无损卡尔曼滤波UKF与多传感器融合

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

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,Pkx_k,P_k。如果经过非线性函数xk+1=f(xk)x_{k+1} = f(x_k)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)f(x)作泰勒一阶展开,利用Jacobian矩阵HjH_j近似将f(x)f(x)线性化为HjxH_j x。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,Pkx_k,P_k都可以用几个Sigma点(关键点)XsigX_{sig}表示。当作用于非线性函数f(x)f(x)时,只需要将Sigma点XsigX_{sig}作用于非线性函数f(x)f(x)得到f(Xsig)f(X_{sig})即可。通过得到的f(Xsig)f(X_{sig})可以计算新的状态xk+1,Pk+1x_{k+1},P_{k+1}。

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+1x_{k+1},P_{k+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:

  • nxn_x代表xk|kx_{k|k}的大小
  • λ\lambda代表关键点的散开情况,一般采用经验值λ=3−nx\lambda=3-n_x

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|kX_{k+1|k}代表Sigma点集合,Xk+1|k,iX_{k+1|k,i}代表Sigma点集合中的第ii个点
  • nan_a代表xk+1|kx_{k+1|k}增广后的大小
  • nσn_{\sigma}代表Sigma点集合的大小,一般nσ=1+2nan_{\sigma} = 1+2n_a
  • 权重wiw_i在i==0i==0时w0=λλ+naw_0=\frac{\lambda}{\lambda+n_a},在i!=0i!=0时w0=12(λ+na)w_0=\frac{1}{2 (\lambda+n_a)}

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。

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]

\nu_k = \begin{bmatrix} \nu_{a,k} \\ \nu_{\ddot{\psi},k} \end{bmatrix}

利用x˙\dot{x}及其对时间的积分xk+1=∫x˙dtx_{k+1}=\int \dot{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⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥

x_{k+1}=x_k+\begin{bmatrix} \frac{v_k}{\dot{\psi_k}} (sin(\psi_k+\dot{\psi_k} \Delta t)-sin(\psi_k)) \\ \frac{v_k}{\dot{\psi_k}} (-cos(\psi_k+\dot{\psi_k} \Delta t)+cos(\psi_k)) \\ 0 \\ \dot{\psi_k} \Delta t \\ 0 \end{bmatrix}

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⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥

x_{k+1}=x_k+\begin{bmatrix} \frac{v_k}{\dot{\psi_k}} (sin(\psi_k+\dot{\psi_k} \Delta t)-sin(\psi_k)) \\ \frac{v_k}{\dot{\psi_k}} (-cos(\psi_k+\dot{\psi_k} \Delta t)+cos(\psi_k)) \\ 0 \\ \dot{\psi_k} \Delta t \\ 0 \end{bmatrix} + \begin{bmatrix} \frac{1}{2} \nu_{a,k} \cos(\psi_k) \Delta t^2 \\ \frac{1}{2} \nu_{a,k} \sin(\psi_k) \Delta t^2 \\ \nu_{a,k} \Delta t \\ \frac{1}{2} \nu_{\ddot{\psi},k}\Delta t^2 \\ \nu_{\ddot{\psi},k} \Delta t \end{bmatrix}

RoadMap

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,Pkx_k, P_k
  2. 根据状态xk,Pkx_k, P_k生成Sigma点XkX_k
  3. 根据process model预测未来的Sigma点Xk+1|kX_{k+1|k}
  4. 根据预测的Sigma点Xk+1|kX_{k+1|k}生成状态预测xk+1|k,Pk+1|kx_{k+1|k}, P_{k+1|k}
  5. 当测量值到来时,将预测的Sigma点Xk+1|kX_{k+1|k}转换成预测测量值Zk+1|kZ_{k+1|k}
  6. 根据预测测量值Zk+1|kZ_{k+1|k}与真实测量值zk+1z_{k+1}的差值更新得到系统状态xk+1|k+1,Pk+1|k+1x_{k+1|k+1}, P_{k+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

如上图,在process预测时需要对xkx_k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)f(x_k,\nu_k)。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x,Px,P变化如下,

x=⎡⎣⎢⎢⎢⎢⎢⎢pxpyvψψ˙⎤⎦⎥⎥⎥⎥⎥⎥⇒xa=⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢pxpyvψψ˙νaνψ¨⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥

x = \begin{bmatrix} p_x \\ p_y \\ v \\ \psi \\ \dot{\psi} \end{bmatrix} \Rightarrow x_a= \begin{bmatrix} p_x \\ p_y \\ v \\ \psi \\ \dot{\psi} \\ \nu_a \\ \nu_{\ddot\psi} \end{bmatrix}

Pa=[P00Q]Q=[ν2a00ν2ψ¨]

P_a=\begin{bmatrix} P & 0\\ 0 & Q \end{bmatrix} Q=\begin{bmatrix} \nu_a^2 & 0\\ 0 & \nu_{\ddot{\psi}}^2 \end{bmatrix}

Update State

State的更新公式如下图所示:

Noise Level与NIS

UKF中牵涉的噪音有两类:

  • Process Noise:νa,νψ¨\nu_a,\nu_{\ddot{\psi}},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。

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:

总体跟踪情况如下:

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

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏一心无二用,本人只专注于基础图像算法的实现与优化。

阅读Real-Time O(1) Bilateral Filtering 一文的相关感受。

研究双边滤波有很长一段时间了,最近看了一篇Real-Time O(1) Bilateral Filtering的论文,标题很吸引人,就研读了一番,经过几天的攻...

2279
来自专栏xingoo, 一个梦想做发明家的程序员

《Spark MLlib 机器学习实战》1——读后总结

1 概念 ? 2 安装 3 RDD RDD包含两种基本的类型:Transformation和Action。RDD的执行是延迟执行,只有Action算子才会触发任...

1695
来自专栏AI研习社

机器学习算法究竟需要试验多少次,才能有效反映模型性能?

编者按:本文作者 Jason Brownlee 为澳大利亚知名机器学习专家,对时间序列预测尤有心得。原文发布于其博客。AI 研习社编译。文中相关链接详见文末“阅...

2646
来自专栏机器之心

ACL 2018 | 神经语言模型如何利用上下文信息:长距离上下文的词序并不重要

1945
来自专栏CreateAMind

通用人工智能技术之'注意力':Top-down Neural Attention ppt论文翻译及代码

792
来自专栏一心无二用,本人只专注于基础图像算法的实现与优化。

水下图像增强相关算法的一个简单小结。

最近一直没有找到感兴趣的研究课题,下了几个最新的去雾的论文,随便看了下,觉得都是为了写论文而做的论文,没有什么创新性,也就没有想法去实现他们。偶尔看到了一些关...

2097
来自专栏量化投资与机器学习

【深度】监督&强化学习算法在A股中的应用

3494
来自专栏机器学习、深度学习

人车密度估计--Towards perspective-free object counting with deep learning

Towards perspective-free object counting with deep learning ECCV2016 https:...

21810
来自专栏大数据挖掘DT机器学习

Logistic回归模型、应用建模案例

一、logistic回归模型概述 广义线性回归是探索“响应变量的期望”与“自变量”的关系,以实现对非线性关系的某种拟合。这里面涉及到一个“连接...

3214
来自专栏利炳根的专栏

学习笔记TF060:图像语音结合,看图说话

实现人工智能3要素:语法(syntax)、语义(semantics)、推理(inference)。语言、视觉。通过语法(语言语法解析、视觉三维结构解析)和语义(...

4111

扫码关注云+社区