Skip to content
กลับไปยังผลการค้นหา

Unscented Kalman Filter

ผู้เสนอ
Simon Julier
ปี
1997
ประเภท
algorithm
กลุ่มวิธี
Nonlinear Estimation

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

Unscented Kalman Filter (UKF) เป็นอัลกอริทึมประมาณค่าสถานะแบบไม่เชิงเส้นที่ใช้ประมาณระบบที่ไม่เชิงเส้นโดยไม่ต้องคำนวณ Jacobian อย่างชัดเจน UKF ซึ่งนำเสนอโดย Julier และ Uhlmann ในปี 1997 ใช้ unscented transform ซึ่งเป็นวิธีการเชิงกำหนดเพื่อจับค่าเฉลี่ยและค่าความแปรปรวนผ่านชุดจุดตัวอย่างที่เลือกอย่างระมัดระวัง (sigma points) ทำให้มีความแม่นยำสูงกว่า Extended Kalman Filter สำหรับระบบที่ไม่เชิงเส้นอย่างมาก ในขณะที่หลีกเลี่ยงภาระการคำนวณจากการคำนวณอนุพันธ์

แนวคิดเบื้องหลังวิธีการ

แนวคิดหลักของ UKF คือการแทนที่การทำให้เป็นเชิงเส้นอย่างชัดเจน (ที่ใช้ใน EKF) ด้วยแนวทางการสุ่มตัวอย่างทางสถิติ แทนที่จะคำนวณ Jacobian, UKF จะเลือกชุดจุดที่น้อยที่สุดที่เลือกอย่างเชิงกำหนด (sigma points) รอบๆ ค่าประมาณสถานะปัจจุบัน ส่งผ่านแต่ละจุดผ่านฟังก์ชันที่ไม่เชิงเส้น และกู้คืนค่าเฉลี่ยและความแปรปรวนของผลลัพธ์ เนื่องจากฟังก์ชันที่ไม่เชิงเส้นถูกประเมินที่หลายจุด แทนที่จะประมาณด้วยเกรเดียนต์, UKF จึงจับความไม่เชิงเส้นได้อย่างแม่นยำยิ่งขึ้น สำหรับการแจกแจงแบบเกาส์เซียน แนวทางนี้จะแม่นยำถึงโมเมนต์ที่สาม (ความเบ้) เทียบกับ EKF ซึ่งแม่นยำเพียงอันดับแรก

ประวัติศาสตร์

Julier และ Uhlmann ได้นำเสนอ unscented transform ในปี 1997 ในฐานะเทคนิคทั่วไปสำหรับการส่งผ่านค่าเฉลี่ยและความแปรปรวนผ่านฟังก์ชันที่ไม่เชิงเส้น Wan และ Van der Merwe ได้พัฒนาอัลกอริทึม UKF ฉบับเต็มในปี 2000 และแสดงให้เห็นถึงประสิทธิภาพที่เหนือกว่า EKF ในปัญหามาตรฐาน หนังสือเรียนของ Sarkka (2013) ได้ให้การรักษาที่ครอบคลุมรวมถึงรูปแบบ UKF แบบปรับตัวและแบบกระจาย UKF ได้กลายเป็นมาตรฐานในด้านหุ่นยนต์และอากาศยาน โดยเฉพาะอย่างยิ่งสำหรับการประมาณค่าทัศนคติ (พลศาสตร์ควอเทอร์เนียนมีความไม่เชิงเส้นสูง)

ควรใช้เมื่อใด

ใช้ UKF เมื่อคุณมีระบบที่ไม่เชิงเส้นอย่างมากและต้องการความแม่นยำที่สูงกว่า EKF โดยไม่ต้องคำนวณ Jacobian เหมาะอย่างยิ่งสำหรับหุ่นยนต์ (โดยเฉพาะการประมาณค่าทัศนคติ 3 มิติ), การนำทางด้วยโมเดลเซ็นเซอร์ที่ไม่เชิงเส้น (เรดาร์, มุมแบริ่ง) และระบบที่การทำให้เป็นเชิงเส้นเป็นการประมาณที่ไม่ดี UKF มีภาระการคำนวณมากกว่า EKF (ด้วยปัจจัยเล็กน้อย) ดังนั้นควรหลีกเลี่ยงหากข้อจำกัดด้านการคำนวณรุนแรง หรือความไม่เชิงเส้นของระบบไม่มาก (EKF เพียงพอ)

