İçeriğe atla
Arama sonuçlarına dön

Unscented Kalman Filtresi

Ortaya koyan
Simon Julier
Yıl
1997
Tür
algorithm
Aile
Nonlinear Estimation

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Unscented Kalman Filtresi (UKF), açık bir Jacobi matrisi hesaplaması gerektirmeksizin doğrusal olmayan sistemleri yaklaşık olarak modelleyen doğrusal olmayan bir durum tahmin algoritmasıdır.

Julier ve Uhlmann tarafından 1997'de tanıtılan UKF, ortalama ve kovaryans istatistiklerini dikkatlice seçilmiş bir dizi örneklem noktası (sigma noktaları) aracılığıyla yakalamak için deterministik bir yöntem olan unscented dönüşümü kullanır. Bu sayede, yüksek derecede doğrusal olmayan sistemler için Genişletilmiş Kalman Filtresi'nden (EKF) daha doğru sonuçlar verirken, türev hesaplamalarının getirdiği hesaplama yükünden kaçınır.

Yöntemin mantığı

UKF'nin temel fikri, açık doğrusallaştırmayı (EKF'de kullanılan) istatistiksel bir örnekleme yaklaşımıyla değiştirmektir. Jacobi matrislerini hesaplamak yerine, UKF mevcut durum tahmini etrafında deterministik olarak seçilmiş minimal bir nokta kümesi (sigma noktaları) seçer, her birini doğrusal olmayan fonksiyon aracılığıyla ilerletir ve sonuçların ortalamasını ve kovaryansını geri kazanır. Doğrusal olmayan fonksiyon, gradyanı ile yaklaştırılmak yerine birden çok noktada değerlendirildiği için UKF, doğrusal olmama durumunu daha doğru bir şekilde yakalar. Bir Gauss dağılımı için bu yaklaşım, yalnızca birinci dereceden doğru olan EKF'ye kıyasla üçüncü ana kadar (çarpıklık) kesindir.

Tarih

Julier ve Uhlmann, 1997'de ortalama ve kovaryansı doğrusal olmayan fonksiyonlar aracılığıyla yaymak için genel bir teknik olarak unscented dönüşümü tanıttılar. Wan ve Van der Merwe, 2000'de tam UKF algoritmasını geliştirdi ve kıyaslama problemlerinde EKF'ye göre üstün performans gösterdi. Sarkka'nın ders kitabı (2013), adaptif ve dağıtılmış UKF varyantları da dahil olmak üzere kapsamlı bir inceleme sağladı. UKF, robotik ve havacılıkta, özellikle tutum tahmini için (kuaterniyon dinamikleri oldukça doğrusal değildir) standart hale gelmiştir.

Ne zaman kullanılır?

Güçlü bir şekilde doğrusal olmayan bir sisteminiz olduğunda ve Jacobi matrislerini hesaplamadan EKF'den daha iyi doğruluk istediğinizde UKF'yi kullanın. Robotik (özellikle 3B tutum tahmini), doğrusal olmayan sensör modelleriyle (radar, kerteriz açıları) navigasyon ve doğrusallaştırmanın kötü bir yaklaşım olduğu sistemler için idealdir. UKF, EKF'den (küçük bir faktörle) daha fazla hesaplama maliyetine sahiptir, bu nedenle yalnızca hesaplama ciddi şekilde kısıtlıysa veya sistem doğrusal olmama durumu hafifse (EKF yeterliyse) kaçının.

Sınırlar ve dikkat edilmesi gerekenler

  • EKF'den biraz daha fazla hesaplama maliyetlidir (Jacobi matrisi yerine zaman adımında 2n+1 fonksiyon değerlendirmesi).
  • Hala Gauss dağılımlarını varsayar; Gauss olmayan gürültü filtre sapmasına neden olabilir.
  • Sigma noktası yayılımı, EKF'den daha fazla matris depolamayı ve işlemeyi gerektirir.
  • Alfa ve beta parametreleri için evrensel olarak optimal bir seçim yoktur; sisteme bağlı ayarlama gerekebilir.
  • Başlangıç tahmini gerçeğe uzaksa veya model uyumsuzluğu ciddiyse hala sapabilir.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Yüksek derecede doğrusal olmayan sistemler için EKF'den daha doğrudur; açık Jacobi matrisleri olmadan üçüncü dereceden momentleri yakalar.
  • Jacobi matrislerini hesaplamaya veya kodlamaya gerek yoktur; uygulama hatalarını azaltır ve sağlamlığı artırır.
  • Minimal ayarlama gerektirir; sigma noktası yerleşimi iyi belirlenmiş formüllerle belirlenir.
  • EKF'ye kıyasla daha geniş bir doğrusal olmayan sistem sınıfı için kanıtlanabilir şekilde yakınsaktır.
  • Gürültü istatistikleri bir Gauss karışımı ile yaklaştırılabilirse, Gauss olmayan gürültü ile iyi çalışır.

