无迹变换UT

无迹变换（Unscented Transform, UT）是一种数学工具，用于处理非线性系统状态估计中的非线性函数的传播问题。它在无迹卡尔曼滤波（UKF）中起到关键作用，允许高度非线性的系统状态通过非线性函数准确地传播，同时保持了状态的均值和协方差的准确性。无迹变换的基本思想是通过精心选择的一组点（称为Sigma点）来近似描述原始状态的概率分布，然后将这些点通过非线性函数映射到新的状态空间，通过映射后的点来近似新状态的概率分布。

Sigma点的选择

无迹变换首先需要从原始状态的高斯分布中选择一组代表性的点（Sigma点）。这些点被选中是为了精确捕获原始分布的均值和协方差。对于一个n维的状态向量$x$，其均值为$\bar{x}$，协方差为$P_x$，Sigma点的选择如下：

1. 第一个Sigma点为状态向量的均值：$${\chi }_0=\bar{x}$$
2. 接下来的$2n$个点分别沿着每个维度的正负方向选取：对于$i=1,...,n$，
   • $${\chi }_i=\bar{x}+{\sqrt{(n+\lambda )P_x}}_i$$
   • $${\chi }_{i+n}=\bar{x}-{\sqrt{(n+\lambda )P_x}}_i$$

其中，$\sqrt{P_x}$是$P_x$的平方根矩阵（可以通过Cholesky分解得到），$\lambda$是一个缩放因子，用于调整Sigma点的分布范围，以控制采样点覆盖概率分布的密度。$\lambda$通常定义为$\lambda ={\alpha }^2(n+\kappa )-n$，其中$\alpha$是确定Sigma点分布范围的参数（一般取很小的值），$\kappa$是一个次要缩放参数。

Sigma点的传播

选择Sigma点后，将这些点通过非线性函数$y=f(x)$传播到新的状态空间：

$$Y_i=f({\chi }_i),\text{for }i=0,...,2n$$

均值和协方差的更新

经过非线性函数传播后，利用这些传播后的Sigma点$Y_i$，可以计算新状态的预测均值$\bar{y}$和协方差$P_y$：

• 预测均值：$$\bar{y}\approx \sum _{i=0}^{2n}{W}_i^m{Y}_i$$
• 预测协方差：$$P_y\approx \sum _{i=0}^{2n}{W}_i^c(Y_i-\bar{y})(Y_i-\bar{y}{)}^T$$

其中，$W_i^m$和$W_i^c$是均值和协方差的权重，分别用于Sigma点在计算预测均值和预测协方差时的贡献。这些权重根据Sigma点的选择参数（如$\lambda$、$\alpha$、$\kappa$）进行计算。

无迹变换的优势

无迹变换的主要优势在于其能够在不需要线性化的情况下，准确地处理非线性函数对状态的影响。相比扩展卡尔曼滤波（EKF）的线性化方法，无迹变换能够提供更精确的非线性系统状态估计，尤其是当系统表现出强烈的非线性时。此外，无迹变换避免了计算雅可比矩阵或海森矩阵的需要，简化了实现过程。

无迹变换是无迹卡尔曼滤波（UKF）的核心，通过有效地处理非线性系统的状态估计问题，UKF在许多复杂系统的建模和预测中都得到了广泛应用。

通俗解释

想象一下，你手里有一张地图，这张地图上标记了你家到学校的路线。如果这条路线是直的，你可以很容易地预测从家到学校需要多长时间。这就像是线性问题，直接测量就能得到答案，卡尔曼滤波就是处理这种直线问题的好方法。

但现实中的路线往往不是直的。比如，你的路线可能会绕过一个湖，穿过一个公园，这样的路线就变成了“非线性”的，也就是说，它不是一条直线。如果你还用直线的方法来预测时间，那就不准确了。这时候，扩展卡尔曼滤波（EKF）尝试通过“拉直”这条曲线来解决问题，但很多时候这种方法会失真。

无迹变换（UT）采用了一种不同的方法。想象你手里有一些彩色的小球，你把这些小球放在你的路线上，它们代表了可能的位置。然后，你观察这些小球通过这条曲线路线（非线性变化）后的新位置。通过观察这些小球的最终分布，你可以得到一个很好的预测：从家到学校的真实路径会是怎样的，以及需要多长时间。

用数学语言说，无迹变换通过精心选择一系列点（这些点称为“sigma点”），这些点大致代表了整个系统可能的状态。然后，它将这些点通过系统的非线性方程直接传递，而不是尝试对方程进行简化或线性化。通过观察这些点传递后的变化，UT能够对系统状态的变化给出一个非常精确的预测。这个过程好比通过直接观察这些彩色小球通过真实世界的路径变化，来更准确地理解整个系统的行为。

简而言之，无迹变换就是一种通过直接模拟和观察系统可能状态的变化，来准确预测非线性系统行为的方法，而不是试图简化系统的数学描述。这使得它在处理复杂的非线性问题时比传统的线性化方法更加精确。