ข้อจำกัดและข้อควรพิจารณา

  • มีภาระการคำนวณมากกว่า EKF เล็กน้อย (การประเมินฟังก์ชัน 2n+1 ครั้งต่อขั้นเวลา แทนที่จะเป็น Jacobian)
  • ยังคงสมมติว่าเป็นการแจกแจงแบบเกาส์เซียน; สัญญาณรบกวนที่ไม่ใช่เกาส์เซียนอาจทำให้ตัวกรองลู่เข้าผิดปกติ
  • การส่งผ่าน sigma points ต้องการการจัดเก็บและจัดการเมทริกซ์มากกว่า EKF
  • ไม่มีการเลือกพารามิเตอร์ alpha และ beta ที่ดีที่สุดอย่างสากล; อาจจำเป็นต้องมีการปรับแต่งตามระบบ
  • ยังคงสามารถลู่เข้าผิดปกติได้หากค่าประมาณเริ่มต้นอยู่ห่างจากค่าจริงมาก หรือแบบจำลองไม่ตรงกันอย่างรุนแรง

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • แม่นยำกว่า EKF สำหรับระบบที่ไม่เชิงเส้นอย่างมาก; จับโมเมนต์อันดับสามได้โดยไม่ต้องใช้ Jacobian อย่างชัดเจน
  • ไม่จำเป็นต้องคำนวณหรือเขียนโค้ดเมทริกซ์ Jacobian; ลดข้อผิดพลาดในการใช้งานและเพิ่มความทนทาน
  • ต้องการการปรับแต่งน้อยที่สุด; การวางตำแหน่ง sigma points ถูกกำหนดโดยสูตรที่ได้รับการยอมรับอย่างดี
  • สามารถลู่เข้าได้สำหรับระบบที่ไม่เชิงเส้นที่กว้างกว่าเมื่อเทียบกับ EKF
  • ทำงานได้ดีกับสัญญาณรบกวนที่ไม่ใช่เกาส์เซียน หากสถิติของสัญญาณรบกวนสามารถประมาณได้ด้วยส่วนผสมของเกาส์เซียน

การประยุกต์ใช้

  • หุ่นยนต์: การประมาณค่าทัศนคติ 3 มิติจากมาตรวัดความเร่งและไจโรสโคป, SLAM ของหุ่นยนต์เคลื่อนที่ด้วยโมเดลเซ็นเซอร์ที่ไม่เชิงเส้น
  • อากาศยาน: การประมาณค่าทัศนคติและทิศทางของเครื่องบิน, การกำหนดค่าทัศนคติของยานอวกาศจากการวัดด้วย star tracker และ gyro
  • ยานพาหนะอัตโนมัติ: การหลอมรวม GPS/INS ด้วยพลศาสตร์ที่ไม่เชิงเส้น, การหลอมรวมเซ็นเซอร์จากเรดาร์, lidar และกล้อง
  • การนำทาง: การแก้ไขข้อผิดพลาดของระบบนำทางเฉื่อย, การระบุตำแหน่งเป้าหมายโดยใช้ bearing-only
  • ระบบพลังงาน: การประมาณค่าสถานะแบบไม่เชิงเส้นในกริดพลังงาน, การตรวจจับฮาร์มอนิกในระบบไฟฟ้ากระแสสลับ

วิธีการทำงาน

วิธีการทำงาน

1

ตั้งค่าประมาณสถานะเริ่มต้น x_hat_0 และความแปรปรวน P_0; ตั้งค่าพารามิเตอร์ UKF (α, β, κ) ที่ควบคุมการเว้นระยะห่างของ sigma points

2

สร้าง sigma points จำนวน 2n+1 จุดจากค่าประมาณและความแปรปรวนปัจจุบัน โดยที่ n คือมิติของสถานะ จุดจะถูกวางไว้ที่ค่าเฉลี่ยและที่ตำแหน่ง ±sqrt(λ + n) เท่าของค่าเบี่ยงเบนมาตรฐาน

3

ส่งผ่าน sigma points แต่ละจุดผ่านโมเดลการเคลื่อนที่แบบไม่เชิงเส้นเพื่อรับ sigma points ที่คาดการณ์; คำนวณค่าเฉลี่ยและความแปรปรวนที่คาดการณ์จากจุดที่ถูกส่งผ่าน

4

ส่งผ่าน sigma points ที่คาดการณ์ผ่านฟังก์ชันการวัดเพื่อรับค่าการวัดที่คาดการณ์; คำนวณ Kalman gain และอัปเดตสถานะและความแปรปรวนโดยใช้สมการอัปเดตมาตรฐาน

