ScholarGate
Assistente
Machine learningNonlinear Estimation

Filtro de Kalman Não Linear (Unscented Kalman Filter - UKF)

O Filtro de Kalman Não Linear (UKF) é um algoritmo de estimação de estado não linear que aproxima sistemas não lineares sem exigir cálculo explícito de Jacobianos. Introduzido por Julier e Uhlmann em 1997, o UKF utiliza a transformada unscented — um método determinístico para capturar estatísticas de média e covariância através de um conjunto cuidadosamente escolhido de pontos de amostra (pontos sigma) — tornando-o mais preciso que o Filtro de Kalman Estendido (EKF) para sistemas altamente não lineares, ao mesmo tempo que evita o ônus computacional de cálculos de derivadas.

Abrir no MethodMindEm breveApply, compare, get guidance
Tools & resources
Baixar slides
Learn & explore
VídeoEm breve

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Mapa de métodos

A vizinhança de métodos relacionados — selecione um nó para explorar.

Fontes

  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. link
  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. link
  3. Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press. DOI: 10.1017/CBO9781139344203

Como citar esta página

ScholarGate. (2026, June 3). Unscented Kalman Filter. ScholarGate. https://scholargate.app/pt/control-theory/unscented-kalman-filter

Qual método?

Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.

Comparar lado a lado

Referenciado por

ScholarGateUnscented Kalman Filter (Unscented Kalman Filter). Recuperado em 2026-06-15 de https://scholargate.app/pt/control-theory/unscented-kalman-filter · Conjunto de dados: https://doi.org/10.5281/zenodo.20539026