无迹卡尔曼滤波器详解

@

目录

• 一、 非线性处理/测量模型
• 二、无损（迹）变换（Unscented Transformation）
  • 2.1 一个高斯分布产生sigma point
  • 2.2 sigma point的权重
  • 2.3 预测新的状态分布（predict过程）
  • 2.4 更新滤波器（measurement过程）

一、 非线性处理/测量模型

我们知道KF是面临的主要问题就是非线性处理模型（比如说CTRV）和非线性测量模型（RADAR测量）的处理。我们从概率分布的角度来描述这个问题：

对于我们想要估计的状态，在\(k\)时刻满足均值为\(x_k\),方差为\(P_k\) 这样的一个高斯分布，这个是我们在k时刻的 后验(Posterior)（如果我们把整个卡尔曼滤波的过程迭代的来考虑的话），现在我们以这个后验为出发点，结合一定的先验知识（比如说CTRV运动模型）去估计我们在 k+1时刻的状态的均值和方差，这个过程就是卡尔曼滤波的预测，如果变换是线性的，那么预测的结果仍然是高斯分布，但是现实是我们的处理和测量模型都是非线性的，结果就是一个不规则分布，KF能够使用的前提就是所处理的状态是满足高斯分布的，为了解决这个问题，EKF是寻找一个线性函数来近似这个非线性函数，而UKF就是去找一个与真实分布近似的高斯分布。

UKF的基本思路就是： 近似非线性函数的概率分布要比近似非线性函数本身要容易！

那么如何去找一个与真实分布近似的高斯分布呢？——找一个与真实分布有着相同的均值和协方差的高斯分布。那么如何去找这样的均值和方差呢？——无损变换。

UT变换是用固定数量的参数去近似一个高斯分布，其实现原理为：在原先分布中按某一规则取一些点，使这些点的均值和协方差与原状态分布的均值和协方差相等；将这些点代入非线性函数中，相应得到非线性函数值点集，通过这些点集可求取变换的均值和协方差。对任何一种非线性系统，当高斯型状态微量经由非线性系统进行传递，进而利用这组采样点能获取精确到三阶矩的后验均值和协方差。

UT变换的特点是对非线性函数的概率密度分布进行近似，而不是对非线性函数进行近似，即使系统模型复杂，也不增加算法实现的难度；而且所得到的非线性函数的统计量的准确性可以达到三阶；除此之外，它不需要计算雅可比矩阵，可以处理不可导非线性函数。

二、无损（迹）变换（Unscented Transformation）

通过一定的手段产生的这些sigma点能够代表当前的分布，然后将这些点通过非线性函数（系统模型）变换成一些新的点，然后基于这些新的sigma点计算出一个高斯分布（带有权重地计算出来）

2.1 一个高斯分布产生sigma point

UT变换基本原理如下：假设一个非线性系统\(y=g(x)\)，其中\(x\)为\(n\)维状态向量，并已知其平均值为\(\overline x\)，方差为\(P_x\)，则可以经过UT变换构造\(2n+1\)个Sigma点，同时构造相应的权值，进而得到y的统计特性。

构造sigma点集的计算公式为：

其中的 λ 是比例因子，根据公式，λ 越大， sigma点就越远离状态的均值，λ 越小， sigma点就越靠近状态的均值。

\[\lambda = \alpha(n^2+k)-n \]

\((\sqrt {(n+\lambda)P_x})_i\)表示矩阵方根\(\sqrt {(n+\lambda)P_x}\)的第\(i\)列。

可以使用Cholesky分解计算出矩阵\(L(Σ = LL^T)\)

  //calculate square root of P
  MatrixXd A=P.llt().matrix();

/**
   * @brief compute sigma points  生成sigma points
   * @param mean          mean
   * @param cov           covariance
   * @param sigma_points  calculated sigma points
   */
  void computeSigmaPoints(const VectorXt& mean, const MatrixXt& cov, MatrixXt& sigma_points) {
    const int n = mean.size(); // 状态x的维度
    assert(cov.rows() == n && cov.cols() == n);

    Eigen::LLT<MatrixXt> llt;
    llt.compute((n + lambda) * cov);
    MatrixXt l = llt.matrixL();

    sigma_points.row(0) = mean;
    for (int i = 0; i < n; i++) {
      sigma_points.row(1 + i * 2) = mean + l.col(i);
      sigma_points.row(1 + i * 2 + 1) = mean - l.col(i);
    }
  }

\(\overline x\)周围Sigma点的分布状态由\(\alpha\)决定，调节\(\alpha\)可以降低高阶项的影响，通常设为一个较小的正数，这里选取\(\alpha=0.001\)。\(k\)的取值没有具体设定限制，但至少应当保证矩阵\({(n+\lambda)P_x}\)为半正定矩阵，通常设置\(k=0\)。

2.2 sigma point的权重

权重的选择应该满足下面的性质，假设y=g(x)

因此权重w的公式如下：

如果x是高斯分布,\(\beta=2\)是最佳的

	// 均值的权重
    weights[0] = lambda / (N + lambda);
    for (int i = 1; i < 2 * N + 1; i++) {
      weights[i] = 1 / (2 * (N + lambda));
    }

2.3 预测新的状态分布（predict过程）

1. 使用系统方程更新所有sigma points的状态

\[\hat \sigma=f(\sigma) \]

// 遍历每天一个sigma points 更新他们的状态
for (int i = 0; i < S; i++) 
{ 
  sigma_points.row(i) = system.f(sigma_points.row(i), control);
}

2. 加权新的sigma points 预测估计值和协方差

\[\hat z=\sum w_i\sigma_i \]

\[\hat P=\sum w_i(\sigma_i-\hat z)(\sigma_i-\hat z)^T+Q_{(过程噪声)} \]

	const auto& Q = process_noise;

    // unscented transform
    VectorXt mean_pred(mean.size());
    MatrixXt cov_pred(cov.rows(), cov.cols());

    mean_pred.setZero();
    cov_pred.setZero();
    for (int i = 0; i < S; i++) {
      mean_pred += weights[i] * sigma_points.row(i);
    }
    for (int i = 0; i < S; i++) {
      VectorXt diff = sigma_points.row(i).transpose() - mean_pred;
      cov_pred += weights[i] * diff * diff.transpose();
    }
    cov_pred += Q;

    mean = mean_pred;
    cov = cov_pred;

2.4 更新滤波器（measurement过程）

参考：https://blog.csdn.net/qq_34461089/article/details/88989076#commentBox