Skip to content
Voltar aos resultados

Filtro de Kalman Não Linear (Unscented Kalman Filter - UKF)

Proposto por
Simon Julier
Ano
1997
Tipo
algorithm
Família
Nonlinear Estimation

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

O Filtro de Kalman Não Linear (UKF) é um algoritmo de estimação de estado não linear que aproxima sistemas não lineares sem exigir cálculo explícito de Jacobianos.

Introduzido por Julier e Uhlmann em 1997, o UKF utiliza a transformada unscented — um método determinístico para capturar estatísticas de média e covariância através de um conjunto cuidadosamente escolhido de pontos de amostra (pontos sigma) — tornando-o mais preciso que o Filtro de Kalman Estendido (EKF) para sistemas altamente não lineares, ao mesmo tempo que evita o ônus computacional de cálculos de derivadas.

A intuição por trás do método

A ideia chave do UKF é substituir a linearização explícita (usada no EKF) por uma abordagem de amostragem estatística. Em vez de calcular Jacobianos, o UKF seleciona um conjunto mínimo de pontos determinísticamente escolhidos (pontos sigma) em torno da estimativa de estado atual, propaga cada um através da função não linear e recupera a média e a covariância dos resultados. Como a função não linear é avaliada em múltiplos pontos em vez de ser aproximada por seu gradiente, o UKF captura a não linearidade com mais precisão. Para uma distribuição Gaussiana, essa abordagem é exata até o terceiro momento (assimetria), em comparação com o EKF, que é apenas preciso de primeira ordem.

História

Julier e Uhlmann introduziram a transformada unscented em 1997 como uma técnica geral para propagar média e covariância através de funções não lineares. Wan e Van der Merwe desenvolveram o algoritmo completo do UKF em 2000 e demonstraram desempenho superior ao EKF em problemas de benchmark. O livro de Sarkka (2013) forneceu um tratamento abrangente, incluindo variantes adaptativas e distribuídas do UKF. O UKF tornou-se padrão em robótica e aeroespacial, especialmente para estimação de atitude (dinâmica de quatérnios é altamente não linear).

Quando usar

Use o UKF quando tiver um sistema fortemente não linear e desejar precisão superior à do EKF sem calcular Jacobianos. É ideal para robótica (especialmente estimação de atitude 3D), navegação com modelos de sensores não lineares (radar, ângulos de rolamento) e sistemas onde a linearização é uma aproximação pobre. O UKF é computacionalmente mais caro que o EKF (por um pequeno fator), portanto, evite-o apenas se a computação for severamente restrita ou a não linearidade do sistema for leve (EKF suficiente).

Limitações e considerações

  • Ligeiramente mais caro computacionalmente que o EKF (2n+1 avaliações de função por passo de tempo em vez de Jacobiano).
  • Ainda assume distribuições Gaussianas; ruído não Gaussiano pode causar divergência do filtro.
  • A propagação dos pontos sigma requer o armazenamento e manipulação de mais matrizes que o EKF.
  • Não há escolha universalmente ótima dos parâmetros alfa e beta; pode ser necessário ajuste dependente do sistema.
  • Ainda pode divergir se a estimativa inicial estiver longe da verdade ou se a incompatibilidade do modelo for severa.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Mais preciso que o EKF para sistemas altamente não lineares; captura momentos de terceira ordem sem Jacobianos explícitos.
  • Não há necessidade de calcular ou codificar matrizes Jacobianas; reduz erros de implementação e melhora a robustez.
  • Ajuste mínimo necessário; o posicionamento dos pontos sigma é determinado por fórmulas bem estabelecidas.
  • Convergentemente provado para uma classe mais ampla de sistemas não lineares em comparação com o EKF.
  • Funciona bem com ruído não Gaussiano se as estatísticas do ruído puderem ser aproximadas por uma mistura Gaussiana.

