Przejdź do treści
Wróć do wyników wyszukiwania

Filtr Kalmana bezwstydny (Unscented Kalman Filter, UKF)

Autor metody
Simon Julier
Rok
1997
Typ
algorithm
Rodzina
Nonlinear Estimation

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

Rozmiar czcionki

Do czego służy?

Filtr Kalmana bezwstydny (UKF) jest nieliniowym algorytmem estymacji stanu, który aproksymuje nieliniowe układy bez potrzeby jawnego obliczania jakobianów.

Wprowadzony przez Juliera i Uhlmanna w 1997 roku, UKF wykorzystuje transformację bezwstydną (unscented transform) – deterministyczną metodę przechwytywania statystyk średniej i kowariancji za pomocą starannie dobranego zbioru punktów próbnych (punktów sigma) – co czyni go dokładniejszym od rozszerzonego filtru Kalmana (Extended Kalman Filter, EKF) dla silnie nieliniowych układów, jednocześnie unikając obciążenia obliczeniowego związanego z obliczaniem pochodnych.

Intuicja stojąca za metodą

Kluczową ideą UKF jest zastąpienie jawnej linearyzacji (stosowanej w EKF) podejściem opartym na próbkowaniu statystycznym. Zamiast obliczać jakobiany, UKF wybiera minimalny zbiór deterministycznie wybranych punktów (punktów sigma) wokół bieżącej estymaty stanu, propaguje każdy z nich przez nieliniową funkcję i odzyskuje średnią oraz kowariancję wyników. Ponieważ nieliniowa funkcja jest ewaluowana w wielu punktach, a nie aproksymowana przez swój gradient, UKF dokładniej przechwytuje nieliniowość. Dla rozkładu Gaussa podejście to jest dokładne do trzeciego momentu (skośności), w porównaniu do EKF, który jest dokładny tylko pierwszego rzędu.

Historia

Julier i Uhlmann wprowadzili transformację bezwstydną w 1997 roku jako ogólną technikę propagacji średniej i kowariancji przez nieliniowe funkcje. Wan i Van der Merwe opracowali pełny algorytm UKF w 2000 roku i zademonstrowali jego przewagę nad EKF w problemach benchmarkowych. Podręcznik Sarkki (2013) zawierał kompleksowe omówienie, w tym adaptacyjne i rozproszone warianty UKF. UKF stał się standardem w robotyce i lotnictwie, zwłaszcza w estymacji postawy (dynamika kwaternionów jest silnie nieliniowa).

Kiedy stosować

Użyj UKF, gdy masz silnie nieliniowy układ i chcesz uzyskać dokładność lepszą niż EKF bez obliczania jakobianów. Jest idealny do robotyki (zwłaszcza estymacji postawy 3D), nawigacji z nieliniowymi modelami czujników (radar, kąty namiaru) i układów, gdzie linearyzacja jest słabą aproksymacją. UKF jest bardziej kosztowny obliczeniowo niż EKF (o niewielki czynnik), więc unikaj go tylko wtedy, gdy obliczenia są mocno ograniczone lub nieliniowość układu jest łagodna (EKF wystarczający).

Ograniczenia i uwagi

  • Nieco bardziej kosztowny obliczeniowo niż EKF (2n+1 ewaluacji funkcji na krok czasowy zamiast jakobianu).
  • Nadal zakłada rozkłady Gaussa; szum niegaussowski może spowodować dywergencję filtru.
  • Propagacja punktów sigma wymaga przechowywania i manipulowania większą liczbą macierzy niż EKF.
  • Brak uniwersalnie optymalnego wyboru parametrów alfa i beta; może być potrzebne dostrajanie zależne od układu.
  • Nadal może dywergować, jeśli początkowa estymata jest daleka od prawdy lub niedopasowanie modelu jest poważne.

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

Mocne strony

  • Dokładniejszy niż EKF dla silnie nieliniowych układów; przechwytuje momenty trzeciego rzędu bez jawnych jakobianów.
  • Brak potrzeby obliczania lub kodowania macierzy jakobianów; zmniejsza błędy implementacji i poprawia odporność.
  • Minimalne dostrajanie wymagane; rozmieszczenie punktów sigma jest określone przez ugruntowane formuły.
  • Dowolnie zbieżny dla szerszej klasy nieliniowych układów w porównaniu do EKF.
  • Dobrze działa z szumem niegaussowskim, jeśli statystyki szumu można aproksymować mieszaniną Gaussa.

