Skip to content
กลับไปยังผลการค้นหา

ตัวกรองคาลมานแบบขยาย

ผู้เสนอ
Richard S. Bucy
ปี
1961
ประเภท
algorithm
กลุ่มวิธี
Nonlinear Estimation

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

ตัวกรองคาลมานแบบขยาย (EKF) คือการวางนัยทั่วไปแบบไม่เชิงเส้นของตัวกรองคาลมาน ซึ่งขยายอัลกอริทึมการประมาณสถานะเชิงเส้นไปยังระบบไม่เชิงเส้นผ่านการทำให้เป็นเชิงเส้นเฉพาะที่ Bucy ได้พัฒนา EKF ขึ้นในช่วงต้นทศวรรษ 1960 และได้กลายเป็นเครื่องมือสำคัญสำหรับการประมาณสถานะในระบบไม่เชิงเส้นในสาขาหุ่นยนต์ อวกาศ และการนำทาง ทำให้สามารถประมวลผลการวัดที่มีสัญญาณรบกวนจากเซ็นเซอร์และพลวัตแบบไม่เชิงเส้นได้แบบเรียลไทม์

แนวคิดเบื้องหลังวิธีการ

ตัวกรองคาลมานเหมาะสมที่สุดสำหรับระบบเชิงเส้น แต่ระบบจริงมักไม่เป็นเชิงเส้น (เซ็นเซอร์หุ่นยนต์วัดมุม ไม่ใช่วัดสถานะ; การนำทางเกี่ยวข้องกับความสัมพันธ์ตรีโกณมิติ) EKF ขยายตัวกรองคาลมานเชิงเส้นโดยการทำให้พลวัตของระบบไม่เชิงเส้นและสมการการวัดเป็นเชิงเส้นรอบๆ การประมาณสถานะปัจจุบัน ในแต่ละช่วงเวลา EKF จะคำนวณเมทริกซ์จาโคเบียน (อนุพันธ์ย่อย) ของฟังก์ชันไม่เชิงเส้น จากนั้นใช้สมการตัวกรองคาลมานเชิงเส้นมาตรฐานโดยใช้เมทริกซ์จาโคเบียนเหล่านี้ ผลลัพธ์ที่ได้คือการประมาณค่าที่เหมาะสมที่สุดเฉพาะที่ซึ่งจัดการกับความไม่เชิงเส้นปานกลางได้ดี แม้ว่าจะสูญเสียการรับประกันความเหมาะสมที่สุดโดยรวมของตัวกรองคาลมานเชิงเส้นไป

ประวัติศาสตร์

Bucy ได้พัฒนา EKF ในปี 1961 เพื่อเป็นการขยายตัวกรองคาลมานไปยังระบบไม่เชิงเส้น วิธีการนี้ถูกนำมาใช้อย่างรวดเร็วสำหรับการนำทางยานอวกาศ (โครงการอะพอลโล) และการควบคุมอากาศยาน Battin และคนอื่นๆ ได้ปรับปรุงการนำไปใช้งานเชิงตัวเลขสำหรับระบบฝังตัว ตำราของ Bar-Shalom (2001) ได้กลายเป็นข้อมูลอ้างอิงมาตรฐาน ตัวแปรสมัยใหม่รวมถึง Unscented Kalman Filter (UKF) ซึ่งใช้การสุ่มตัวอย่างแบบกำหนดแทนการทำให้เป็นเชิงเส้น และ Ensemble Kalman Filter (EnKF) ซึ่งใช้ในการรวมข้อมูลขนาดใหญ่

ควรใช้เมื่อใด

ใช้ EKF เมื่อคุณมีระบบไม่เชิงเส้นและต้องการการประมาณสถานะแบบเรียลไทม์จากการวัดที่มีสัญญาณรบกวน เหมาะอย่างยิ่งสำหรับหุ่นยนต์ (การรวมเซ็นเซอร์ของ IMU, GPS, ข้อมูลตัวเข้ารหัส), การนำทาง (หน่วยวัดความเฉื่อยของอากาศยาน) และระบบควบคุม (การป้อนกลับสถานะบนโรงงานไม่เชิงเส้น) EKF ทำงานได้ดีสำหรับระบบที่มีความไม่เชิงเส้นเล็กน้อยถึงปานกลางและสัญญาณรบกวนแบบเกาส์เซียน หลีกเลี่ยง EKF หากระบบมีความไม่เชิงเส้นสูง (ความโค้งสูง), หากสัญญาณรบกวนไม่เป็นแบบเกาส์เซียน, หรือหากคุณต้องการการรับประกันขอบเขตของข้อผิดพลาดในการประมาณค่า (ใช้ระเบียบวิธีช่วง)