Aplicações

  • Robótica: estimação de atitude 3D a partir de acelerômetro e giroscópio, SLAM de robô móvel com modelos de sensores não lineares.
  • Aeroespacial: estimação de atitude e rumo de aeronaves, determinação de atitude de espaçonaves a partir de medições de rastreador de estrelas e giroscópio.
  • Veículos autônomos: fusão GPS/INS com dinâmica não linear, fusão de sensores de radar, lidar e câmera.
  • Navegação: correção de erro de sistema de navegação inercial, localização de alvo apenas por rolamento.
  • Sistemas de energia: estimação de estado não linear em redes elétricas, detecção de harmônicos em sistemas de energia AC.

Como funciona

Como funciona

1

Definir a estimativa de estado inicial x_hat_0 e a covariância P_0; também definir os parâmetros do UKF (α, β, κ) que controlam o espaçamento dos pontos sigma.

2

Gerar 2n+1 pontos sigma a partir da estimativa e covariância atuais, onde n é a dimensão do estado. Os pontos são colocados na média e em locais a sqrt(λ + n) desvios padrão de distância.

3

Propagar cada ponto sigma através do modelo de movimento não linear para obter os pontos sigma preditos; calcular a média e a covariância preditas a partir dos pontos propagados.

4

Propagar os pontos sigma preditos através da função de medição para obter as medições preditas; calcular o ganho de Kalman e atualizar o estado e a covariância usando as equações de atualização padrão.

Erros comuns

  • Uso dos parâmetros padrão do UKF (α, β, κ) sem entender seu efeito; estes controlam a dispersão dos pontos sigma e a aproximação de momentos de ordem superior.
  • Especificação excessiva da covariância do ruído de medição R para suprimir oscilações em vez de melhorar o modelo.
  • Ignorar a maldição da dimensionalidade; o UKF escala como O(n^3) na dimensão do estado, portanto, espaços de estado de alta dimensão (>50D) requerem aproximações.
  • Assumir que o UKF é robusto a todas as não linearidades; ele ainda assume que o sistema pode ser bem aproximado por uma Gaussiana em cada etapa.

Perguntas frequentes

O que são pontos sigma e como são escolhidos?

Pontos sigma são um conjunto determinísticamente escolhido de pontos de amostra que capturam a média e a covariância de uma distribuição Gaussiana. Para um estado n-dimensional, 2n+1 pontos sigma são colocados em: x e x ± sqrt((λ+n) P), onde λ = α^2(n+κ)−n. Os parâmetros α e κ controlam a dispersão: α (tipicamente 0.001-1) controla a distância da média, κ é um parâmetro de escala secundário (frequentemente 0).

Como o UKF se compara ao EKF em termos de precisão e computação?

O UKF é tipicamente mais preciso para sistemas não lineares (aproximação de momentos de terceira ordem vs. primeira ordem). Computacionalmente, o UKF requer 2n+1 avaliações da função não linear por etapa, enquanto o EKF requer uma avaliação de função mais uma avaliação de Jacobiano. Para sistemas de baixa dimensionalidade (n<20), o overhead é pequeno; para sistemas de alta dimensionalidade, o EKF pode ser mais rápido apesar da menor precisão.

Posso usar o UKF com distribuições multimodais (não Gaussianas)?

O UKF padrão assume distribuições Gaussianas e terá um desempenho ruim com distribuições multimodais. Para posteriores multimodais, use um Filtro de Partículas, que representa a distribuição como um conjunto ponderado de partículas. Alternativamente, use o UKF de Mistura Gaussiana, que mantém múltiplos componentes Gaussianos.

Como ajustar os parâmetros α, β e κ do UKF?

Escolha padrão: α = 0.001 (coloca os pontos sigma muito próximos da média), κ = 0, β = 2 (ótimo para Gaussianas). Para ruído não Gaussiano, tente β = 2 (ótimo Gaussiano), um β maior enfatiza os pontos sigma externos. Para sistemas com forte não linearidade, aumente α (por exemplo, 0.1) para espalhar os pontos sigma mais amplamente. Teste empiricamente em dados simulados.

Métodos relacionados

Fontes

  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.

    Abrir referência da publicação
    Copiado.
  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.

    Abrir referência da publicação
    Copiado.
  3. Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.

    Abrir referência DOI
    Copiado.