Extended Kalman Filter (EKF) – Rozszerzony Filtr Kalmana

Wprowadzenie

Extended Kalman Filter, w skrócie EKF, czyli Rozszerzony Filtr Kalmana, jest jednym z najszerzej stosowanych algorytmów estymacji stanu dla systemów nieliniowych. Stanowi rozszerzenie klasycznego Filtra Kalmana, który jest optymalny jedynie dla systemów liniowych. EKF pozwala na szacowanie stanu systemu w czasie rzeczywistym, wykorzystując serię pomiarów, które są obarczone szumem, a także model dynamiki systemu, który również jest niedoskonały. Jego głównym zadaniem jest fuzja danych z różnych źródeł, takich jak sensory, w celu uzyskania najbardziej prawdopodobnego i stabilnego oszacowania rzeczywistego stanu obiektu. Dzięki swojej zdolności do radzenia sobie z nieliniowościami, EKF znajduje szerokie zastosowanie w wielu dziedzinach, od robotyki po nawigację satelitarną.

Jak działają Rozszerzone Filtry Kalmana?

Rozszerzone Filtry Kalmana bazują na tej samej dwuetapowej strukturze co standardowy Filtr Kalmana: prognozie (predykcji) i korekcie (aktualizacji). Kluczową różnicą jest sposób radzenia sobie z nieliniowościami. Ponieważ standardowy Filtr Kalmana wymaga liniowych równań dynamiki systemu i pomiarów, EKF liniaryzuje te nieliniowe funkcje w każdym kroku czasowym. Proces liniaryzacji odbywa się poprzez aproksymację funkcji nieliniowych za pomocą rozwinięcia w szereg Taylora pierwszego rzędu wokół bieżącego oszacowania stanu. Oznacza to, że w każdym punkcie czasowym tworzone jest lokalne, liniowe przybliżenie nieliniowych funkcji. Do tego celu wykorzystuje się macierze pochodnych cząstkowych (tzw. jakobiany), które opisują, jak szybko zmieniają się wartości funkcji dynamiki systemu i funkcji obserwacji w odpowiedzi na zmiany w argumentach. W fazie prognozy EKF wykorzystuje zlinearyzowany model dynamiki systemu, aby przewidzieć kolejny stan oraz jego niepewność. Następnie, w fazie korekty, nowe pomiary są używane do uaktualnienia prognozowanego stanu i zmniejszenia jego niepewności. W tym etapie również wykorzystuje się zlinearyzowany model obserwacji. Dzięki ciągłemu liniaryzowaniu wokół aktualnego oszacowania, EKF jest w stanie śledzić stan systemów, których dynamika nie jest opisana prostymi liniowymi zależnościami.

Główne zalety i charakterystyka

Główną zaletą Rozszerzonego Filtra Kalmana jest jego zdolność do estymacji stanu w systemach nieliniowych, co czyni go użytecznym w wielu rzeczywistych zastosowaniach. Jest również relatywnie prosty do zaimplementowania w porównaniu do bardziej złożonych nieliniowych filtrów, co przyczyniło się do jego szerokiej popularności. EKF jest obliczeniowo wydajny, ponieważ utrzymuje rozkład prawdopodobieństwa stanu jako pojedynczy rozkład Gaussa, co ogranicza złożoność obliczeniową. Oferuje dobrą równowagę między dokładnością a wydajnością obliczeniową dla systemów o umiarkowanych nieliniowościach, co sprawia, że jest preferowany w systemach wymagających pracy w czasie rzeczywistym.