ข้อจำกัดและข้อควรพิจารณา

  • ไม่เหมาะสมที่สุดสำหรับระบบไม่เชิงเส้น; การทำให้เป็นเชิงเส้นนำไปสู่ข้อผิดพลาดในการประมาณค่าที่สะสม
  • การคำนวณเมทริกซ์จาโคเบียนอาจเกิดข้อผิดพลาดได้; ข้อผิดพลาดเชิงตัวเลขในอนุพันธ์ทำให้ประสิทธิภาพลดลง
  • สมมติว่าสัญญาณรบกวนเป็นแบบเกาส์เซียนและสมการการวัดเป็นเชิงเส้น; การวัดที่ไม่เป็นแบบเกาส์เซียนหรือมีความไม่เชิงเส้นสูงทำให้ตัวกรองลู่ออก
  • การทำให้เป็นเชิงเส้นเฉพาะที่เท่านั้น; จะล้มเหลวสำหรับการรบกวนสถานะขนาดใหญ่ที่ห่างจากการประมาณค่า
  • อาจลู่ออกได้หากการคาดเดาเริ่มต้นอยู่ห่างจากสถานะจริงมากเกินไป หรือหากความไม่ตรงกันของแบบจำลองมีมาก

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ขยายความเหมาะสมที่สุดและประสิทธิภาพการเรียกซ้ำของการกรองคาลมานไปยังระบบไม่เชิงเส้น
  • สามารถนำไปใช้ได้แบบเรียลไทม์; ปรับขนาดได้ดีกับระบบที่มีมิติสูง (ใช้ในยานยนต์และอวกาศ)
  • ทฤษฎีที่เข้าใจได้ดีและการนำไปใช้งานที่หลากหลาย; ระบบนิเวศซอฟต์แวร์ที่สมบูรณ์
  • สามารถรวมเซ็นเซอร์ไม่เชิงเส้นหลายตัว (กล้อง, ไลดาร์, เรดาร์) เข้ากับการประมาณสถานะที่เป็นหนึ่งเดียว
  • ให้ค่าประมาณความแปรปรวนร่วมของสถานะ ทำให้สามารถตัดสินใจโดยอาศัยความเชื่อมั่นในการประมาณค่าได้

การประยุกต์ใช้

  • หุ่นยนต์: การระบุตำแหน่งหุ่นยนต์เคลื่อนที่โดยรวมข้อมูลระยะทางและข้อมูลการสังเกตจุดสังเกต, SLAM แบบเรียลไทม์ด้วยเซ็นเซอร์ที่มีสัญญาณรบกวน
  • อวกาศ: การประมาณสถานะอากาศยานจาก IMU และ GPS (การรวมเซ็นเซอร์), การประมาณทัศนคติยานอวกาศจากเครื่องติดตามดาว
  • ยานยนต์: การระบุตำแหน่งยานพาหนะจากตัวเข้ารหัสล้อและ GPS, การประมาณสถานะการควบคุมความเร็วอัตโนมัติแบบปรับได้
  • การนำทาง: การประมาณค่าความเอนเอียงของหน่วยวัดความเฉื่อย (IMU), การรวม GPS/INS สำหรับการระบุตำแหน่งที่แม่นยำ
  • คอมพิวเตอร์วิทัศน์: การติดตามวัตถุ 3 มิติจากวิดีโอ, การวัดระยะทางด้วยภาพโดยรวมการวัดจากกล้องและ IMU

วิธีการทำงาน

วิธีการทำงาน

1

กำหนดค่าประมาณสถานะเริ่มต้น x_hat_0 และค่าประมาณความแปรปรวนร่วม P_0; ค่าเหล่านี้สะท้อนถึงความไม่แน่นอนของคุณเกี่ยวกับเงื่อนไขเริ่มต้น

2

ใช้แบบจำลองการเคลื่อนที่แบบไม่เชิงเส้น x_{k+1} = f(x_k, u_k) เพื่อทำนายสถานะถัดไป; คำนวณเมทริกซ์จาโคเบียน F_k ของ f และเผยแพร่ความแปรปรวนร่วมโดยใช้ P_{k+1|k} = F_k P_k F_k^T + Q

3

ในแต่ละเวลาที่ทำการวัด ให้คำนวณเมทริกซ์จาโคเบียน H_k ของฟังก์ชันการวัด h รอบๆ สถานะที่ทำนายไว้ x_hat_{k|k-1}

4

ใช้การปรับปรุงตัวกรองคาลมานมาตรฐาน: คำนวณอัตราขยายคาลมาน K_k, ปรับปรุงค่าประมาณสถานะ x_hat_{k|k}, และปรับปรุงความแปรปรวนร่วม P_{k|k}

