UKF 대신 여전히 EKF를 사용해야하는 이유는 무엇입니까?


10

무향 칼만 필터는 확장 칼만 필터의 변형으로 1 차 Taylor 시리즈 확장 대신 "시그마 포인트"세트 변환에 의존하는 다른 선형화를 사용합니다.

UKF는 컴퓨팅 야 코비안을 필요로하지 않고 불연속 변환에 사용될 수 있으며, 가장 중요하게는 비선형 변환의 경우 EKF보다 더 정확합니다.

내가 찾은 유일한 단점은 "EKF는 종종 UKF보다 약간 빠르다"(Probablistic Robotics)라는 것입니다. 이것은 나에게 무시할만한 것처럼 보이며 그들의 점근 적 복잡성은 동일한 것 같습니다.

그렇다면 왜 모든 사람들이 여전히 UKF보다 EKF를 선호하는 것입니까? UKF의 큰 단점을 놓쳤습니까?

답변:


6

다음은 몇 가지 가능한 고려 사항입니다. 분명히 UKF는 이점이 많은 많은 반대 지점을 가지고 있습니다.

가장 확실한 장점은 계산 능력입니다. 전통적으로 이러한 필터는 계산 리소스가 매우 제한된 임베디드 시스템에서 구현된다는 것을 잊지 마십시오. 또한 UKF에 대한 경험이 많지 않지만 EKF의 중요한 이점 중 하나는 상대적으로 구현하기 쉽다는 것입니다. 많은 시스템에서 Jacobian은 분석적으로 매우 쉽게 파생되므로 EKF 구현이 대부분 간단합니다.

잠재적 이점의 또 다른 영역은 튜닝이 용이하다는 것입니다. UKF에서 얼마나 많은 매개 변수를 조정할 수 있는지 기억이 나지 않지만 기본 Kalman Filter가 어디에나 있기 때문에 UKF 사용에 대해 생각하는 사람은 이미 EKF를 조정하는 방법을 알고 있기 때문에 EKF 조정 매개 변수는 이미 잘 알고 있습니다.

마지막으로 추진력을 무시하지 마십시오. 기존 시스템에 이미 작동중인 EKF가있는 경우 UKF 구현 및 테스트 작업을 모두 수행해야하는 이유는 무엇입니까?


ukf는 구현하기가 매우 쉽습니다. 필요한 것은 예측 모델과 측정 모델입니다. 튜닝에는 시그마 포인트 확산, 측정 노이즈 및 예측 노이즈의 세 가지 튜닝 파라미터가 있습니다. 내 베팅은 efk의 추진력입니다.
holmeski

데이터가 비선형이고 계산 리소스가 중요하지 않은 경우 UKF가 탁월한 필터입니다.
koverman47
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.