Zastosowania w praktyce

• Autonomiczne pojazdy: do estymacji pozycji, orientacji i prędkości pojazdu, oraz do fuzji danych z GPS, inercyjnych jednostek pomiarowych (IMU) i innych sensorów.
• Robotyka: do lokalizacji i mapowania środowiska jednocześnie (SLAM), śledzenia obiektów oraz nawigacji robotów mobilnych.
• Systemy nawigacji: w systemach nawigacji satelitarnej (GPS) do poprawy dokładności, łączenia danych z systemami inercyjnymi (INS).
• Systemy śledzenia celów: w radarach i sonarach do śledzenia ruchomych obiektów, np. samolotów czy statków.
• Aerospace: do nawigacji statków powietrznych i kosmicznych, śledzenia satelitów.
• Biomedical Engineering: do monitorowania fizjologicznego, estymacji parametrów biometrycznych.
• Finanse: do modelowania zmienności rynkowej i estymacji nieobserwowalnych stanów w modelach ekonomicznych.

Porównanie z innymi strukturami danych

W porównaniu do standardowego Filtra Kalmana (KF), EKF radzi sobie z systemami nieliniowymi, podczas gdy KF jest ograniczony do systemów liniowych i jest dla nich optymalnym estymatorem. KF zakłada liniowe transformacje stanu i pomiarów, natomiast EKF liniaryzuje te nieliniowe transformacje w każdym kroku czasowym, co jest jego fundamentalną różnicą i przewagą. Jednak EKF ma swoje ograniczenia, szczególnie w przypadku silnych nieliniowości, gdzie liniowa aproksymacja może być niewystarczająca i prowadzić do błędów lub rozbieżności estymacji. W takich sytuacjach lepsze rezultaty mogą dawać inne algorytmy, takie jak Unscented Kalman Filter (UKF) lub Filtry Cząsteczkowe (Particle Filters). UKF wykorzystuje podejście oparte na próbkowaniu punktów (sigma points) do bardziej precyzyjnego odwzorowania propagacji rozkładu prawdopodobieństwa przez funkcje nieliniowe, bez potrzeby jawnego obliczania jakobianów. Filtry Cząsteczkowe są jeszcze bardziej ogólne, nie wymagają założeń o gaussańskim rozkładzie błędów i potrafią radzić sobie z bardzo silnymi nieliniowościami, ale są znacznie bardziej wymagające obliczeniowo.

Najlepsze praktyki (2026)

• Staranne strojenie macierzy kowariancji szumu procesu (Q) i szumu pomiarowego (R) jest kluczowe dla stabilności i dokładności filtra.
• Właściwa inicjalizacja początkowego stanu i kowariancji jest niezbędna, aby filtr szybko zbiegał do poprawnego oszacowania.
• Walidacja założeń liniowych: Należy ocenić, czy stopień nieliniowości systemu jest akceptowalny dla aproksymacji EKF, a w przypadku silnych nieliniowości rozważyć alternatywne filtry.
• Dokładne obliczanie jakobianów: Precyzyjne macierze pochodnych cząstkowych są fundamentalne dla poprawnego działania EKF. Błędy w ich wyznaczeniu mogą prowadzić do rozbieżności.
• Monitorowanie stabilności: Regularne sprawdzanie, czy estymacje nie rozbiegają się, jest ważne, szczególnie w dynamicznych środowiskach.

Typowe błędy i pułapki

• Rozbieżność estymacji: Najczęstszym problemem jest rozbieżność filtra, zwłaszcza gdy system jest silnie nieliniowy lub gdy początkowe oszacowanie stanu jest dalekie od rzeczywistości.
• Błędne jakobiany: Nieprawidłowo zaimplementowane lub obliczone macierze jakobianów są częstą przyczyną niepoprawnego działania filtra.
• Niewłaściwe modele szumu: Użycie nieodpowiednich wartości dla macierzy kowariancji Q i R może prowadzić do niedokładnych estymacji lub braku zbieżności.
• Wrażliwość na inicjalizację: EKF jest wrażliwy na początkowe wartości stanu i kowariancji, co może wymagać starannego doboru punktu startowego.
• Założenie o gaussańskim szumie: EKF, podobnie jak KF, zakłada, że szumy procesu i pomiarów mają rozkład Gaussa. Jeśli to założenie nie jest spełnione, wydajność filtra może drastycznie spaść.