Por que ainda devo usar o EKF em vez do UKF?

10

O Unscented Kalman Filter é uma variante do Extended Kalman Filter que usa uma linearização diferente, que consiste na transformação de um conjunto de "Sigma Points" em vez da expansão de primeira ordem da série Taylor.

O UKF não exige computação jacobiana, pode ser usado com transformação descontínua e é, o mais importante, mais preciso que o EKF para transformações altamente não lineares.

A única desvantagem que encontrei é que "o EKF geralmente é um pouco mais rápido que o UKF" (Probablistic Robotics). Isso me parece insignificante e sua complexidade assintótica parece ser a mesma.

Então, por que todo mundo ainda parece preferir o EKF ao UKF? Perdi uma grande desvantagem da UKF?

sebsch
fonte

Respostas:

6

Aqui estão alguns pontos de consideração possíveis. Certamente, o UKF tem muitos contrapontos, onde também tem uma vantagem.

A vantagem mais óbvia é o poder da computação. Não esqueça que, tradicionalmente, esses filtros são implementados em sistemas embarcados com recursos computacionais muito limitados. Além disso, embora eu não tenha muita experiência com UKFs, uma vantagem significativa dos EKFs é a relativa facilidade de implementação. Para muitos sistemas, o jacobiano é muito facilmente derivado analiticamente, o que torna a implementação do EKF quase sempre direta.

Outra área de vantagem potencial é a facilidade de ajuste. Não me lembro quantos parâmetros são ajustáveis ​​em um UKF, mas os parâmetros de ajuste do EKF já são bem compreendidos porque o Filtro Kalman básico é onipresente, portanto, qualquer pessoa que esteja pensando em usar um UKF já sabe como ajustar um EKF.

Finalmente, não ignore o momento. Se um sistema existente já possui um EKF em funcionamento, por que realizar todo o trabalho de implementação e teste de um UKF?

ryan0270
fonte
O ukf é incrivelmente fácil de implementar. Tudo o que é necessário é um modelo de previsão e um modelo de medição. Para o ajuste, existem três parâmetros de ajuste: propagação do ponto sigma, ruído de medição e ruído de previsão. Minha aposta é o momento por trás do efk.
holmeski
Se seus dados são altamente não lineares e os recursos computacionais não são motivo de preocupação, o UKF é o filtro superior.
koverman47