无迹卡尔曼滤波器（UKF）

无迹卡尔曼滤波

由于扩展卡尔曼滤波可能存在线性化误差，且一般情况下雅克比矩阵不易实现，增加了算法的计算复杂度。

无迹卡尔曼滤波不采用泰勒展开实现非线性系统线性化，而是采用无迹变换 Unscented Transform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，不需要对雅克比矩阵进行求导。）

无迹变换

(1)原状态分布中按某一规则选取一些采样点（其均值和方差等于原状态分布的均值和方差）
(2)将点带入非线性方程中（求取变换后的均值和协方差）
以对称分布采样的UT变换为例。设一个非线性变换。状态向量为维随机变量，已知其均值和方差。通过UT变换得到2n+1个sigma点和相应的权值。
(1)计算2n+1个sigma点，即采样点

表示矩阵方根的第列。注意应确保为半正定矩阵。
设:
则：
, ——
与
对称,合并起来就是9个sigma点：
sig1 sig2 sig3 sig4 sig5 sig6 sig7 sig8 sig9

（2）计算采样点相应的权值

将9个sigma点带入非线性方程得到新的sigma点：

假设得到
sig1 sig2 sig3 sig4 sig5 sig6 sig7 sig8 sig9

定义权值,
可求得下一个点的先验值（经过UT变换后得到的先验值)
,

以上是无迹变换算先验值的整个过程。

无迹卡尔曼滤波算法：

非线性系统：

步骤：

————1、经过UT变换求得sigma采样点及其权值

————2、计算2n+1个sigma点集的一步预测

————3、系统状态量的一步预测（相当于KF/EKF的先验值）
——UT变换后得到的新的状态值

————4、再次使用UT变换，产生新的sigma点集

————5、新的sigma点集带入观测方程，得到预测的观测量

————6、通过加权求得观测量新的均值及协方差
——UT变换后得到的新的观测值


————7、 计算卡尔曼增益

————8、系统的状态更新和协方差更新