拡張カルマンフィルタ
- 提唱者
- Richard S. Bucy
- 年
- 1961
- 種類
- algorithm
- 系統
- Nonlinear Estimation
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
拡張カルマンフィルタ(EKF)は、カルマンフィルタの非線形一般化であり、局所線形化を通じて線形状態推定アルゴリズムを非線形システムに拡張したものです。1960年代初頭にブーシーによって開発されたEKFは、ロボット工学、航空宇宙、ナビゲーション分野における非線形システムの状態推定の主力となり、非線形センサーやダイナミクスからのノイズの多い測定値をリアルタイムで処理することを可能にしました。
手法の背後にある直感
カルマンフィルタは線形システムに対して最適ですが、現実のシステムはしばしば非線形です(ロボットセンサーは状態ではなく角度を測定し、ナビゲーションは三角関係を含みます)。EKFは、現在の状態推定値の周りで非線形システムダイナミクスと測定方程式を線形化することによって、線形カルマンフィルタを拡張します。各時間ステップで、EKFは非線形関数のヤコビ行列(偏微分)を計算し、これらのヤコビアンを使用して標準の線形カルマンフィルタ方程式を適用します。その結果、局所的に最適化された推定値が得られ、中程度の非線形性にはうまく対応しますが、線形カルマンフィルタの全体的な最適性の保証は失われます。
歴史学
ブーシーは1961年にカルマンフィルタの非線形システムへの拡張としてEKFを開発しました。この手法は、宇宙船ナビゲーション(アポロ計画)や航空機制御にすぐに採用されました。バッティンらは組み込みシステム向けの数値実装を洗練させました。バー・シャロムの教科書(2001年)は標準的な参考文献となりました。現代のバリアントには、線形化の代わりに決定論的サンプリングを使用するUnscented Kalman Filter(UKF)や、大規模データ同化で使用されるEnsemble Kalman Filter(EnKF)などがあります。
使うべき場面
非線形システムがあり、ノイズの多い測定値からリアルタイムの状態推定を行いたい場合に使用します。ロボット工学(IMU、GPS、エンコーダーデータのセンサーフュージョン)、ナビゲーション(航空機の慣性計測装置)、制御システム(非線形プラントの状態フィードバック)に理想的です。EKFは、軽度から中程度の非線形性およびガウスノイズを持つシステムに対してうまく機能します。システムが高度に非線形(強い曲率)である場合、ノイズが非ガウスである場合、または推定誤差の保証された上限が必要な場合(区間法を使用)は、EKFを避けてください。
限界と注意点
- 非線形システムに対しては最適ではありません。線形化によって近似誤差が生じ、それが蓄積します。
- ヤコビ行列の計算はエラーを起こしやすく、微分の数値誤差が性能を低下させます。
- ガウスノイズと線形測定方程式を仮定します。非ガウスまたは強く非線形な測定値はフィルタの発散を引き起こします。
- 局所線形化のみであり、推定値から離れた大きな状態摂動に対しては機能しません。
- 初期推定値が真の状態から離れすぎている場合や、モデルの不一致が大きい場合に発散する可能性があります。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- カルマンフィルタリングの最適性と再帰的効率を非線形システムに拡張します。
- リアルタイム実装が可能であり、高次元システム(自動車および航空宇宙分野で使用)にもうまくスケールします。
- 理論がよく理解されており、実装が豊富で、成熟したソフトウェアエコシステムがあります。
- 複数の非線形センサー(カメラ、ライダー、レーダー)を統一された状態推定に融合できます。
- 状態共分散推定値を提供し、推定値に対する信頼度に基づいた意思決定を可能にします。
応用
- ロボット工学:オドメトリとランドマーク観測を融合した移動ロボットの局在化、ノイズの多いセンサーを用いたリアルタイムSLAM。
- 航空宇宙:IMUとGPSからの航空機状態推定(センサーフュージョン)、スター・トラッカーからの宇宙船姿勢推定。
- 自動車:ホイールエンコーダーとGPSからの車両局在化、適応型クルーズコントロールの状態推定。
- ナビゲーション:慣性計測装置(IMU)のバイアス推定、高精度測位のためのGPS/INS統合。
- コンピュータビジョン:ビデオからの3D物体追跡、カメラとIMU測定値を組み合わせたビジュアルオドメトリ。
使い方
使い方
初期状態推定値 x_hat_0 と共分散推定値 P_0 を設定します。これらは初期条件に関する不確実性を反映します。
非線形運動モデル x_{k+1} = f(x_k, u_k) を使用して次の状態を予測します。f のヤコビアン F_k を計算し、P_{k+1|k} = F_k P_k F_k^T + Q を使用して共分散を伝播させます。
各測定時間において、予測された状態 x_hat_{k|k-1} の周りで測定関数 h のヤコビアン H_k を計算します。
標準カルマンフィルタの更新を適用します。カルマンゲイン K_k を計算し、状態推定値 x_hat_{k|k} と共分散 P_{k|k} を更新します。
よくある落とし穴
- ヤコビ行列の誤った計算(符号エラー、項の欠落)。常に数値的に有限差分と比較して検証してください。
- ノイズ共分散QとRの過剰調整。ノイズ統計の誤指定は、フィルタの発散または収束の遅延を引き起こします。
- 可観測性の無視。システムが可観測でない場合、フィルタゲインは信頼できなくなり、推定値は発散します。
- ガウス分布の仮定。実際のセンサーノイズには外れ値が含まれることが多く、フィルタが誤った情報を受け取る原因となります。
よくある質問
EKFのヤコビ行列をどのように計算しますか?
ヤコビ行列は偏微分を計算することによって求めます。F[i,j] = ∂f_i/∂x_j を現在の推定値で評価します。複雑な関数については、自動微分ツール(例:PyTorch、JAX)を使用してエラーを回避してください。常に有限差分近似と比較して数値的に検証してください:(f(x+ε)-f(x))/ε。
EKFとUKFの違いは何ですか?
EKFはテイラー展開(ヤコビ行列)を使用して非線形関数を線形化します。UKFは代わりに、推定値の周りに決定論的に選択された点のセット(シグマポイント)をサンプリングし、これらの点を非線形関数を通して伝播させることで、明示的なヤコビ行列なしに高次の非線形性を捉えます。UKFは、強く非線形なシステムに対してより正確であることが多いですが、計算コストはわずかに高くなります。
フィルタの発散をどのように検出しますか?
正規化されたイノベーション(測定残差を予測測定共分散で割ったもの)を監視します。適切に調整されたフィルタでは、これらのイノベーションはホワイトノイズ(平均ゼロ、一定の分散)であるはずです。イノベーションが一貫してバイアスを持っていたり、分散が増加したりする場合、フィルタは発散しています。また、予測共分散が時間とともに減少しているか確認してください。増加している場合は、モデルの不確実性Qが大きすぎます。
時間遅延のあるシステムにEKFを使用できますか?
標準EKFは測定値の時間遅延を処理しません。遅延測定値を持つEKFを使用するには、状態ベクトルを拡張して過去の状態を含めるか、順序外の測定値を格納および処理する遅延カルマンフィルタバリアントを使用します。別の方法として、遅延の不確実性を考慮するために測定ノイズ共分散Rを増加させることもあります。
関連する手法
参考文献
Bucy, R. S. (1961). A linear approximation to the solution of nonlinear filtering equations. Technical Report No. 32-486, Jet Propulsion Laboratory.
出版物の文献を開くコピーしました。Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.
DOI 文献を開くコピーしました。Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.
出版物の文献を開くコピーしました。