非线性系统状态估计是一大难点。KF(Kalman Filter)只适用于线性系统。EKF(Extended Kalman Filter)利用泰勒展开将非线性系统线性化。可是,EKF在强非线性系统下的误差很大。本文将介绍一种新型的滤波算法UKF(Unscented Kalman Filter),其计算精度相比EKF更高并省略了Jacobian矩阵的计算。
Why UKF
本博客在之前两篇介绍了KF和EKF。那么,为什么还需要UKF呢,原因见下表:
模型 | 缺点 | UKF对缺点改进 |
---|---|---|
KF | 只适用于线性系统 | 适用于非线性系统 |
EKF | 线性化忽略了高阶项导致强非线性系统误差大;线性化处理需要计算Jacobian矩阵 | 对非线性的概率分布近似,没有线性化忽略高阶项; 不需要计算Jacobian矩阵 |
UKF简述
原理概述
首先,回顾下UKF需要解决的问题,已知系统的状态及其方差xk,Pk。如果经过非线性函数xk+1=f(xk)后,新的状态和方差如何求解。
EKF提供的方法是将非线性函数f(x)作泰勒一阶展开,利用Jacobian矩阵Hj近似将f(x)线性化为Hjx。这种方法一方面在强非线性系统下误差大,另一方面Jacobian矩阵的计算着实令人头疼。
UKF认为每一个状态xk,Pk都可以用几个Sigma点(关键点)Xsig表示。当作用于非线性函数f(x)时,只需要将Sigma点Xsig作用于非线性函数f(x)得到f(Xsig)即可。通过得到的f(Xsig)可以计算新的状态xk+1,Pk+1。
通过上面的介绍,我们知道UKF只是将非线性函数映射通过关键点映射来实现,那么出现几个问题:
- 关键点怎么找
- 找到关键点后如何求出新的状态xk+1,Pk+1
关键点怎么找
关键点的意义在于能够充分刻画原状态的分布情况,其经验公式如下图所示,需要注意的是:
- nx代表xk|k的大小
- λ代表关键点的散开情况,一般采用经验值λ=3−nx
找到关键点后如何求出新的状态
新状态的求解公式如下图所示,需要注意的是:
- Xk+1|k代表Sigma点集合,Xk+1|k,i代表Sigma点集合中的第i个点
- na代表xk+1|k增广后的大小
- nσ代表Sigma点集合的大小,一般nσ=1+2na
- 权重wi在i==0时w0=λλ+na,在i!=0时w0=12(λ+na)
多传感器融合
下面,将通过lidar、radar跟踪小车的例子,讲解UKF如何应用于小车状态跟踪。相关传感器信息及大体步骤可见扩展卡尔曼滤波EKF与多传感器融合。
CTRV模型
EKF文章中使用了CV(constant velocity)模型,本文将使用CTRV(constant turn rate and velocity magnitude)模型。其状态变量如下图所示。
因假定turn rate、velocity不变,其Process noise包含加速度与角加速度为:
利用x˙及其对时间的积分xk+1=∫x˙dt可得Process模型为:
考虑Process noise为:
RoadMap
UKF的RoadMap如上图所示,核心思想在前部分已介绍过,其算法是:
- 初始化系统状态xk,Pk
- 根据状态xk,Pk生成Sigma点Xk
- 根据process model预测未来的Sigma点Xk+1|k
- 根据预测的Sigma点Xk+1|k生成状态预测xk+1|k,Pk+1|k
- 当测量值到来时,将预测的Sigma点Xk+1|k转换成预测测量值Zk+1|k
- 根据预测测量值Zk+1|k与真实测量值zk+1的差值更新得到系统状态xk+1|k+1,Pk+1|k+1
同时,有几个部分需要强调下。
- 数据增广
- Update State
- Noise Level与NIS
数据增广
如上图,在process预测时需要对xk进行增广,原因是process模型中包含了噪声的非线性关系f(xk,νk)。反之,在measurement model中因为噪声是线性关系的所以不需要进行数据增广。
增广后x,P变化如下,
Update State
State的更新公式如下图所示:
Noise Level与NIS
UKF中牵涉的噪音有两类:
- Process Noise:νa,νψ¨,需要自己设定
- Measurement Noise:lidar、radar的噪音水平,由厂家提供
自己设定调整的方法有NIS,NIS的分布服从chi-square分布,调整合适的噪音水平使其符合规定的chi-square分布即可。
示例
本文采用与扩展卡尔曼滤波EKF与多传感器融合相同的数据集,结果如下。
NIS验证结果如下:
总体跟踪情况如下:
UKF与EKF的RMSE对比如下,UKF明显占优:
方法 | X | Y | VX | VY |
---|---|---|---|---|
EKF | 0.0973 | 0.0855 | 0.4513 | 0.4399 |
UKF | 0.0661 | 0.0827 | 0.3323 | 0.2146 |
相关代码可参考:YoungGer的Github