Skip to content
返回搜索结果

无迹卡尔曼滤波器

提出者
Simon Julier
年份
1997
类型
algorithm
类别
Nonlinear Estimation

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

无迹卡尔曼滤波器(UKF)是一种非线性状态估计算法,它在不要求显式计算雅可比矩阵的情况下近似非线性系统。UKF由Julier和Uhlmann于1997年提出,它使用无迹变换——一种通过精心选择的样本点(sigma点)来捕获均值和协方差统计信息的确定性方法——使其在高度非线性系统上的精度优于扩展卡尔曼滤波器,同时避免了计算导数的负担。

方法背后的直觉

UKF的关键思想是用统计采样方法取代显式线性化(EKF中使用的方法)。UKF不计算雅可比矩阵,而是选择当前状态估计周围的最少一组确定性选择的点(sigma点),将每个点通过非线性函数传播,然后恢复结果的均值和协方差。由于非线性函数是在多个点上评估的,而不是通过其梯度近似,因此UKF能更准确地捕获非线性。对于高斯分布,这种方法精确到三阶矩(偏度),而EKF仅具有一阶精度。

历史学

Julier和Uhlmann于1997年引入了无迹变换,作为通过非线性函数传播均值和协方差的通用技术。Wan和Van der Merwe于2000年开发了完整的UKF算法,并在基准问题上展示了优于EKF的性能。Sarkka的教科书(2013年)提供了全面的论述,包括自适应和分布式UKF变体。UKF已成为机器人和航空航天领域的标准,特别是在姿态估计方面(四元数动力学高度非线性)。

何时使用

当您拥有强非线性系统并希望获得优于EKF的精度而无需计算雅可比矩阵时,请使用UKF。它非常适合机器人技术(特别是3D姿态估计)、具有非线性传感器模型的导航(雷达、方位角)以及线性化近似效果不佳的系统。UKF比EKF计算成本稍高(因子很小),因此除非计算资源严重受限或系统非线性程度较低(EKF足够),否则应避免使用。

局限与注意事项

  • 比EKF计算成本稍高(每个时间步需要2n+1次函数评估,而EKF只需要一次函数评估和一次雅可比矩阵评估)。
  • 仍然假设高斯分布;非高斯噪声可能导致滤波器发散。
  • sigma点传播比EKF需要存储和操作更多的矩阵。
  • α和β参数没有普遍最优的选择;可能需要根据系统进行调优。
  • 如果初始估计远离真实值或模型不匹配严重,仍可能发散。

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

  • 对于高度非线性系统比EKF更精确;无需显式雅可比矩阵即可捕获三阶矩。
  • 无需计算或编写雅可比矩阵;减少了实现错误并提高了鲁棒性。
  • 只需少量调优;sigma点的位置由成熟的公式确定。
  • 与EKF相比,对于更广泛的非线性系统,具有可证明的收敛性。
  • 如果噪声统计量可以近似为高斯混合模型,则可很好地处理非高斯噪声。

应用

  • 机器人技术:来自加速度计和陀螺仪的3D姿态估计,具有非线性传感器模型的移动机器人SLAM。
  • 航空航天:飞机姿态和航向估计,来自星敏感器和陀螺仪测量的航天器姿态确定。
  • 自动驾驶汽车:具有非线性动力学的GPS/INS融合,来自雷达、激光雷达和相机的传感器融合。
  • 导航:惯性导航系统误差校正,仅方位角的目标定位。
  • 电力系统:电网中的非线性状态估计,交流电力系统中的谐波检测。

使用方式

使用方式

1

设置初始状态估计x_hat_0和协方差P_0;同时设置控制sigma点间隔的UKF参数(α, β, κ)。

2

从当前估计和协方差生成2n+1个sigma点,其中n是状态维度。点位于均值处以及距离均值sqrt(λ + n)标准差的位置。

3

将每个sigma点通过非线性运动模型,得到预测的sigma点;从传播的点计算预测的均值和协方差。

4

将预测的sigma点通过测量函数,得到预测的测量值;使用标准的更新方程计算卡尔曼增益并更新状态和协方差。

常见陷阱

  • 使用默认的UKF参数(α, β, κ)而不理解它们的影响;这些参数控制sigma点的分布范围和高阶矩的近似。
  • 过度指定测量噪声协方差R以抑制振荡,而不是改进模型。
  • 忽略维度灾难;UKF的计算复杂度随状态维度n呈O(n^3)增长,因此高维状态空间(>50D)需要近似。
  • 假设UKF对所有非线性都具有鲁棒性;它仍然假设系统在每一步都可以用高斯分布很好地近似。

常见问题

什么是sigma点以及如何选择它们?

Sigma点是一组确定性选择的样本点,用于捕获高斯分布的均值和协方差。对于n维状态,2n+1个sigma点位于:x和x ± sqrt((λ+n) P),其中λ = α^2(n+κ)−n。参数α和κ控制扩展:α(通常为0.001-1)控制与均值的距离,κ是次要缩放参数(通常为0)。

UKF在精度和计算方面与EKF相比如何?

对于非线性系统,UKF通常更精确(三阶矩匹配 vs. 一阶矩匹配)。在计算方面,UKF每步需要2n+1次非线性函数评估,而EKF需要一次函数评估加上一次雅可比矩阵评估。对于低维系统(n<20),开销很小;对于高维系统,尽管精度较低,EKF可能更快。

我可以使用UKF处理多峰(非高斯)分布吗?

标准UKF假设高斯分布,对于多峰分布性能会很差。对于多峰后验分布,请使用粒子滤波器,它将分布表示为加权粒子集。或者,使用高斯混合UKF,它维护多个高斯分量。

如何调整UKF参数α, β, κ?

标准选择:α = 0.001(将sigma点置于非常靠近均值的位置),κ = 0,β = 2(高斯分布最优)。对于非高斯噪声,尝试β = 2(高斯分布最优),较大的β会强调外围sigma点。对于强非线性系统,增加α(例如0.1)以使sigma点分布更宽。在模拟数据上进行经验测试。

相关方法

参考文献

  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.

    打开出版物文献
    已复制。
  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.

    打开出版物文献
    已复制。
  3. Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press.

    打开 DOI 文献
    已复制。