Фильтр Калмана без унарного преобразования (Unscented Kalman Filter, UKF)
- Автор метода
- Simon Julier
- Год
- 1997
- Тип
- algorithm
- Семейство
- Nonlinear Estimation
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Фильтр Калмана без унарного преобразования (UKF) — это нелинейный алгоритм оценивания состояния, который аппроксимирует нелинейные системы без явного вычисления якобианов.
Представленный Julier и Uhlmann в 1997 году, UKF использует унарное преобразование — детерминированный метод для захвата статистик среднего и ковариации посредством тщательно выбранного набора выборочных точек (сигма-точек), что делает его более точным, чем расширенный фильтр Калмана (EKF) для сильно нелинейных систем, избегая при этом вычислительной нагрузки от вычисления производных.
Интуиция метода
Ключевая идея UKF заключается в замене явной линеаризации (используемой в EKF) статистическим подходом к выборке. Вместо вычисления якобианов, UKF выбирает минимальный набор детерминированно выбранных точек (сигма-точек) вокруг текущей оценки состояния, пропускает каждую через нелинейную функцию и восстанавливает среднее значение и ковариацию результатов. Поскольку нелинейная функция вычисляется в нескольких точках, а не аппроксимируется своим градиентом, UKF точнее захватывает нелинейность. Для гауссовского распределения этот подход точен до третьего момента (асимметрии), по сравнению с EKF, который точен только до первого порядка.
История
Julier и Uhlmann представили унарное преобразование в 1997 году как общий метод распространения среднего и ковариации через нелинейные функции. Wan и Van der Merwe разработали полный алгоритм UKF в 2000 году и продемонстрировали превосходную производительность по сравнению с EKF на эталонных задачах. Учебник Sarkka (2013) предоставил всестороннее изложение, включая адаптивные и распределенные варианты UKF. UKF стал стандартом в робототехнике и аэрокосмической отрасли, особенно для оценки ориентации (динамика кватернионов сильно нелинейна).
Когда применять
Используйте UKF, когда у вас есть сильно нелинейная система и требуется точность выше, чем у EKF, без вычисления якобианов. Он идеально подходит для робототехники (особенно для оценки ориентации в 3D), навигации с нелинейными моделями датчиков (радар, углы пеленгации) и систем, где линеаризация является плохой аппроксимацией. UKF более вычислительно затратен, чем EKF (на небольшой множитель), поэтому избегайте его, только если вычисления сильно ограничены или нелинейность системы незначительна (достаточно EKF).
Ограничения и замечания
- Немного более вычислительно затратен, чем EKF (2n+1 вычисление функции за временной шаг вместо вычисления якобиана).
- По-прежнему предполагает гауссовские распределения; негауссовский шум может привести к расходимости фильтра.
- Распространение сигма-точек требует хранения и манипулирования большим количеством матриц, чем EKF.
- Нет универсально оптимального выбора параметров alpha и beta; может потребоваться настройка в зависимости от системы.
- Все еще может расходиться, если начальная оценка далека от истины или несоответствие модели серьезно.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Более точен, чем EKF, для сильно нелинейных систем; захватывает моменты третьего порядка без явных якобианов.
- Нет необходимости вычислять или кодировать матрицы якобиана; уменьшает ошибки реализации и повышает надежность.
- Минимальная настройка; расположение сигма-точек определяется хорошо установленными формулами.
- Доказуемая сходимость для более широкого класса нелинейных систем по сравнению с EKF.
- Хорошо работает с негауссовским шумом, если статистики шума могут быть аппроксимированы гауссовской смесью.
Применение
- Робототехника: оценка ориентации в 3D по акселерометру и гироскопу, SLAM мобильных роботов с нелинейными моделями датчиков.
- Аэрокосмическая отрасль: оценка ориентации и курса летательных аппаратов, определение ориентации космических аппаратов по измерениям звездного датчика и гироскопа.
