Skip to content
検索結果に戻る

アンセンテッドカルマンフィルタ

提唱者
Simon Julier
年
1997
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

文字サイズ

何をする手法か?

アンセンテッドカルマンフィルタ(UKF)は、非線形システムを明示的なヤコビアン計算なしに近似する非線形状態推定アルゴリズムです。1997年にJulierとUhlmannによって導入されたUKFは、アンセンテッド変換(注意深く選択された標本点(シグマ点)のセットを通じて平均と共分散統計を捉える決定論的手法)を使用します。これにより、UKFは高度に非線形なシステムに対して拡張カルマンフィルタ(EKF)よりも正確でありながら、導関数計算の計算負荷を回避します。

手法の背後にある直感

UKFの主要なアイデアは、明示的な線形化(EKFで使用される)を統計的サンプリングアプローチに置き換えることです。UKFはヤコビアンを計算する代わりに、現在の状態推定値の周りに決定論的に選択された最小限の点(シグマ点)のセットを選択し、それぞれを非線形関数を通して伝播させ、結果の平均と共分散を回復します。非線形関数は、その勾配によって近似されるのではなく、複数の点で評価されるため、UKFは非線形性をより正確に捉えます。ガウス分布の場合、このアプローチは3次モーメント(歪度)まで正確であり、1次精度のみのEKFと比較して優れています。

歴史学

JulierとUhlmannは1997年に、非線形関数を通して平均と共分散を伝播させる一般的な手法としてアンセンテッド変換を導入しました。WanとVan der Merweは2000年に完全なUKFアルゴリズムを開発し、ベンチマーク問題でEKFよりも優れた性能を示しました。Sarkkaの教科書(2013)は、適応型および分散型UKFのバリアントを含む包括的な解説を提供しました。UKFは、ロボティクスおよび航空宇宙分野、特に姿勢推定(クォータニオンダイナミクスは高度に非線形であるため)において標準的な手法となっています。

使うべき場面

強い非線形システムがあり、ヤコビアンを計算せずにEKFよりも優れた精度を求める場合にUKFを使用します。ロボティクス(特に3D姿勢推定)、非線形センサーモデル(レーダー、方位角)を用いたナビゲーション、および線形化が不適切な近似となるシステムに最適です。UKFはEKFよりも計算コストが高い(わずかな係数で)ため、計算が厳しく制約されている場合や、システムの非線形性が軽度である場合(EKFで十分な場合)にのみ避けるべきです。

限界と注意点

  • EKFよりもわずかに計算コストが高い(ヤコビアンの代わりに時間ステップごとに2n+1回の関数評価)。
  • 依然としてガウス分布を仮定しており、非ガウスノイズはフィルタの発散を引き起こす可能性がある。
  • シグマ点の伝播には、EKFよりも多くの行列を格納および操作する必要がある。
  • アルファとベータのパラメータに普遍的に最適な選択肢はない。システムに依存したチューニングが必要になる場合がある。
  • 初期推定値が真値から大きく離れている場合や、モデルの不一致が深刻な場合、依然として発散する可能性がある。

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

  • 高度に非線形なシステムに対してEKFよりも正確。明示的なヤコビアンなしで3次モーメントを捉える。
  • ヤコビアン行列を計算またはコーディングする必要がない。実装エラーを減らし、堅牢性を向上させる。
  • 最小限のチューニングで済む。シグマ点の配置は確立された式によって決定される。
  • EKFと比較して、より広範な非線形システムに対して収束が証明されている。
  • ノイズ統計がガウス混合で近似できる場合、非ガウスノイズでもうまく機能する。

応用

  • ロボティクス:加速度計とジャイロスコープからの3D姿勢推定、非線形センサーモデルを用いた移動ロボットのSLAM。
  • 航空宇宙:航空機の姿勢および方位推定、スタートラッカーとジャイロ測定値からの宇宙船の姿勢決定。
  • 自律走行車:非線形ダイナミクスを伴うGPS/INS融合、レーダー、ライダー、カメラからのセンサー融合。
  • ナビゲーション:慣性航法システムの誤差補正、方位角のみの目標位置特定。
  • 電力システム:電力網における非線形状態推定、交流電力システムにおける高調波検出。

使い方

使い方

1

初期状態推定値 x_hat_0 と共分散 P_0 を設定します。また、シグマ点の間隔を制御するUKFパラメータ (α, β, κ) も設定します。

2

現在の推定値と共分散から2n+1個のシグマ点を生成します。ここでnは状態の次元です。点は平均と、そこから sqrt(λ + n) 標準偏差離れた位置に配置されます。

3

各シグマ点を非線形運動モデルに通して予測シグマ点を得ます。伝播された点から予測平均と共分散を計算します。

4

予測シグマ点を測定関数に通して予測測定値を得ます。カルマンゲインを計算し、標準の更新方程式を使用して状態と共分散を更新します。

よくある落とし穴

  • UKFのデフォルトパラメータ(α、β、κ)がその効果を理解せずに使用されている。これらはシグマ点の広がりと高次モーメント近似を制御する。
  • モデルを改善する代わりに振動を抑制するために、測定ノイズ共分散Rを過剰に指定する。
  • 次元の呪いを無視する。UKFは状態次元nに対してO(n^3)でスケールするため、高次元の状態空間(>50D)では近似が必要となる。
  • UKFがあらゆる非線形性に対して堅牢であると仮定する。各ステップでシステムがガウス分布によって十分に近似できると依然として仮定している。

よくある質問

シグマ点とは何ですか、またどのように選択されますか?

シグマ点とは、ガウス分布の平均と共分散を捉えるために決定論的に選択された標本点の集合です。n次元の状態の場合、2n+1個のシグマ点が x と x ± sqrt((λ+n) P) に配置されます。ここで λ = α^2(n+κ)−n です。パラメータ α と κ は広がりを制御します。α(通常0.001-1)は平均からの距離を制御し、κ は二次的なスケーリングパラメータです(しばしば0)。

UKFは精度と計算の点でEKFと比較してどうですか?

UKFは非線形システムに対して通常より正確です(3次モーメントマッチング vs 1次)。計算上、UKFはステップごとに非線形関数の2n+1回の評価を必要としますが、EKFは1回の関数評価と1回のヤコビアン評価を必要とします。低次元システム(n<20)の場合、オーバーヘッドは小さいですが、高次元システムの場合、EKFは精度が低いにもかかわらず高速である可能性があります。

UKFを多峰性(非ガウス)分布で使用できますか?

標準のUKFはガウス分布を仮定しており、多峰性分布では性能が低下します。多峰性の事後分布には、重み付き粒子の集合として分布を表現するパーティクルフィルタを使用します。あるいは、複数のガウス成分を維持するガウス混合UKFを使用します。

UKFパラメータ α、β、κ はどのようにチューニングすればよいですか?

標準的な選択肢:α = 0.001(シグマ点を平均に非常に近づける)、κ = 0、β = 2(ガウス分布に最適)。非ガウスノイズの場合、β = 2(ガウス最適)を試すか、より大きなβは外側のシグマ点を強調します。強い非線形性を持つシステムの場合、αを増やして(例:0.1)シグマ点をより広く広げます。シミュレーションデータで経験的にテストしてください。

関連する手法

参考文献

  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.

    出版物の文献を開く
    コピーしました。
  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.

    出版物の文献を開く
    コピーしました。
  3. Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.

    DOI 文献を開く
    コピーしました。