Przejdź do treści
Wróć do wyników wyszukiwania

Rozszerzony Filtr Kalmana

Autor metody
Richard S. Bucy
Rok
1961
Typ
algorithm
Rodzina
Nonlinear Estimation

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Rozszerzony Filtr Kalmana (EKF) jest nieliniową generalizacją Filtru Kalmana, rozszerzającą liniowy algorytm estymacji stanu do systemów nieliniowych poprzez lokalną linearyzację.

Opracowany przez Bucy'ego na początku lat 60. XX wieku, EKF stał się podstawowym narzędziem do estymacji stanu w systemach nieliniowych w robotyce, lotnictwie i nawigacji, umożliwiając przetwarzanie w czasie rzeczywistym zaszumionych pomiarów z nieliniowych czujników i dynamiki.

Intuicja stojąca za metodą

Filtr Kalmana jest optymalny dla systemów liniowych, ale rzeczywiste systemy są często nieliniowe (czujniki robotów mierzą kąty, a nie stany; nawigacja obejmuje związki trygonometryczne). EKF rozszerza liniowy Filtr Kalmana poprzez linearyzację nieliniowej dynamiki systemu i równań pomiarowych wokół bieżącej estymacji stanu. Na każdym kroku czasowym EKF oblicza macierze Jacobiego (pochodne cząstkowe) funkcji nieliniowych, a następnie stosuje standardowe liniowe równania Filtru Kalmana z użyciem tych Jakobianów. Wynikiem jest lokalnie optymalna estymacja, która dobrze radzi sobie z umiarkowanymi nieliniowościami, chociaż traci gwarancję globalnej optymalności liniowego Filtru Kalmana.

Historia

Bucy opracował EKF w 1961 roku jako rozszerzenie Filtru Kalmana do systemów nieliniowych. Metoda została szybko przyjęta do nawigacji kosmicznej (program Apollo) i sterowania samolotami. Battin i inni udoskonalili implementację numeryczną dla systemów wbudowanych. Podręcznik Bar-Shaloma (2001) stał się standardowym odniesieniem. Nowoczesne warianty obejmują Unscented Kalman Filter (UKF), który wykorzystuje deterministyczne próbkowanie zamiast linearyzacji, oraz Ensemble Kalman Filter (EnKF), stosowany w wielkoskalowej asymilacji danych.

Kiedy stosować

Użyj EKF, gdy masz system nieliniowy i chcesz estymować stan w czasie rzeczywistym na podstawie zaszumionych pomiarów. Jest idealny do robotyki (fuzja czujników danych IMU, GPS, enkoderów), nawigacji (inercyjne jednostki pomiarowe samolotów) i systemów sterowania (sprzężenie zwrotne stanu na nieliniowych obiektach). EKF działa dobrze dla systemów z łagodnymi do umiarkowanych nieliniowościami i szumem gaussowskim. Unikaj EKF, jeśli system jest silnie nieliniowy (silne krzywizny), jeśli szum jest nieliniowy (niegaussowski), lub jeśli potrzebujesz gwarantowanych ograniczeń błędu estymacji (użyj metod przedziałowych).

Ograniczenia i uwagi

  • Suboptymalny dla systemów nieliniowych; linearyzacja wprowadza błędy aproksymacji, które się kumulują.
  • Obliczanie Jakobianów może być podatne na błędy; błędy numeryczne w pochodnych pogarszają wydajność.
  • Zakłada szum gaussowski i liniowe równania pomiarowe; pomiary nieliniowe (niegaussowskie lub silnie nieliniowe) powodują dywergencję filtru.
  • Tylko lokalna linearyzacja; załamuje się dla dużych perturbacji stanu odbiegających od estymacji.
  • Może dywergować, jeśli początkowe przypuszczenie jest zbyt dalekie od prawdziwego stanu lub jeśli niedopasowanie modelu jest duże.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Rozszerza optymalność i rekurencyjną efektywność filtrowania Kalmana do systemów nieliniowych.
  • Możliwa implementacja w czasie rzeczywistym; dobrze skaluje się do systemów o wysokiej wymiarowości (stosowany w motoryzacji i lotnictwie).
  • Dobrze zrozumiana teoria i liczne implementacje; dojrzały ekosystem oprogramowania.
  • Może łączyć wiele nieliniowych czujników (kamera, lidar, radar) w zunifikowaną estymację stanu.
  • Dostarcza estymację kowariancji stanu, umożliwiając podejmowanie decyzji w oparciu o pewność co do estymacji.

