Genişletilmiş Kalman Filtresi (EKF)
- Ortaya koyan
- Richard S. Bucy
- Yıl
- 1961
- Tür
- algorithm
- Aile
- Nonlinear Estimation
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Genişletilmiş Kalman Filtresi (EKF), Kalman Filtresi'nin doğrusal olmayan genelleştirmesidir ve doğrusal olmayan sistemler için yerel doğrusallaştırma yoluyla doğrusal durum tahmin algoritmasını genişletir. 1960'ların başında Bucy tarafından geliştirilen EKF, robotik, havacılık ve navigasyon alanlarında doğrusal olmayan sistemlerde durum tahmini için temel araç haline gelmiş, doğrusal olmayan sensörlerden ve dinamiklerden gelen gürültülü ölçümlerin gerçek zamanlı işlenmesini sağlamıştır.
Yöntemin mantığı
Kalman Filtresi doğrusal sistemler için optimaldir, ancak gerçek sistemler genellikle doğrusal değildir (robot sensörleri durumları değil açıları ölçer; navigasyon trigonometrik ilişkiler içerir). EKF, doğrusal olmayan sistem dinamiklerini ve ölçüm denklemlerini mevcut durum tahmininin etrafında doğrusallaştırarak doğrusal Kalman Filtresi'ni genişletir. Her zaman adımında EKF, doğrusal olmayan fonksiyonların Jakobiyen matrislerini (kısmi türevler) hesaplar, ardından bu Jakobiyenleri kullanarak standart doğrusal Kalman Filtresi denklemlerini uygular. Sonuç, orta düzeydeki doğrusal olmama durumlarını iyi idare eden, ancak doğrusal Kalman Filtresi'nin küresel optimal garanti özelliğini kaybeden yerel olarak optimal bir tahmindir.
Tarih
Bucy, EKF'yi 1961'de Kalman Filtresi'nin doğrusal olmayan sistemlere bir uzantısı olarak geliştirdi. Yöntem hızla uzay aracı navigasyonu (Apollo programı) ve uçak kontrolü için benimsendi. Battin ve diğerleri, gömülü sistemler için sayısal uygulamayı iyileştirdi. Bar-Shalom'un ders kitabı (2001) standart referans haline geldi. Modern varyantlar arasında doğrusallaştırma yerine deterministik örnekleme kullanan Unscented Kalman Filtresi (UKF) ve büyük ölçekli veri asimilasyonunda kullanılan Ensemble Kalman Filtresi (EnKF) bulunmaktadır.
Ne zaman kullanılır?
Doğrusal olmayan bir sisteminiz olduğunda ve gürültülü ölçümlerden gerçek zamanlı durum tahmini istediğinizde EKF'yi kullanın. Robotik (IMU, GPS, enkoder verilerinin sensör füzyonu), navigasyon (uçak ataletsel ölçüm birimleri) ve kontrol sistemleri (doğrusal olmayan sistemlerde durum geri beslemesi) için idealdir. EKF, hafif ila orta derecede doğrusal olmama durumları ve Gauss gürültüsü olan sistemlerde iyi çalışır. Sistem yüksek derecede doğrusal değilse (güçlü eğrilik), gürültü Gauss değilse veya tahmin hatası üzerinde garantili sınırlar gerekiyorsa (aralık yöntemleri kullanın) EKF'den kaçının.
Sınırlar ve dikkat edilmesi gerekenler
- Doğrusal olmayan sistemler için suboptimaldir; doğrusallaştırma, biriken yaklaştırma hataları getirir.
- Jakobiyen hesaplaması hataya açık olabilir; türevlerdeki sayısal hatalar performansı düşürür.
- Gauss gürültüsü ve doğrusal ölçüm denklemleri varsayar; Gauss olmayan veya güçlü doğrusal olmayan ölçümler filtre ıraksamasına neden olur.
- Yalnızca yerel doğrusallaştırma; tahminden uzak büyük durum pertürbasyonları için bozulur.
- Başlangıç tahmini gerçek durumdan çok uzaksa veya model uyumsuzluğu büyükse ıraksayabilir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Kalman filtrelemesinin optimalliğini ve özyinelemeli verimliliğini doğrusal olmayan sistemlere genişletir.
- Gerçek zamanlı uygulama mümkündür; yüksek boyutlu sistemlere iyi ölçeklenir (otomotiv ve havacılıkta kullanılır).
- İyi anlaşılmış teori ve bol miktarda uygulama; olgun yazılım ekosistemi.
- Birden fazla doğrusal olmayan sensörü (kamera, lidar, radar) birleşik bir durum tahminine birleştirebilir.
- Tahmin üzerindeki güvene dayalı karar verme olanağı sağlayan durum kovaryans tahminini sağlar.
Uygulama alanları
- Robotik: Odometri ve yer işaretleri gözlemlerini birleştiren mobil robot lokalizasyonu, gürültülü sensörlerle gerçek zamanlı SLAM.
