目录
1.算法概述
对于Unscented Kalman Filter,常用的翻译有“无迹卡尔曼滤波”、“无损卡尔曼滤波”、“无味卡尔曼滤波”,是一类用于处理非线性系统的贝叶斯滤波器近似方法。UKF是在KF的基础上引入了无迹变换(Unscented Transform)来处理概率密度均值和协方差的非线性传递问题。相比于扩展卡尔曼滤波EKF通过一阶泰勒展开对非线性系统进行线性化,无迹卡尔曼滤波UKF从概率密度函数的角度对非线性系统进行近似。
无迹kalman滤波(UKF)不是采用的将非线性函数线性化的做法。无迹kalman仍然采用的是线性kalman滤波的架构,对于一步预测方程,使用无迹变换(UT)来处理均值和协方差的非线性传递问题。UKF算法是对非线性函数的概率密度分布进行近似,用一系列确定样本来逼近状态的后验概率密度,而不是对非线性函数进行近似,不需要对雅可比矩阵进行求导。UKF没有高阶项忽略,因此对于非线性分布的统计量有较高的精度,有效克服了扩展Kalman滤波的估计精度低、稳定性差的缺陷。
与线性kalman滤波一样,UKF采用过程模型对下一时刻的状态均值与协方差进行预测。
首先,生成具体的sigma点与其对应的权重
将sigma点通过函数f(x)
—这将使sigma点通过过程模型向前投影,也就相当于向前预测一步。