Zastosowania

  • Robotyka: Lokalizacja robotów mobilnych łącząca dane z odometrii i obserwacji punktów orientacyjnych, SLAM w czasie rzeczywistym z zaszumionymi czujnikami.
  • Lotnictwo: Estymacja stanu samolotu z IMU i GPS (fuzja czujników), estymacja postawy statku powietrznego z gwiazdowskazów.
  • Motoryzacja: Lokalizacja pojazdu z enkoderów kół i GPS, estymacja stanu adaptacyjnego tempomatu.
  • Nawigacja: Estymacja dryfu inercyjnej jednostki pomiarowej (IMU), integracja GPS/INS dla precyzyjnego pozycjonowania.
  • Widzenie komputerowe: Śledzenie obiektów 3D z wideo, odometria wizualna łącząca pomiary z kamery i IMU.

Jak to działa

Jak to działa

1

Ustaw początkową estymację stanu x_hat_0 i estymację kowariancji P_0; odzwierciedlają one niepewność co do warunku początkowego.

2

Użyj nieliniowego modelu ruchu x_{k+1} = f(x_k, u_k) do przewidywania następnego stanu; oblicz Jakobian F_k funkcji f i propaguj kowariancję za pomocą P_{k+1|k} = F_k P_k F_k^T + Q.

3

Na każdym kroku pomiarowym oblicz Jakobian H_k funkcji pomiarowej h wokół przewidywanego stanu x_hat_{k|k-1}.

4

Zastosuj standardową aktualizację Filtru Kalmana: oblicz wzmocnienie Kalmana K_k, zaktualizuj estymację stanu x_hat_{k|k} i zaktualizuj kowariancję P_{k|k}.

Częste pułapki

  • Nieprawidłowe obliczanie Jakobianów (błędy znaku, brakujące terminy); zawsze weryfikuj numerycznie w porównaniu z różnicami skończonymi.
  • Nadmierne dostrajanie kowariancji szumu Q i R; błędnie określone statystyki szumu powodują dywergencję filtru lub powolną zbieżność.
  • Ignorowanie obserwowalności; jeśli system nie jest obserwowalny, wzmocnienia filtru stają się niewiarygodne, a estymacje dywergują.
  • Zakładanie rozkładów gaussowskich; rzeczywisty szum czujnika często zawiera wartości odstające, co prowadzi do błędnego działania filtru.

Najczęściej zadawane pytania

Jak obliczyć macierze Jakobianów dla EKF?

Oblicz Jakobian, biorąc pochodne cząstkowe: F[i,j] = ∂f_i/∂x_j ocenione w bieżącej estymacji. Dla złożonych funkcji użyj narzędzi do automatycznego różniczkowania (np. PyTorch, JAX), aby uniknąć błędów. Zawsze weryfikuj numerycznie, porównując z aproksymacjami różnic skończonych: (f(x+ε)-f(x))/ε.

Jaka jest różnica między EKF a UKF?

EKF linearyzuje funkcję nieliniową za pomocą rozwinięcia w szereg Taylora (Jakobian). UKF zamiast tego próbuje zestaw deterministycznie wybranych punktów (punktów sigma) wokół estymacji i propaguje je przez funkcję nieliniową, wychwytując nieliniowość wyższych rzędów bez jawnych Jakobianów. UKF jest często dokładniejszy dla silnie nieliniowych systemów, ale nieco bardziej kosztowny obliczeniowo.

Jak wykryć dywergencję filtru?

Monitoruj znormalizowaną innowację (resztę pomiarową podzieloną przez przewidywaną kowariancję pomiaru). Dla dobrze dostrojonego filtru, te innowacje powinny być białe (średnia zero, stała wariancja). Jeśli innowacje są konsekwentnie obciążone lub mają rosnącą wariancję, filtr dywerguje. Sprawdź również, czy przewidywana kowariancja maleje w czasie; jeśli rośnie, niepewność modelu Q jest zbyt duża.

Czy mogę użyć EKF dla systemów z opóźnieniami czasowymi?

Standardowy EKF nie obsługuje opóźnień czasowych w pomiarach. Aby użyć EKF z opóźnionymi pomiarami, rozszerz wektor stanu o przeszłe stany lub użyj wariantu opóźnionego Filtru Kalmana, który przechowuje i przetwarza pomiary w nieprawidłowej kolejności. Innym podejściem jest zwiększenie kowariancji szumu pomiarowego R, aby uwzględnić niepewność związaną z opóźnieniem.

Pokrewne metody

Źródła

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

    Otwórz odnośnik do publikacji
    Skopiowano.
  2. Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.

    Otwórz odnośnik DOI
    Skopiowano.
  3. Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.

    Otwórz odnośnik do publikacji
    Skopiowano.