- Havacılık: IMU ve GPS'ten uçak durumu tahmini (sensör füzyonu), yıldız izleyicilerden uzay aracı tutum tahmini.
- Otomotiv: Tekerlek enkoderleri ve GPS'ten araç lokalizasyonu, adaptif hız sabitleyici durum tahmini.
- Navigasyon: Ataletsel ölçüm birimi (IMU) sapma tahmini, hassas konumlandırma için GPS/INS entegrasyonu.
- Bilgisayarlı Görü: Videodan 3B nesne takibi, kamera ve IMU ölçümlerini birleştiren görsel odometri.
Nasıl çalışır?
Nasıl çalışır?
Başlangıç durum tahmini x_hat_0 ve kovaryans tahmini P_0'ı ayarlayın; bunlar başlangıç koşulu hakkındaki belirsizliğinizi yansıtır.
Bir sonraki durumu tahmin etmek için doğrusal olmayan hareket modelini x_{k+1} = f(x_k, u_k) kullanın; f'nin Jakobiyen matrisini F_k hesaplayın ve kovaryansı P_{k+1|k} = F_k P_k F_k^T + Q kullanarak yaydırın.
Her ölçüm zamanında, ölçüm fonksiyonu h'nin Jakobiyen matrisini, tahmin edilen durum x_hat_{k|k-1} etrafında H_k olarak hesaplayın.
Standart Kalman Filtresi güncellemesini uygulayın: Kalman kazancını K_k hesaplayın, durum tahminini x_hat_{k|k} ve kovaryansı P_{k|k} güncelleyin.
Sık yapılan hatalar
- Jakobiyenleri yanlış hesaplamak (işaret hataları, eksik terimler); her zaman sonlu farklara karşı sayısal olarak doğrulayın.
- Gürültü kovaryanslarını Q ve R aşırı ayarlamak; yanlış belirtilmiş gürültü istatistikleri filtre ıraksamasına veya yavaş yakınsamaya neden olur.
- Gözlemlenebilirliği göz ardı etmek; sistem gözlemlenebilir değilse, filtre kazançları güvenilmez hale gelir ve tahminler ıraksar.
- Gauss dağılımlarını varsaymak; gerçek sensör gürültüsü genellikle aykırı değerlere sahiptir, bu da filtrenin yanlış yönlendirilmesine neden olur.
Sık sorulan sorular
EKF için Jakobiyen matrislerini nasıl hesaplarım?
Jakobiyen matrisini kısmi türevler alarak hesaplayın: F[i,j] = ∂f_i/∂x_j mevcut tahmin değerinde değerlendirilir. Karmaşık fonksiyonlar için hatalardan kaçınmak üzere otomatik türev araçları (örneğin, PyTorch, JAX) kullanın. Sonlu fark yaklaşımlarıyla karşılaştırarak sayısal olarak her zaman doğrulayın: (f(x+ε)-f(x))/ε.
EKF ve UKF arasındaki fark nedir?
EKF, doğrusal olmayan fonksiyonu Taylor serisi açılımı (Jakobiyen) kullanarak doğrusallaştırır. UKF ise tahmin etrafında deterministik olarak seçilmiş bir dizi nokta (sigma noktaları) örnekler ve bunları doğrusal olmayan fonksiyondan geçirerek, açık Jakobiyenler olmadan daha yüksek dereceli doğrusal olmama durumlarını yakalar. UKF genellikle güçlü doğrusal olmayan sistemler için daha doğrudur ancak hesaplama açısından biraz daha maliyetlidir.
Filtre ıraksamasını nasıl tespit ederim?
Normalleştirilmiş yeniliği (ölçüm hatası bölü tahmin edilen ölçüm kovaryansı) izleyin. İyi ayarlanmış bir filtre için bu yenilikler beyaz olmalıdır (ortalama sıfır, sabit varyans). Yenilikler tutarlı bir şekilde yanlıysa veya artan varyansa sahipse, filtre ıraksamaktadır. Tahmin edilen kovaryansın zamanla azaldığını da kontrol edin; artıyorsa, model belirsizliği Q çok büyüktür.
EKF'yi zaman gecikmeleri olan sistemler için kullanabilir miyim?
Standart EKF, ölçümlerdeki zaman gecikmelerini işlemez. Gecikmiş ölçümlerle EKF kullanmak için, geçmiş durumları içerecek şekilde durum vektörünü genişletin veya sıra dışı ölçümleri depolayan ve işleyen gecikmiş Kalman Filtresi varyantını kullanın. Başka bir yaklaşım, gecikme belirsizliğini hesaba katmak için ölçüm gürültüsü kovaryansını R artırmaktır.
İlgili yöntemler
Kaynaklar
Bucy, R. S. (1961). A linear approximation to the solution of nonlinear filtering equations. Technical Report No. 32-486, Jet Propulsion Laboratory.
Yayın kaynağını açKopyalandı.Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.
DOI kaynağını açKopyalandı.Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.
Yayın kaynağını açKopyalandı.