1. 无迹卡尔曼滤波器概述
无迹卡尔曼滤波器(Unscented Kalman Filter,UKF)是传统卡尔曼滤波器的非线性扩展版本,由Simon Julier和Jeffrey Uhlmann于1997年首次提出。与扩展卡尔曼滤波器(EKF)不同,UKF采用确定性采样策略——无迹变换(Unscented Transform)来处理非线性系统,避免了EKF中繁琐的雅可比矩阵计算。
我在实际工程应用中多次验证发现,对于强非线性系统(如自动驾驶定位、飞行器姿态估计),UKF的估计精度通常比EKF高出30-50%。其核心思想是通过精心选择的采样点(称为Sigma点)来捕捉概率分布的统计特性,这些点经过非线性变换后,能够更准确地重构变换后的均值和协方差。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. UKF核心原理与数学推导
2.1 无迹变换实现机制
无迹变换的操作流程可分为三个关键步骤:
-
Sigma点生成:对于n维状态向量x,均值x̄和协方差P,生成2n+1个Sigma点:
code复制χ₀ = x̄ χᵢ = x̄ + (√(n+λ)P)ᵢ, i=1,...,n χᵢ₊ₙ = x̄ - (√(n+λ)P)ᵢ, i=1,...,n其中λ=α²(n+κ)-n是缩放参数,α控制Sigma点分布范围(通常取1e-3≤α≤1),κ是次要缩放参数(通常取0或3-n)
-
权重计算:
code复制W₀^(m) = λ/(n+λ) W₀^(c) = λ/(n+λ) + (1-α²+β) Wᵢ^(m) = Wᵢ^(c) = 1/[2(n+λ)], i=1,...,2nβ用于引入高阶矩信息(对于高斯分布,β=2最优)
-
统计量重构:将Sigma点通过非线性函数f(·)传播后,计算新均值和协方差:
code复制ȳ = Σ Wᵢ^(m) f(χᵢ) P_y = Σ Wᵢ^(c) (f(χᵢ)-ȳ)(f(χᵢ)-ȳ)^T
关键提示:α的选择直接影响滤波器性能。我的经验是,对于状态维度n>5的系统,α应取较小值(0.1-0.5)以避免数值不稳定。
2.2 UKF完整算法流程
UKF的预测-更新周期包含以下步骤:
预测阶段
