unscented kalman filter

本文深入探讨了UKF(无迹卡尔曼滤波)的工作原理及其在非线性系统中的优势与挑战。与EKF相比,UKF通过无迹变换避免了线性化误差,但在高维状态和强非线性情况下可能面临稳定性问题。文章详细解释了如何选择sigma点和设置权重,以及UKF算法的具体步骤。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

UKF的优势

  • EKF是线性卡尔曼滤波,会引入线性化误差
  • EKF需要计算Jacobian矩阵,不易实现

UKF的问题

  • 低维状态仿真效果超好,实际生产过程中的高维状态使用ukf非常不稳定
  • 此方法在非线性程度小的时候,可以削弱非线性的影响。弱点是当非线性程度强的时候,协方差的更新容易出现负定矩阵的情况。

UKF原理

并不对非线性方程f和h在估计点处做线性化逼近,而是利用无迹变换在估计点附近确定采样点,用这些点的高斯密度来近似状态的概率密度函数
In general, n + 1 \bm{n+1} n+1 sigma points are necessary and sufficient to define a discrete distribution having a given mean and covariance in n \bm{n} n dimensions.
在这里插入图片描述

UKF 步骤

steps

  1. Compute a set of sigma points(这些点的均值和协方差等于原状态分布的均值和协方差)
  2. Each sigma points has a weight
  3. Transform the point through the nonlinear function(状态方程)
  4. Compute a Gaussian from weighted points
    计算高斯模型

two problems

How to choose the sigma points?

A canonical set of sigma points is the symmetric set originally proposed by Uhlmann.

  • 选择的sigma点满足以下式子:
    在这里插入图片描述
  • 第一个点选择均值,其余点根据另外两个式子选择:
    在这里插入图片描述

How to set the weights?

在这里插入图片描述

其他参数的选择

在这里插入图片描述

UKF 算法

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值