ข้อผิดพลาดที่พบบ่อย

  • การคำนวณเมทริกซ์จาโคเบียนผิดพลาด (ข้อผิดพลาดเครื่องหมาย, พจน์ที่ขาดหายไป); ควรตรวจสอบเชิงตัวเลขกับผลต่างจำกัดเสมอ
  • การปรับค่าความแปรปรวนร่วมของสัญญาณรบกวน Q และ R มากเกินไป; สถิติสัญญาณรบกวนที่ระบุผิดพลาดทำให้ตัวกรองลู่ออกหรือการลู่เข้าช้า
  • การละเลยการสังเกตได้; หากระบบไม่สามารถสังเกตได้ อัตราขยายของตัวกรองจะไม่น่าเชื่อถือและการประมาณค่าจะลู่ออก
  • การสมมติการแจกแจงแบบเกาส์เซียน; สัญญาณรบกวนของเซ็นเซอร์จริงมักมีค่าผิดปกติ ทำให้ตัวกรองเข้าใจผิด

คำถามที่พบบ่อย

ฉันจะคำนวณเมทริกซ์จาโคเบียนสำหรับ EKF ได้อย่างไร?

คำนวณเมทริกซ์จาโคเบียนโดยการหาอนุพันธ์ย่อย: F[i,j] = ∂f_i/∂x_j ที่ประเมิน ณ ค่าประมาณปัจจุบัน สำหรับฟังก์ชันที่ซับซ้อน ให้ใช้เครื่องมือการหาอนุพันธ์อัตโนมัติ (เช่น PyTorch, JAX) เพื่อหลีกเลี่ยงข้อผิดพลาด ควรตรวจสอบเชิงตัวเลขเสมอโดยการเปรียบเทียบกับค่าประมาณผลต่างจำกัด: (f(x+ε)-f(x))/ε

ความแตกต่างระหว่าง EKF และ UKF คืออะไร?

EKF ทำให้ฟังก์ชันไม่เชิงเส้นเป็นเชิงเส้นโดยใช้การขยายอนุกรมเทย์เลอร์ (เมทริกซ์จาโคเบียน) ในทางกลับกัน UKF จะสุ่มตัวอย่างชุดของจุดที่เลือกอย่างเป็นระบบ (จุดซิกมา) รอบๆ ค่าประมาณ และเผยแพร่จุดเหล่านี้ผ่านฟังก์ชันไม่เชิงเส้น โดยจับความไม่เชิงเส้นลำดับสูงกว่าโดยไม่ต้องใช้เมทริกซ์จาโคเบียนที่ชัดเจน UKF มักจะแม่นยำกว่าสำหรับระบบที่ไม่เชิงเส้นสูง แต่มีค่าใช้จ่ายในการคำนวณสูงกว่าเล็กน้อย

ฉันจะตรวจจับการลู่ออกของตัวกรองได้อย่างไร?

ตรวจสอบนวัตกรรมที่ทำให้เป็นมาตรฐาน (ส่วนเหลือจากการวัดหารด้วยความแปรปรวนร่วมของการวัดที่ทำนายไว้) สำหรับตัวกรองที่ปรับแต่งมาอย่างดี นวัตกรรมเหล่านี้ควรเป็นแบบสุ่ม (ค่าเฉลี่ยเป็นศูนย์, ความแปรปรวนคงที่) หากนวัตกรรมมีอคติอย่างสม่ำเสมอหรือมีความแปรปรวนเพิ่มขึ้น ตัวกรองกำลังลู่ออก ตรวจสอบด้วยว่าความแปรปรวนร่วมที่ทำนายไว้ลดลงเมื่อเวลาผ่านไป; หากเพิ่มขึ้น แสดงว่าความไม่แน่นอนของแบบจำลอง Q มีขนาดใหญ่เกินไป

ฉันสามารถใช้ EKF สำหรับระบบที่มีความล่าช้าของเวลาได้หรือไม่?

EKF มาตรฐานไม่สามารถจัดการกับความล่าช้าของเวลาในการวัดได้ หากต้องการใช้ EKF กับการวัดที่ล่าช้า ให้เพิ่มเวกเตอร์สถานะเพื่อรวมสถานะในอดีต หรือใช้ตัวแปรตัวกรองคาลมานแบบล่าช้าที่จัดเก็บและประมวลผลการวัดที่ไม่อยู่ในลำดับ อีกวิธีหนึ่งคือการเพิ่มความแปรปรวนร่วมของสัญญาณรบกวนการวัด R เพื่ออธิบายความไม่แน่นอนของความล่าช้า

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  2. Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.

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

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว