它有什么作用?
扩展卡尔曼滤波器(EKF)是卡尔曼滤波器的非线性推广,它通过局部线性化将线性状态估计算法扩展到非线性系统。EKF由Bucy在20世纪60年代初开发,已成为机器人学、航空航天和导航领域非线性系统状态估计的主力,能够实时处理来自非线性传感器和动力学的噪声测量。
方法背后的直觉
卡尔曼滤波器在线性系统中是最优的,但实际系统通常是非线性的(机器人传感器测量角度而非状态;导航涉及三角关系)。EKF通过在当前状态估计周围线性化非线性系统动力学和测量方程来扩展线性卡尔曼滤波器。在每个时间步,EKF计算非线性函数的雅可比矩阵(偏导数),然后使用这些雅可比矩阵应用标准的线性卡尔曼滤波器方程。其结果是局部最优估计,能够很好地处理中度非线性,尽管它会丢失线性卡尔曼滤波器的全局最优保证。
历史学
Bucy于1961年开发了EKF,作为卡尔曼滤波器向非线性系统的扩展。该方法很快被用于航天器导航(阿波罗计划)和飞机控制。Battin等人为嵌入式系统改进了数值实现。Bar-Shalom的教科书(2001年)成为标准参考。现代变体包括无迹卡尔曼滤波器(UKF),它使用确定性采样而非线性化;以及用于大规模数据同化的集成卡尔曼滤波器(EnKF)。
何时使用
当您拥有非线性系统并希望从噪声测量中进行实时状态估计时,请使用EKF。它非常适合机器人学(IMU、GPS、编码器数据的传感器融合)、导航(飞机惯性测量单元)和控制系统(非线性对象的闭环状态反馈)。EKF适用于非线性度适中和噪声服从高斯分布的系统。如果系统高度非线性(曲率强)、噪声非高斯分布,或者您需要估计误差的保证界限(使用区间方法),则应避免使用EKF。
局限与注意事项
- 对于非线性系统次优;线性化引入的近似误差会累积。
- 雅可比矩阵计算可能出错;导数中的数值误差会降低性能。
- 假设高斯噪声和线性测量方程;非高斯或强非线性测量会导致滤波器发散。
- 仅进行局部线性化;对于远离估计的大状态扰动会失效。
- 如果初始猜测离真实状态太远或模型不匹配严重,则可能发散。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 将卡尔曼滤波的最优性和递归效率扩展到非线性系统。
- 可实现实时运行;能很好地扩展到高维系统(用于汽车和航空航天领域)。
- 理论成熟且实现丰富;软件生态系统完善。
- 可融合多个非线性传感器(摄像头、激光雷达、雷达)以获得统一的状态估计。
- 提供状态协方差估计,从而能够基于对估计的置信度进行决策。
应用
- 机器人学:融合里程计和地标观测的移动机器人定位,带噪声传感器的实时SLAM。
- 航空航天:来自IMU和GPS的飞机状态估计(传感器融合),来自星敏感器的航天器姿态估计。
- 汽车:来自轮式编码器和GPS的车辆定位,自适应巡航控制状态估计。
- 导航:惯性测量单元(IMU)偏差估计,用于精确定位的GPS/INS集成。
- 计算机视觉:来自视频的3D物体跟踪,结合摄像头和IMU测量的视觉里程计。
使用方式
使用方式
设置初始状态估计 x_hat_0 和协方差估计 P_0;这些反映了您对初始条件的 uncertainty。
使用非线性运动模型 x_{k+1} = f(x_k, u_k) 来预测下一个状态;计算 f 的雅可比矩阵 F_k 并使用 P_{k+1|k} = F_k P_k F_k^T + Q 来传播协方差。
在每次测量时,计算测量函数 h 在预测状态 x_hat_{k|k-1} 周围的雅可比矩阵 H_k。
应用标准的卡尔曼滤波器更新:计算卡尔曼增益 K_k,更新状态估计 x_hat_{k|k},并更新协方差 P_{k|k}。
常见陷阱
- 错误地计算雅可比矩阵(符号错误、遗漏项);务必通过有限差分进行数值验证。
- 过度调整噪声协方差 Q 和 R;错误指定的噪声统计量会导致滤波器发散或收敛缓慢。
- 忽略可观测性;如果系统不可观测,滤波器增益将不可靠且估计会发散。
- 假设高斯分布;实际传感器噪声常包含异常值,导致滤波器被误导。
常见问题
如何计算EKF的雅可比矩阵?
通过计算偏导数来计算雅可比矩阵:F[i,j] = ∂f_i/∂x_j 在当前估计处进行求值。对于复杂函数,使用自动微分工具(例如,PyTorch、JAX)来避免错误。务必通过数值比较有限差分近似来验证:(f(x+ε)-f(x))/ε。
EKF和UKF有什么区别?
EKF使用泰勒展开(雅可比矩阵)来线性化非线性函数。UKF则围绕估计值采样一组确定性选择的点(sigma点),并将这些点通过非线性函数传播,从而在没有显式雅可比矩阵的情况下捕获高阶非线性。对于强非线性系统,UKF通常更准确,但计算成本略高。
如何检测滤波器发散?
监控归一化创新(测量残差除以预测测量协方差)。对于调优良好的滤波器,这些创新应该是白噪声(均值为零,方差恒定)。如果创新持续存在偏差或方差增加,则滤波器正在发散。同时检查预测协方差是否随时间减小;如果增加,则模型不确定性 Q 过大。
我可以在有时间延迟的系统中使用EKF吗?
标准EKF无法处理测量中的时间延迟。要将EKF用于延迟测量,需要扩展状态向量以包含过去的状态,或者使用延迟卡尔曼滤波器变体来存储和处理乱序测量。另一种方法是增加测量噪声协方差 R 以考虑延迟的不确定性。
相关方法
参考文献
Bucy, R. S. (1961). A linear approximation to the solution of nonlinear filtering equations. Technical Report No. 32-486, Jet Propulsion Laboratory.
打开出版物文献已复制。Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.
打开 DOI 文献已复制。Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.
打开出版物文献已复制。