Filtro di Kalman Non Lineare (Unscented Kalman Filter, UKF)
- Introdotto da
- Simon Julier
- Anno
- 1997
- Tipo
- algorithm
- Famiglia
- Nonlinear Estimation
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
Il Filtro di Kalman Non Lineare (Unscented Kalman Filter, UKF) è un algoritmo non lineare di stima dello stato che approssima sistemi non lineari senza richiedere il calcolo esplicito dello Jacobiano.
Introdotto da Julier e Uhlmann nel 1997, l'UKF utilizza la trasformata unscented—un metodo deterministico per catturare le statistiche di media e covarianza attraverso un insieme attentamente scelto di punti campione (sigma points)—rendendolo più accurato del Filtro di Kalman Esteso (Extended Kalman Filter, EKF) per sistemi altamente non lineari, evitando al contempo l'onere computazionale dei calcoli delle derivate.
L’intuizione alla base del metodo
L'idea chiave dell'UKF è sostituire la linearizzazione esplicita (usata nell'EKF) con un approccio di campionamento statistico. Invece di calcolare gli Jacobiani, l'UKF seleziona un insieme minimo di punti deterministici (sigma points) attorno alla stima dello stato corrente, li propaga attraverso la funzione non lineare e recupera la media e la covarianza dei risultati. Poiché la funzione non lineare viene valutata in più punti anziché essere approssimata dal suo gradiente, l'UKF cattura la non linearità in modo più accurato. Per una distribuzione Gaussiana, questo approccio è esatto fino al terzo momento (asimmetria), rispetto all'EKF che è accurato solo al primo ordine.
Storia
Julier e Uhlmann introdussero la trasformata unscented nel 1997 come tecnica generale per propagare media e covarianza attraverso funzioni non lineari. Wan e Van der Merwe svilupparono l'algoritmo UKF completo nel 2000 e dimostrarono prestazioni superiori all'EKF in problemi di benchmark. Il libro di testo di Sarkka (2013) fornì un trattamento completo includendo varianti adattive e distribuite dell'UKF. L'UKF è diventato uno standard nella robotica e nell'aerospaziale, specialmente per la stima dell'assetto (la dinamica dei quaternioni è altamente non lineare).
Quando usarlo
Utilizzare l'UKF quando si ha un sistema fortemente non lineare e si desidera un'accuratezza migliore dell'EKF senza calcolare gli Jacobiani. È ideale per la robotica (specialmente la stima dell'assetto 3D), la navigazione con modelli di sensori non lineari (radar, angoli di rilevamento) e sistemi in cui la linearizzazione è una cattiva approssimazione. L'UKF è più costoso computazionalmente dell'EKF (di un piccolo fattore), quindi evitarlo solo se il calcolo è gravemente limitato o la non linearità del sistema è lieve (EKF sufficiente).
Limiti e considerazioni
- Leggermente più costoso computazionalmente dell'EKF (2n+1 valutazioni della funzione per passo temporale invece dello Jacobiano).
- Assume ancora distribuzioni Gaussiane; rumore non Gaussiano può causare divergenza del filtro.
- La propagazione dei sigma points richiede la memorizzazione e la manipolazione di più matrici rispetto all'EKF.
- Nessuna scelta universalmente ottimale dei parametri alpha e beta; potrebbe essere necessaria una taratura dipendente dal sistema.
- Può comunque divergere se la stima iniziale è lontana dalla verità o il disallineamento del modello è grave.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Più accurato dell'EKF per sistemi altamente non lineari; cattura momenti del terzo ordine senza Jacobiani espliciti.
- Nessuna necessità di calcolare o codificare matrici Jacobiane; riduce gli errori di implementazione e migliora la robustezza.
- Minima taratura richiesta; il posizionamento dei sigma points è determinato da formule ben consolidate.
- Convergenza dimostrabile per una classe più ampia di sistemi non lineari rispetto all'EKF.
- Funziona bene con rumore non Gaussiano se le statistiche del rumore possono essere approssimate da una miscela Gaussiana.
Applicazioni
- Robotica: Stima dell'assetto 3D da accelerometro e giroscopio, SLAM di robot mobili con modelli di sensori non lineari.
