无损卡尔曼滤波UKF与多传感器融合

这里写图片描述

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

这里写图片描述

本博客在之前两篇介绍了KFEKF。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

这里写图片描述

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:

  1. 关键点怎么找
  2. 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=3nx

这里写图片描述

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wii==0w0=λλ+na,在i!=0w0=12(λ+na)

这里写图片描述

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。

这里写图片描述

因假定turn rate、velocity不变,其Process noise包含加速度与角加速度为:

νk=[νa,kνψ¨,k]

利用x˙及其对时间的积分xk+1=x˙dt可得Process模型为:

xk+1=xk+vkψk˙(sin(ψk+ψk˙Δt)sin(ψk))vkψk˙(cos(ψk+ψk˙Δt)+cos(ψk))0ψk˙Δt0

考虑Process noise为:

xk+1=xk+vkψk˙(sin(ψk+ψk˙Δt)sin(ψk))vkψk˙(cos(ψk+ψk˙Δt)+cos(ψk))0ψk˙Δt0+12νa,kcos(ψk)Δt212νa,ksin(ψk)Δt2νa,kΔt12νψ¨,kΔt2νψ¨,kΔt

RoadMap

这里写图片描述

UKF的RoadMap如上图所示,核心思想在前部分已介绍过,其算法是:

  1. 初始化系统状态xk,Pk
  2. 根据状态xk,Pk生成Sigma点Xk
  3. 根据process model预测未来的Sigma点Xk+1|k
  4. 根据预测的Sigma点Xk+1|k生成状态预测xk+1|k,Pk+1|k
  5. 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
  6. 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。

  1. 数据增广
  2. Update State
  3. Noise Level与NIS

数据增广

这里写图片描述

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xP变化如下,

x=pxpyvψψ˙xa=pxpyvψψ˙νaνψ¨

Pa=[P00Q]Q=[ν2a00ν2ψ¨]

Update State

State的更新公式如下图所示:

这里写图片描述
这里写图片描述

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。

这里写图片描述
这里写图片描述
这里写图片描述

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:

这里写图片描述

总体跟踪情况如下:

这里写图片描述

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

阅读更多
想对作者说点什么? 我来说一句

无迹卡尔曼滤波UKF

2013年12月10日 162KB 下载

ekf_ukf参数估计

2013年04月10日 712KB 下载

UKF算法的代码

2017年03月19日 2KB 下载

UKF的MATLAB程序

2016年04月09日 2KB 下载

没有更多推荐了,返回首页

不良信息举报

无损卡尔曼滤波UKF与多传感器融合

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