Zastosowania

  • Robotyka: Estymacja postawy 3D z akcelerometru i żyroskopu, SLAM robotów mobilnych z nieliniowymi modelami czujników.
  • Lotnictwo: Estymacja postawy i kierunku samolotu, określanie postawy statku kosmicznego na podstawie pomiarów z gwiazdowców i żyroskopów.
  • Pojazdy autonomiczne: Fuzja GPS/INS z nieliniową dynamiką, fuzja czujników z radaru, lidaru i kamery.
  • Nawigacja: Korekcja błędów inercyjnego systemu nawigacyjnego, lokalizacja celu na podstawie samych namiarów.
  • Systemy energetyczne: Nieliniowa estymacja stanu w sieciach energetycznych, detekcja harmonicznych w sieciach prądu przemiennego.

Jak to działa

Jak to działa

1

Ustaw początkową estymatę stanu x_hat_0 i kowariancję P_0; ustaw także parametry UKF (α, β, κ), które kontrolują rozmieszczenie punktów sigma.

2

Wygeneruj 2n+1 punktów sigma z bieżącej estymaty i kowariancji, gdzie n jest wymiarem stanu. Punkty są umieszczone w średniej i w odległościach sqrt(λ + n) odchyleń standardowych.

3

Przepuść każdy punkt sigma przez nieliniowy model ruchu, aby uzyskać propagowane punkty sigma; oblicz propagowaną średnią i kowariancję z propagowanych punktów.

4

Przepuść propagowane punkty sigma przez funkcję pomiaru, aby uzyskać propagowane pomiary; oblicz wzmocnienie Kalmana i zaktualizuj stan oraz kowariancję, używając standardowych równań aktualizacji.

Częste pułapki

  • Używanie domyślnych parametrów UKF (α, β, κ) bez zrozumienia ich wpływu; kontrolują one rozrzut punktów sigma i aproksymację momentów wyższych rzędów.
  • Nadmierne określanie kowariancji szumu pomiarowego R w celu tłumienia oscylacji zamiast poprawy modelu.
  • Ignorowanie przekleństwa wymiarowości; UKF skaluje się jako O(n^3) względem wymiaru stanu, więc przestrzenie stanu o wysokiej wymiarowości (>50D) wymagają aproksymacji.
  • Zakładanie, że UKF jest odporny na wszystkie nieliniowości; nadal zakłada, że układ można dobrze aproksymować rozkładem Gaussa w każdym kroku.

Najczęściej zadawane pytania

Czym są punkty sigma i jak są wybierane?

Punkty sigma to deterministycznie wybrany zbiór punktów próbnych, które przechwytują średnią i kowariancję rozkładu Gaussa. Dla n-wymiarowego stanu, 2n+1 punktów sigma jest umieszczonych w: x i x ± sqrt((λ+n) P), gdzie λ = α^2(n+κ)−n. Parametry α i κ kontrolują rozrzut: α (zwykle 0.001-1) kontroluje odległość od średniej, κ jest wtórnym parametrem skalującym (często 0).

Jak UKF porównuje się do EKF pod względem dokładności i obliczeń?

UKF jest zazwyczaj dokładniejszy dla układów nieliniowych (dopasowanie momentów trzeciego rzędu vs. pierwszego rzędu). Obliczeniowo, UKF wymaga 2n+1 ewaluacji funkcji nieliniowej na krok, podczas gdy EKF wymaga jednej ewaluacji funkcji plus jednej ewaluacji jakobianu. Dla układów o niskiej wymiarowości (n<20) narzut jest niewielki; dla układów o wysokiej wymiarowości EKF może być szybszy, mimo niższej dokładności.

Czy mogę używać UKF z rozkładami multimodalnymi (niegaussowskimi)?

Standardowy UKF zakłada rozkłady Gaussa i będzie działał słabo z rozkładami multimodalnymi. Dla multimodalnych rozkładów aposteriorycznych użyj filtru cząsteczkowego (Particle Filter), który reprezentuje rozkład jako ważony zbiór cząstek. Alternatywnie, użyj mieszaniny Gaussa UKF (Gaussian Mixture UKF), która utrzymuje wiele komponentów Gaussa.

Jak dostroić parametry UKF α, β i κ?

Standardowy wybór: α = 0.001 (umieszcza punkty sigma bardzo blisko średniej), κ = 0, β = 2 (optymalne dla Gaussa). Dla szumu niegaussowskiego, spróbuj β = 2 (optymalne dla Gaussa), większe β podkreśla zewnętrzne punkty sigma. Dla układów z silną nieliniowością, zwiększ α (np. 0.1), aby szerzej rozmieścić punkty sigma. Empirycznie testuj na danych symulowanych.

Pokrewne metody

Źródła

  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.

    Otwórz odnośnik do publikacji
    Skopiowano.
  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.

    Otwórz odnośnik do publikacji
    Skopiowano.
  3. Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.

    Otwórz odnośnik DOI
    Skopiowano.