Uygulama alanları

  • Robotik: İvmeölçer ve jiroskoptan 3B tutum tahmini, doğrusal olmayan sensör modelleriyle mobil robot SLAM.
  • Havacılık: Uçak tutum ve başlık tahmini, yıldız izleyici ve jiroskop ölçümlerinden uzay aracı tutum belirleme.
  • Otonom araçlar: Doğrusal olmayan dinamiklerle GPS/INS füzyonu, radar, lidar ve kameradan sensör füzyonu.
  • Navigasyon: Atalet navigasyon sistemi hata düzeltmesi, sadece kerteriz ile hedef konumlandırma.
  • Güç sistemleri: Güç şebekelerinde doğrusal olmayan durum tahmini, AC güç sistemlerinde harmonik algılama.

Nasıl çalışır?

Nasıl çalışır?

1

Başlangıç durum tahmini x_hat_0 ve kovaryans P_0'ı ayarlayın; ayrıca sigma noktası aralığını kontrol eden UKF parametrelerini (α, β, κ) ayarlayın.

2

Mevcut tahmin ve kovaryansdan 2n+1 sigma noktası oluşturun; burada n durum boyutudur. Noktalar ortalamaya ve sqrt(λ + n) standart sapma uzaklıktaki konumlara yerleştirilir.

3

Her bir sigma noktasını doğrusal olmayan hareket modeli aracılığıyla geçirerek tahmin edilen sigma noktalarını elde edin; ilerletilmiş noktalardan tahmin edilen ortalama ve kovaryansı hesaplayın.

4

Tahmin edilen sigma noktalarını ölçüm fonksiyonu aracılığıyla geçirerek tahmin edilen ölçümleri elde edin; Kalman kazancını hesaplayın ve standart güncelleme denklemlerini kullanarak durumu ve kovaryansı güncelleyin.

Sık yapılan hatalar

  • Etkilerini anlamadan varsayılan UKF parametrelerini (α, β, κ) kullanmak; bunlar sigma noktası yayılımını ve yüksek dereceli moment yaklaşımını kontrol eder.
  • Modeli iyileştirmek yerine salınımları bastırmak için ölçüm gürültüsü kovaryansı R'yi aşırı belirlemek.
  • Boyutluluk lanetini göz ardı etmek; UKF, durum boyutunda O(n^3) olarak ölçeklenir, bu nedenle yüksek boyutlu durum uzayları (>50D) yaklaşımlar gerektirir.
  • UKF'nin tüm doğrusal olmama durumlarına karşı sağlam olduğunu varsaymak; hala sistemin her adımda bir Gauss ile iyi bir şekilde yaklaştırılabileceğini varsayar.

Sık sorulan sorular

Sigma noktaları nelerdir ve nasıl seçilirler?

Sigma noktaları, bir Gauss dağılımının ortalamasını ve kovaryansını yakalayan, deterministik olarak seçilmiş bir örneklem noktaları kümesidir. n boyutlu durum için, 2n+1 sigma noktası şu şekilde yerleştirilir: x ve x ± sqrt((λ+n) P), burada λ = α^2(n+κ)−n. α ve κ parametreleri yayılımı kontrol eder: α (tipik olarak 0.001-1) ortalamadan uzaklığı kontrol eder, κ ikincil bir ölçekleme parametresidir (genellikle 0).

UKF, doğruluk ve hesaplama açısından EKF ile nasıl karşılaştırılır?

UKF, doğrusal olmayan sistemler için tipik olarak daha doğrudur (üçüncü dereceden ve birinci dereceden moment eşleşmesi). Hesaplama açısından, UKF adım başına doğrusal olmayan fonksiyonun 2n+1 değerlendirmesini gerektirirken, EKF bir fonksiyon değerlendirmesi artı bir Jacobi matrisi değerlendirmesi gerektirir. Düşük boyutlu sistemler için (n<20), ek yük küçüktür; yüksek boyutlu sistemler için, EKF daha düşük doğruluğa rağmen daha hızlı olabilir.

UKF'yi çok modlu (Gauss olmayan) dağılımlarla kullanabilir miyim?

Standart UKF, Gauss dağılımlarını varsayar ve çok modlu dağılımlarla kötü performans gösterir. Çok modlu posteriörler için, dağılımı ağırlıklı bir parçacık kümesi olarak temsil eden bir Parçacık Filtresi kullanın. Alternatif olarak, birden çok Gauss bileşeni içeren Gauss Karışımı UKF'yi kullanın.

UKF parametreleri α, β ve κ'yi nasıl ayarlarım?

Standart seçim: α = 0.001 (sigma noktalarını ortalamaya çok yakın yerleştirir), κ = 0, β = 2 (Gauss için optimal). Gauss olmayan gürültü için, β = 2'yi deneyin (Gauss optimal), daha büyük β dış sigma noktalarını vurgular. Güçlü doğrusal olmama durumuna sahip sistemler için, sigma noktalarını daha geniş yaymak için α'yı artırın (örn. 0.1). Simüle edilmiş veriler üzerinde deneysel olarak test edin.

İlgili yöntemler

Kaynaklar

  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.

    Yayın kaynağını aç
    Kopyalandı.
  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.

    Yayın kaynağını aç
    Kopyalandı.
  3. Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.

    DOI kaynağını aç
    Kopyalandı.