自动驾驶基础技术-无迹卡尔曼滤波UKF

时间:2024-04-10 22:23:50

自动驾驶基础技术-无迹卡尔曼滤波UKF

Unscented Kalman Filter是解决非线性卡尔曼滤波的另一种思路,它利用Unscented Transform来解决概率分布非线性变换的问题。UnScented Kalman Filter不需要像Extended Kalman Filter一样计算Jacobin矩阵,在计算量大致相当的情况下,能够获得更加精确非线性处理效果。

image

附赠自动驾驶学习资料和量产经验:链接

1.Unscented Kalman Filter的思想

it is easier to approximate a probability distribution than it is approximate an arbitary nonlinear function.

逼近概率分布要比逼近任意的非线性函数要容易的多,基于这种思想,Unscented Kalman Filter利用概率分布逼近来解决非线性函数逼近的问题。

以一维的高斯分布为例,如下图所示,左侧是一维高斯分布, image是非线性变化,右侧是变换后的高斯分布。

image

图片来源:State Estimation and Localization for Self-Driving Cars:Lesson 6: An Alternative to the EKF - The Unscented Kalman Filter

image

2.Unscented Transform

Unscented Transform的流程如下:

2.1 Choose Sigma Points

首先从Input Distribution进行点采样,注意,这里不是随机采样,采样点距离Input Distribution的mean距离是标准差的倍数,因此这些采样点也被称为Sigma Point。Unscented Transform有时也被称为Sigma Point Transform。

image

图片来源:State Estimation and Localization for Self-Driving Cars:Lesson 6: An Alternative to the EKF - The Unscented Kalman Filter

Sigma Points个数

Sigma Point的个数如何选择呢?通常情况下,N维的高斯分布选择2N+1个Sigma Point(一个Point是Mean,其它Point关于Mean对称分布)。一维高斯分布选择3个Sigma Point,二维高斯分布选择5个Sigma Point。

image

图片来源:State Estimation and Localization for Self-Driving Cars:Lesson 6: An Alternative to the EKF - The Unscented Kalman Filter

Sigma Points的选取

image

2.2 Transform Sigma Points

将Sigma Points通过非线性变换 h ( x ) h(x) h(x)映射到Output Distribution。

image

图片来源:State Estimation and Localization for Self-Driving Cars:Lesson 6: An Alternative to the EKF - The Unscented Kalman Filter

image

2.3 Compute Weighted Mean And Covariance of Transformed Sigma Points

image

3.The Unscented Kalman Filter (UKF)

image

image

4.UKF在自动驾驶定位中的应用举例

image

4.1 已知参数

image

4.2 应用UKF

首先是Prediction过程:
image

image

image

image

image

参考链接

1)本文主要来自Coursera自动驾驶课程: State Estimation and Localization for Self-Driving Cars:Lesson 6: An Alternative to the EKF - The Unscented Kalman Filter

2)Research Paper: https://www.seas.harvard.edu/course