Unscented Kalman Filtresi
Unscented Kalman Filter · Ayrıca şöyle bilinir: UKF, Sigma-Point Kalman Filter
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.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
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.
Güçlü yönler & sınırlılıklar
- 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.
- 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.
SSS
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.
Kaynaklar
- 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 ↗
- 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 ↗
- Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press. DOI: 10.1017/CBO9781139344203 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Unscented Kalman Filter. ScholarGate. https://scholargate.app/tr/control-theory/unscented-kalman-filter
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genişletilmiş Kalman Filtresi (EKF)Kontrol teorisi↔ karşılaştır
- Doğrusal Karesel GaussKontrol teorisi↔ karşılaştır