- Автономные транспортные средства: слияние GPS/INS с нелинейной динамикой, слияние данных с радара, лидара и камеры.
- Навигация: коррекция ошибок инерциальной навигационной системы, локализация цели по пеленгу.
- Энергетические системы: нелинейное оценивание состояния в энергосетях, обнаружение гармоник в сетях переменного тока.
Как это работает
Как это работает
Установить начальную оценку состояния x_hat_0 и ковариацию P_0; также установить параметры UKF (α, β, κ), которые контролируют расстояние между сигма-точками.
Сгенерировать 2n+1 сигма-точек из текущей оценки и ковариации, где n — размерность состояния. Точки располагаются в среднем и на расстояниях, равных sqrt(λ + n) стандартных отклонений.
Пропустить каждую сигма-точку через нелинейную модель движения для получения прогнозируемых сигма-точек; вычислить прогнозируемое среднее и ковариацию из пропущенных точек.
Пропустить прогнозируемые сигма-точки через функцию измерения для получения прогнозируемых измерений; вычислить коэффициент Калмана и обновить состояние и ковариацию с использованием стандартных уравнений обновления.
Частые ошибки
- Использование параметров UKF по умолчанию (α, β, κ) без понимания их влияния; они контролируют разброс сигма-точек и аппроксимацию моментов высших порядков.
- Чрезмерное задание ковариации шума измерения R для подавления колебаний вместо улучшения модели.
- Игнорирование проклятия размерности; UKF масштабируется как O(n^3) по размерности состояния, поэтому пространства состояний высокой размерности (>50D) требуют аппроксимаций.
- Предположение, что UKF устойчив ко всем нелинейностям; он по-прежнему предполагает, что система может быть хорошо аппроксимирована гауссовским распределением на каждом шаге.
Часто задаваемые вопросы
Что такое сигма-точки и как они выбираются?
Сигма-точки — это детерминированно выбранный набор выборочных точек, который захватывает среднее значение и ковариацию гауссовского распределения. Для n-мерного состояния 2n+1 сигма-точек располагаются в точках: x и x ± sqrt((λ+n) P), где λ = α^2(n+κ)−n. Параметры α и κ контролируют разброс: α (обычно 0.001-1) контролирует расстояние от среднего, κ — вторичный параметр масштабирования (часто 0).
Как UKF сравнивается с EKF по точности и вычислительной сложности?
UKF, как правило, более точен для нелинейных систем (аппроксимация моментов третьего порядка против первого). С точки зрения вычислений, UKF требует 2n+1 вычислений нелинейной функции за шаг, в то время как EKF требует одного вычисления функции плюс одного вычисления якобиана. Для систем малой размерности (n<20) накладные расходы невелики; для систем высокой размерности EKF может быть быстрее, несмотря на меньшую точность.
Могу ли я использовать UKF с мультимодальными (негауссовскими) распределениями?
Стандартный UKF предполагает гауссовские распределения и будет плохо работать с мультимодальными распределениями. Для мультимодальных апостериорных распределений используйте фильтр частиц, который представляет распределение как взвешенный набор частиц. Альтернативно, используйте UKF для гауссовских смесей, который поддерживает несколько гауссовских компонент.
Как настроить параметры UKF α, β и κ?
Стандартный выбор: α = 0.001 (размещает сигма-точки очень близко к среднему), κ = 0, β = 2 (оптимально для гауссовских распределений). Для негауссовского шума попробуйте β = 2 (оптимально для гауссовских), большее β смещает акцент на внешние сигма-точки. Для систем с сильной нелинейностью увеличьте α (например, 0.1), чтобы шире разбросать сигма-точки. Эмпирически протестируйте на смоделированных данных.
Похожие методы
Источники
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.
Открыть ссылку на публикациюСкопировано.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.
Открыть ссылку на публикациюСкопировано.Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.
Открыть ссылку DOIСкопировано.