Genişletilmiş Kalman Filtresi (EKF)
Extended Kalman Filter · Ayrıca şöyle bilinir: EKF, Nonlinear Kalman Filter
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.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
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.
Güçlü yönler & sınırlılıklar
- 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.
- 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.
SSS
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.
Kaynaklar
- Bucy, R. S. (1961). A linear approximation to the solution of nonlinear filtering equations. Technical Report No. 32-486, Jet Propulsion Laboratory. link ↗
- Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience. DOI: 10.1002/0471221279 ↗
- Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Extended Kalman Filter. ScholarGate. https://scholargate.app/tr/control-theory/extended-kalman-filter
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Doğrusal Karesel GaussKontrol teorisi↔ karşılaştır
- Unscented Kalman FiltresiKontrol teorisi↔ karşılaştır