- Aerospaziale: Stima dell'assetto e della prua di aeromobili, determinazione dell'assetto di veicoli spaziali da misure di star tracker e giroscopio.
- Veicoli autonomi: Fusione GPS/INS con dinamiche non lineari, fusione di sensori da radar, lidar e telecamera.
- Navigazione: Correzione degli errori del sistema di navigazione inerziale, localizzazione di bersagli basata solo sul rilevamento (bearings-only).
- Sistemi di potenza: Stima dello stato non lineare in reti elettriche, rilevamento di armoniche nei sistemi di potenza AC.
Come funziona
Come funziona
Impostare la stima iniziale dello stato x_hat_0 e la covarianza P_0; impostare anche i parametri dell'UKF (α, β, κ) che controllano la spaziatura dei sigma points.
Generare 2n+1 sigma points dalla stima e covarianza correnti, dove n è la dimensione dello stato. I punti sono posizionati alla media e a distanze pari a sqrt(λ + n) deviazioni standard.
Propagare ciascun sigma point attraverso il modello di moto non lineare per ottenere sigma points predetti; calcolare la media e la covarianza predette dai punti propagati.
Propagare i sigma points predetti attraverso la funzione di misura per ottenere misure predette; calcolare il guadagno di Kalman e aggiornare stato e covarianza utilizzando le equazioni di aggiornamento standard.
Errori comuni
- Utilizzo dei parametri UKF predefiniti (α, β, κ) senza comprenderne l'effetto; questi controllano la diffusione dei sigma points e l'approssimazione dei momenti di ordine superiore.
- Sovra-specificare la covarianza del rumore di misura R per sopprimere oscillazioni invece di migliorare il modello.
- Ignorare la maledizione della dimensionalità; l'UKF scala come O(n^3) in dimensione dello stato, quindi spazi di stato ad alta dimensionalità (>50D) richiedono approssimazioni.
- Assumere che l'UKF sia robusto a tutte le non linearità; assume comunque che il sistema possa essere ben approssimato da una Gaussiana ad ogni passo.
Domande frequenti
Cosa sono i sigma points e come vengono scelti?
I sigma points sono un insieme di punti campione scelti deterministicamente che catturano la media e la covarianza di una distribuzione Gaussiana. Per uno stato n-dimensionale, 2n+1 sigma points sono posizionati a: x e x ± sqrt((λ+n) P), dove λ = α^2(n+κ)−n. I parametri α e κ controllano la diffusione: α (tipicamente 0.001-1) controlla la distanza dalla media, κ è un parametro di scala secondario (spesso 0).
Come si confronta l'UKF con l'EKF in termini di accuratezza e calcolo?
L'UKF è tipicamente più accurato per sistemi non lineari (approssimazione di momenti del terzo ordine contro primo ordine). Computazionalmente, l'UKF richiede 2n+1 valutazioni della funzione non lineare per passo, mentre l'EKF richiede una valutazione della funzione più una valutazione dello Jacobiano. Per sistemi a bassa dimensionalità (n<20), l'overhead è piccolo; per sistemi ad alta dimensionalità, l'EKF può essere più veloce nonostante una minore accuratezza.
Posso usare l'UKF con distribuzioni multimodali (non Gaussiane)?
L'UKF standard assume distribuzioni Gaussiane e funzionerà male con distribuzioni multimodali. Per posteriori multimodali, utilizzare un Filtro Particellare (Particle Filter), che rappresenta la distribuzione come un insieme pesato di particelle. In alternativa, utilizzare l'UKF a Miscela Gaussiana (Gaussian Mixture UKF), che mantiene più componenti Gaussiane.
Come si tarano i parametri α, β e κ dell'UKF?
Scelta standard: α = 0.001 (posiziona i sigma points molto vicini alla media), κ = 0, β = 2 (ottimale per Gaussiane). Per rumore non Gaussiano, provare β = 2 (ottimale Gaussiano), valori maggiori di β enfatizzano i sigma points esterni. Per sistemi con forte non linearità, aumentare α (es. 0.1) per diffondere i sigma points più ampiamente. Testare empiricamente su dati simulati.
Metodi correlati
Fonti
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.
Apri il riferimento della pubblicazioneCopiato.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.
Apri il riferimento della pubblicazioneCopiato.Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.
Apri il riferimento DOICopiato.