dimensionalità (utilizzato in ambito automobilistico e aerospaziale).
  • Teoria ben compresa e abbondanti implementazioni; ecosistema software maturo.
  • Può fondere sensori non lineari multipli (telecamera, lidar, radar) in una stima dello stato unificata.
  • Fornisce una stima della covarianza dello stato, consentendo il processo decisionale basato sulla fiducia nella stima.

Applicazioni

  • Robotica: Localizzazione di robot mobili che fondono odometria e osservazioni di punti di riferimento, SLAM in tempo reale con sensori rumorosi.
  • Aerospaziale: Stima dello stato di aeromobili da IMU e GPS (fusione di sensori), stima dell'assetto di veicoli spaziali da star tracker.
  • Automobilistico: Localizzazione del veicolo da encoder delle ruote e GPS, stima dello stato del controllo di crociera adattivo.
  • Navigazione: Stima del bias dell'unità di misurazione inerziale (IMU), integrazione GPS/INS per un posizionamento preciso.
  • Visione artificiale: Tracciamento di oggetti 3D da video, odometria visiva che combina misurazioni di telecamera e IMU.

Come funziona

Come funziona

1

Impostare la stima dello stato iniziale x_hat_0 e la stima della covarianza P_0; queste riflettono la vostra incertezza sulla condizione iniziale.

2

Utilizzare il modello di moto non lineare x_{k+1} = f(x_k, u_k) per predire lo stato successivo; calcolare la Jacobiana F_k di f e propagare la covarianza usando P_{k+1|k} = F_k P_k F_k^T + Q.

3

Ad ogni tempo di misurazione, calcolare la Jacobiana H_k della funzione di misurazione h attorno allo stato predetto x_hat_{k|k-1}.

4

Applicare l'aggiornamento standard del Filtro di Kalman: calcolare il guadagno di Kalman K_k, aggiornare la stima dello stato x_hat_{k|k} e aggiornare la covarianza P_{k|k}.

Errori comuni

  • Calcolare in modo errato le Jacobiane (errori di segno, termini mancanti); verificare sempre numericamente rispetto alle differenze finite.
  • Sovra-taratura delle covarianze di rumore Q e R; statistiche di rumore specificate in modo errato causano divergenza del filtro o convergenza lenta.
  • Ignorare l'osservabilità; se il sistema non è osservabile, i guadagni del filtro diventano inaffidabili e le stime divergono.
  • Assumere distribuzioni Gaussiane; il rumore reale dei sensori spesso presenta outlier, inducendo il filtro in errore.

Domande frequenti

Come calcolo le matrici Jacobiane per l'EKF?

Calcolare la Jacobiana prendendo le derivate parziali: F[i,j] = ∂f_i/∂x_j valutata nella stima corrente. Per funzioni complesse, utilizzare strumenti di differenziazione automatica (es. PyTorch, JAX) per evitare errori. Verificare sempre numericamente confrontando con approssimazioni a differenze finite: (f(x+ε)-f(x))/ε.

Qual è la differenza tra EKF e UKF?

L'EKF linearizza la funzione non lineare usando uno sviluppo di Taylor (Jacobiana). L'UKF invece campiona un insieme di punti scelti deterministicamente (punti sigma) attorno alla stima e li propaga attraverso la funzione non lineare, catturando non linearità di ordine superiore senza Jacobiane esplicite. L'UKF è spesso più accurato per sistemi fortemente non lineari ma leggermente più costoso computazionalmente.

Come rilevo la divergenza del filtro?

Monitorare l'innovazione normalizzata (residuo di misurazione diviso per la covarianza predetta della misurazione). Per un filtro ben tarato, queste innovazioni dovrebbero essere bianche (media zero, varianza costante). Se le innovazioni sono costantemente polarizzate o hanno varianza crescente, il filtro sta divergendo. Verificare anche che la covarianza predetta diminuisca nel tempo; se aumenta, l'incertezza del modello Q è troppo grande.

Posso usare l'EKF per sistemi con ritardi temporali?

L'EKF standard non gestisce ritardi temporali nelle misurazioni. Per utilizzare l'EKF con misurazioni ritardate, aumentare il vettore di stato per includere stati passati, o utilizzare una variante del Filtro di Kalman ritardato che memorizza ed elabora misurazioni fuori ordine. Un altro approccio è aumentare la covarianza del rumore di misurazione R per tenere conto dell'incertezza del ritardo.

Metodi correlati

Fonti

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

    Apri il riferimento della pubblicazione
    Copiato.
  2. Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.

    Apri il riferimento DOI
    Copiato.
  3. Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.

    Apri il riferimento della pubblicazione
    Copiato.