Quando usar o EKF e quando o Kalman Filter?

13

Estou aprendendo o Kalman Filter por uma semana agora. Acabei de descobrir que o EKF (filtro estendido de Kalman) pode ser mais apropriado para o meu caso.

Suponhamos que eu esteja aplicando o KF / EKF para o variômetro (o dispositivo que informa aos aviões e paraquedistas qual é a sua posição e velocidade verticais). No meu caso, eu gerei alguns dados de amostra: nos primeiros segundos em que ele (o paraquedista, por exemplo) está caindo (a velocidade é positiva), então ele está subindo (a velocidade é negativa).

Até onde eu sei, esse sistema é linear. Então, devo usar KF ou EKF?

Primož Kralj
fonte
Eu quero saber sobre o msckf em detalhes? Estou fazendo um projeto nele?
Sushanth Kalva

Respostas:

16

A resposta é simples: se o seu sistema for linear, um filtro Kalman (regular) funcionará perfeitamente. Um resumo muito breve das diferenças entre os dois:

O filtro Kalman estendido (EKF) é uma extensão que pode ser aplicada a sistemas não lineares. A exigência de equações lineares para os modelos de medição e de transição de estado é atenuada; em vez disso, os modelos podem ser não lineares e precisam ser diferenciados apenas.

O EKF trabalha transformando os modelos não lineares a cada passo em sistemas linearizados de equações. Em um modelo de variável única, você faria isso usando o valor atual do modelo e sua derivada; a generalização para múltiplas variáveis ​​e equações é a matriz jacobiana. As equações linearizadas são então usadas de maneira semelhante ao filtro Kalman padrão.

Como em muitos casos em que você aproxima um sistema não linear com um modelo linear, há casos em que o EKF não apresenta bom desempenho. Se você tem um palpite inicial ruim do estado do sistema subjacente, poderá eliminar o lixo. Ao contrário do filtro Kalman padrão para sistemas lineares, o EKF não é comprovadamente ideal em nenhum sentido; é apenas uma extensão da técnica do sistema linear para uma classe mais ampla de problemas.

Jason R
fonte
Obrigado. Você poderia apontar um ou dois exemplos da vida real onde se deve usar o EKF?
Primož Kralj
2
Considere o exemplo de um radar que rastreia um alvo livre para se mover no espaço 3D. O radar pode medir os ângulos de elevação e azimute entre ele e o alvo, bem como o alcance do alvo. Este é um sistema de coordenadas esféricas. No entanto, a dinâmica do alvo (posição, velocidade, aceleração) é melhor expressa em coordenadas cartesianas, portanto, você pode expressar o estado do sistema de rastreamento como a posição cartesiana do alvo. Portanto, existe uma relação não linear entre as medições e o estado do sistema, o que sugere o uso de um filtro Kalman estendido.
Jason R
Então o KF ou EKF não tem nada a ver com o barulho, certo? A ideia de que somente quando o ruído é normal é possível aplicar KF está errada, certo?
Sibbs Gambling
@ perfectionm1ng: Uma das principais suposições de toda a estrutura de filtros da Kalman é que os processos de ruído envolvidos são gaussianos. No entanto, se isso não for verdade, ainda poderá ser "bom o suficiente" para o seu aplicativo. A distinção EKF vs. KF é a relação linear versus não linear entre as medidas e o estado, conforme descrito acima.
Jason R
@JasonR Oh! Entendo. Você poderia, por favor, ajudar nessas 2 questões relacionadas? robotics.stackexchange.com/questions/1767/… e dsp.stackexchange.com/questions/10387/…
Sibbs Gambling
6

Minha resposta é que, se for um sistema linear, você deve usar o KF; se for um sistema não-linear com fraca não-linearidade, você deve usar o EKF; se o sistema não-linear com alta não-linearidade, você poderá considerar o conhecido UKF. Eu desenho um gráfico para isso, espero que seja útil. insira a descrição da imagem aqui

Wayne
fonte
5

Uma pesquisa rápida na literatura me diz que o EKF é comumente usado em GPS, sistemas de localização / navegação e também em veículos aéreos não tripulados. [Veja, por exemplo, `` Aplicação de filtro Kalman estendido para identificação de UAV '', Abhijit G. Kallapur, Shaaban S. Ali e Sreenatha G. Anavatti, Springer (2007)].

Se você tiver motivos para acreditar que uma aproximação linear à não linearidade em seu sistema não é muito prejudicial, o EKF poderá fornecer melhores resultados que um KF. Mas não há garantias teóricas de otimização.

Atul Ingle
fonte
Obrigado. Estou trabalhando com sistemas aeronáuticos, mas ainda não recebi o caso real - só quero esclarecer as coisas antes.
Primož Kralj