ข้อผิดพลาดที่พบบ่อย

  • การใช้พารามิเตอร์ UKF เริ่มต้น (α, β, κ) โดยไม่เข้าใจผลกระทบของมัน; สิ่งเหล่านี้ควบคุมการกระจายของ sigma points และการประมาณโมเมนต์อันดับสูง
  • การกำหนดค่าความแปรปรวนของสัญญาณรบกวนการวัด R มากเกินไปเพื่อลดการแกว่ง แทนที่จะปรับปรุงแบบจำลอง
  • การละเลยคำสาปแห่งมิติ; UKF มีสเกลเป็น O(n^3) ตามมิติของสถานะ ดังนั้นปริภูมิสถานะที่มีมิติสูง (>50D) จึงต้องการการประมาณ
  • การสมมติว่า UKF ทนทานต่อความไม่เชิงเส้นทั้งหมด; มันยังคงสมมติว่าระบบสามารถประมาณได้ดีด้วยการแจกแจงแบบเกาส์เซียนในแต่ละขั้น

คำถามที่พบบ่อย

Sigma points คืออะไรและเลือกอย่างไร?

Sigma points คือชุดจุดตัวอย่างที่เลือกอย่างเชิงกำหนดซึ่งจับค่าเฉลี่ยและความแปรปรวนของการแจกแจงแบบเกาส์เซียน สำหรับสถานะ n มิติ, sigma points จำนวน 2n+1 จุดจะถูกวางไว้ที่: x และ x ± sqrt((λ+n) P), โดยที่ λ = α^2(n+κ)−n พารามิเตอร์ α และ κ ควบคุมการกระจาย: α (โดยทั่วไป 0.001-1) ควบคุมระยะห่างจากค่าเฉลี่ย, κ เป็นพารามิเตอร์การปรับสเกลรอง (มักจะเป็น 0)

UKF เปรียบเทียบกับ EKF อย่างไรในแง่ของความแม่นยำและการคำนวณ?

UKF โดยทั่วไปจะแม่นยำกว่าสำหรับระบบที่ไม่เชิงเส้น (การจับคู่โมเมนต์อันดับสามเทียบกับอันดับแรก) ในแง่ของการคำนวณ, UKF ต้องการการประเมินฟังก์ชันที่ไม่เชิงเส้น 2n+1 ครั้งต่อขั้นเวลา ในขณะที่ EKF ต้องการการประเมินฟังก์ชันหนึ่งครั้งบวกกับการประเมิน Jacobian หนึ่งครั้ง สำหรับระบบที่มีมิติต่ำ (n<20), ภาระงานเพิ่มเติมมีน้อย; สำหรับระบบที่มีมิติสูง, EKF อาจเร็วกว่าแม้จะมีความแม่นยำต่ำกว่า

ฉันสามารถใช้ UKF กับการแจกแจงแบบหลายรูปแบบ (ไม่ใช่เกาส์เซียน) ได้หรือไม่?

UKF มาตรฐานสมมติว่าเป็นการแจกแจงแบบเกาส์เซียนและจะทำงานได้ไม่ดีกับการแจกแจงแบบหลายรูปแบบ สำหรับ posterior แบบหลายรูปแบบ, ให้ใช้ Particle Filter ซึ่งแสดงการแจกแจงเป็นชุดของอนุภาคที่มีน้ำหนัก หรืออีกทางหนึ่ง, ใช้ Gaussian Mixture UKF ซึ่งรักษาองค์ประกอบเกาส์เซียนหลายองค์ประกอบ

ฉันจะปรับแต่งพารามิเตอร์ UKF α, β, และ κ ได้อย่างไร?

การเลือกมาตรฐาน: α = 0.001 (วาง sigma points ใกล้ค่าเฉลี่ยมาก), κ = 0, β = 2 (เหมาะสมที่สุดสำหรับเกาส์เซียน) สำหรับสัญญาณรบกวนที่ไม่ใช่เกาส์เซียน, ลอง β = 2 (เหมาะสมที่สุดสำหรับเกาส์เซียน), β ที่สูงขึ้นจะเน้น sigma points ด้านนอก สำหรับระบบที่มีความไม่เชิงเส้นสูง, เพิ่ม α (เช่น 0.1) เพื่อกระจาย sigma points ให้กว้างขึ้น ทดสอบเชิงประจักษ์กับข้อมูลจำลอง

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  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.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  3. Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว