Skip to content
Назад к результатам поиска

Расширенный фильтр Калмана

Автор метода
Richard S. Bucy
Год
1961
Тип
algorithm
Семейство
Nonlinear Estimation

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Расширенный фильтр Калмана (РФК) является нелинейным обобщением фильтра Калмана, распространяющим алгоритм линейной оценки состояния на нелинейные системы посредством локальной линеаризации.

Разработанный Бьюси в начале 1960-х годов, РФК стал основным инструментом для оценки состояния в нелинейных системах в робототехнике, аэрокосмической отрасли и навигации, обеспечивая обработку в реальном времени зашумленных измерений от нелинейных датчиков и динамических систем.

Интуиция метода

Фильтр Калмана оптимален для линейных систем, но реальные системы часто нелинейны (датчики роботов измеряют углы, а не состояния; навигация включает тригонометрические зависимости). РФК расширяет линейный фильтр Калмана путем линеаризации нелинейной динамики системы и уравнений измерений вокруг текущей оценки состояния. На каждом временном шаге РФК вычисляет матрицы Якоби (частные производные) нелинейных функций, затем применяет стандартные уравнения линейного фильтра Калмана, используя эти матрицы Якоби. Результатом является локально оптимальная оценка, которая хорошо справляется с умеренными нелинейностями, хотя и теряет гарантию глобальной оптимальности линейного фильтра Калмана.

История

Бьюси разработал РФК в 1961 году как расширение фильтра Калмана на нелинейные системы. Метод быстро был принят для навигации космических аппаратов (программа «Аполлон») и управления самолетами. Баттин и другие усовершенствовали численную реализацию для встраиваемых систем. Учебник Бар-Шалома (2001) стал стандартным справочником. Современные варианты включают Бесфильтровый фильтр Калмана (БФК), который использует детерминированную выборку вместо линеаризации, и Ансамблевый фильтр Калмана (АФК), используемый в крупномасштабной ассимиляции данных.

Когда применять

Используйте РФК, когда у вас есть нелинейная система и требуется оценка состояния в реальном времени по зашумленным измерениям. Он идеально подходит для робототехники (объединение данных датчиков IMU, GPS, энкодеров), навигации (инерциальные измерительные блоки летательных аппаратов) и систем управления (обратная связь по состоянию на нелинейных объектах). РФК хорошо работает для систем с мягкими и умеренными нелинейностями и гауссовым шумом. Избегайте РФК, если система сильно нелинейна (сильная кривизна), если шум негауссов, или если вам нужны гарантированные границы ошибки оценки (используйте интервальные методы).

Ограничения и замечания

  • Субоптимален для нелинейных систем; линеаризация вносит ошибки аппроксимации, которые накапливаются.
  • Вычисление матрицы Якоби может быть подвержено ошибкам; численные ошибки в производных ухудшают производительность.
  • Предполагает гауссов шум и линейные уравнения измерений; негауссовы или сильно нелинейные измерения вызывают расхождение фильтра.
  • Только локальная линеаризация; не работает при больших возмущениях состояния, отклоняющихся от оценки.
  • Может расходиться, если начальное предположение слишком далеко от истинного состояния или если несоответствие модели велико.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Расширяет оптимальность и рекурсивную эффективность фильтрации Калмана на нелинейные системы.
  • Возможна реализация в реальном времени; хорошо масштабируется для систем высокой размерности (используется в автомобильной и аэрокосмической промышленности).
  • Хорошо изученная теория и множество реализаций; развитая программная экосистема.
  • Может объединять данные нескольких нелинейных датчиков (камера, лидар, радар) в единую оценку состояния.
  • Предоставляет оценку ковариации состояния, что позволяет принимать решения на основе достоверности оценки.

Применение

  • Робототехника: Локализация мобильных роботов, объединяющая одометрию и наблюдения ориентиров, SLAM в реальном времени с зашумленными датчиками.
  • Аэрокосмическая отрасль: Оценка состояния летательного аппарата по данным IMU и GPS (объединение датчиков), оценка ориентации космического аппарата по звездным трекерам.
  • Автомобильная промышленность: Локализация транспортного средства по энкодерам колес и GPS, оценка состояния адаптивного круиз-контроля.
  • Навигация: Оценка смещения инерциального измерительного блока (IMU), интеграция GPS/INS для точного позиционирования.
  • Компьютерное зрение: 3D-отслеживание объектов по видео, визуальная одометрия, объединяющая измерения камеры и IMU.

Как это работает

Как это работает

1

Установите начальную оценку состояния x_hat_0 и оценку ковариации P_0; они отражают вашу неопределенность относительно начального условия.

2

Используйте нелинейную модель движения x_{k+1} = f(x_k, u_k) для предсказания следующего состояния; вычислите матрицу Якоби F_k функции f и распространите ковариацию, используя P_{k+1|k} = F_k P_k F_k^T + Q.

3

В каждый момент измерения вычислите матрицу Якоби H_k функции измерения h вокруг предсказанного состояния x_hat_{k|k-1}.

4

Примените стандартное обновление фильтра Калмана: вычислите коэффициент усиления Калмана K_k, обновите оценку состояния x_hat_{k|k} и обновите ковариацию P_{k|k}.

Частые ошибки

  • Неправильное вычисление матриц Якоби (ошибки знака, пропущенные члены); всегда проверяйте численно с помощью конечных разностей.
  • Чрезмерная настройка ковариаций шума Q и R; неправильно заданная статистика шума вызывает расхождение фильтра или медленную сходимость.
  • Игнорирование наблюдаемости; если система ненаблюдаема, усиления фильтра становятся ненадежными, а оценки расходятся.
  • Предположение о гауссовых распределениях; реальный шум датчиков часто имеет выбросы, что приводит к ошибочной работе фильтра.

Часто задаваемые вопросы

Как вычислить матрицы Якоби для РФК?

Вычислите матрицу Якоби, взяв частные производные: F[i,j] = ∂f_i/∂x_j, вычисленные в текущей оценке. Для сложных функций используйте инструменты автоматического дифференцирования (например, PyTorch, JAX), чтобы избежать ошибок. Всегда проверяйте численно, сравнивая с аппроксимациями конечных разностей: (f(x+ε)-f(x))/ε.

В чем разница между РФК и БФК?

РФК линеаризует нелинейную функцию, используя разложение Тейлора (матрицу Якоби). БФК вместо этого отбирает набор детерминированно выбранных точек (сигма-точек) вокруг оценки и распространяет их через нелинейную функцию, захватывая нелинейность более высокого порядка без явных матриц Якоби. БФК часто более точен для сильно нелинейных систем, но немного более вычислительно затратен.

Как обнаружить расхождение фильтра?

Отслеживайте нормализованную инновацию (остаток измерения, деленный на предсказанную ковариацию измерения). Для хорошо настроенного фильтра эти инновации должны быть белыми (среднее значение равно нулю, постоянная дисперсия). Если инновации постоянно смещены или имеют возрастающую дисперсию, фильтр расходится. Также проверьте, уменьшается ли предсказанная ковариация со временем; если она увеличивается, неопределенность модели Q слишком велика.

Могу ли я использовать РФК для систем с временными задержками?

Стандартный РФК не обрабатывает временные задержки в измерениях. Чтобы использовать РФК с задержанными измерениями, расширьте вектор состояния, включив прошлые состояния, или используйте вариант задержанного фильтра Калмана, который хранит и обрабатывает измерения не по порядку. Другой подход состоит в увеличении ковариации шума измерения R, чтобы учесть неопределенность задержки.

Похожие методы

Источники

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

    Открыть ссылку на публикацию
    Скопировано.
  2. Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.

    Открыть ссылку DOI
    Скопировано.
  3. Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.

    Открыть ссылку на публикацию
    Скопировано.