无迹卡尔曼滤波_从贝叶斯滤波到无迹卡尔曼滤波

本文使用 Zhihu On VSCode 创作并发布

0 引言

在此前的文章

石鹏：从贝叶斯滤波到扩展卡尔曼滤波​zhuanlan.zhihu.com

中，我们讲述了扩展卡尔曼滤波通过一阶泰勒级数展开将非线性高斯系统的状态转移函数

和（或）观测函数

线性化，然后采用标准卡尔曼滤波框架实现状态量的滤波过程。扩展卡尔曼滤波存在两方面的明显缺点：

• 一阶泰勒级数展开忽略了二阶及以上的高阶项，因此精度一般（通常称为一阶精度），对于高度非线性问题效果较差；
• 雅可比矩阵的计算较为繁琐，容易出错。

为解决强非线性条件下的状态估计问题，1995 年，S. J. Julier 和 J. K. Uhlmann 等人提出了无迹卡尔曼滤波（Unscented Kalman Filter，UKF）算法，并由 E. A. Wan 和 R. Vander Merwe 等人进一步完善。

无迹卡尔曼滤波基于无迹变换（Unscented Transform，UT），无迹变换研究的是如何通过确定的采样点捕获经非线性变换的高斯随机变量的后验分布的问题。通过无迹变换得到相应的统计特性后，再结合标准卡尔曼滤波框架，便得到无迹卡尔曼滤波。标准无迹卡尔曼滤波的计算量与扩展卡尔曼滤波相当，但滤波精度要优于扩展卡尔曼滤波。

1 无迹变换

1.1 什么是无迹变换

无迹变换的核心理念：

近似概率分布比近似任意的非线性函数或变换要相对容易。

无迹变换要解决的问题是：已知某随机变量（多维情形下是随机向量）的概率分布（均值和方差），求其经过某非线性函数

变换后的概率分布。基于上述思想，无迹变换的主要步骤为：

(1) 根据某种规则对随机变量的概率分布进行确定性采样，并为采样点分配权重（均值权重和方差权重），采样点我们通常称之为 sigma 点；

(2) 将每一个 sigma 点进行非线性变换，得到新的 sigma 点；

(3) 对非线性变换后的新的 sigma 点进行加权求和，分别计算加权均值和加权方差，用加权均值和加权方差近似表征随机变量经非线性变换后的概率分布。

如下图所示（《概率机器人》第 3.4 节 P49）：

无迹变换示例

无迹卡尔曼滤波中使用的确定性采样方法是 sigma 点采样方法的一种具体实现，中心差分卡尔曼滤波（Central Difference Kalman Filter，CDKF）使用了 sigma 点采样方法的另一种具体实现，这类滤波算法我们统称为 sigma 点卡尔曼滤波（Sigma-Point Kalman Filter，SPKF）算法。

按照历史发展脉络来讲，无迹变换主要包括两种形式：一般形式的无迹变换和比例无迹变换（Scaled Unscented Transform，SUT）。两种无迹变换的区别主要体现在采样规则和权重计算上，下面将分别进行阐述。

1.2 一般形式的无迹变换

假设存在

维随机向量

，其服从均值

和协方差

的正态分布：

将

经过非线性函数

进行变换，得到随机向量

，我们使用一般形式的无迹变换估计

的概率分布。一般形式的无迹变换最早由 Julier 等人提出，其主要操作流程如下所述：

步骤一：参数选择与权重计算

一般形式的无迹变换只涉及一个外部引入参数

，各 sigma 点（

个）的权重分配如下：

其中，

，表征了 sigma 点相对均值的散布程度，

越大，非均值处的 sigma 点距离均值越远（参考步骤二），且所占权重越小，而均值处 sigma 点所占权重则相对越大。对于高斯问题，

是一个比较好的选择，对于非高斯问题（是的，无迹变换也适用于非高斯问题），

应该选择其它更恰当的值。

步骤二：确定性采样

通常情况下，siama 点位于均值处及对称分布于主轴的协方差处（每维两个）。按照如下方法采样得到

个 sigma 点，构成

的点集矩阵

：

其中，

表示矩阵

作

Cholesky 分解后 下三角矩阵的第

列，

同理。

步骤三：sigma 点非线性变换

将每个 sigma 点（即

的每一列）进行

的非线性变换，得到变换后的新的点集矩阵

：

步骤四：加权计算近似均值与近似协方差

1.3 比例无迹变换

从 1.2 节的内容中我们可以发现，当参数

时，权重

，加权算得的近似协方差可能存在非半正定的情况。为应对该问题，Julier 等人后来提出无迹变换的改进形式——比例无迹变换，并由 Merwe 等人对其进行了简化。比例无迹变换与一般形式的无迹变换的主要区别体现在参数选取与 sigma 点权重计算上，其主要操作流程如下所述：

步骤一：参数选择与权重计算

比例无迹变换引入了四个外部参数：

、

、

和

，各 sigma 点（

个）的权重分配如下：

其中，

表示计算近似均值时 sigma 点的权重，

表示计算近似协方差时 sigma 点的权重。参数

满足：

参数

和

为确定 sigma 点分布在均值多远的范围内的比例参数。

满足

，为避免强非线性系统中的非局部效应问题，

通常取一个较小值；

满足

，通常取

或

。

下图呈现了当

取值分别为

和

时，sigma 点的分布情况，从图中可以发现，

取值越大，非均值处的 sigma 点距离均值越远。

alpha 取不同值时 sigma 点的散布示例

参数

用于引入随机变量概率分布的高阶矩信息，如果分布是精确的高斯分布，则

是最优选择。

步骤二：确定性采样

通常情况下，siama 点位于均值处及对称分布于主轴的协方差处（每维两个）。按照如下方法采样得到

个 sigma 点，构成

的点集矩阵

：

其中，

表示矩阵

作

Cholesky 分解后 下三角矩阵的第

列，

同理。

步骤三：sigma 点非线性变换