Сигма-точечный фильтр Калмана

Сигма-точечный фильтр Калмана (англ. Sigma-point Kalman filter, SPKF) — это класс алгоритмов рекурсивной байесовской фильтрации, предназначенных для оценивания состояния динамической системы по зашумлённым измерениям. В отличие от классического фильтра Калмана, который линеаризует нелинейные функции с помощью разложения в ряд Тейлора (расширенный фильтр Калмана, EKF), сигма-точечные фильтры используют детерминированное множество точек (сигма-точек) для аппроксимации распределения вероятностей состояния. Это позволяет достичь более высокой точности и устойчивости при обработке нелинейных систем без необходимости вычисления производных (якобианов). Основными представителями семейства являются ансамблевый фильтр Калмана (Unscented Kalman filter, UKF) и фильтр Калмана на основе квадратурных правил (Central Difference Kalman filter, CDKF).

История

Разработка сигма-точечных фильтров началась в середине 1990-х годов как попытка преодолеть ограничения расширенного фильтра Калмана (EKF), который часто давал расходящиеся оценки при сильной нелинейности или плохой начальной инициализации. В 1995 году Джеффри Аппер и Саймон Джулиер (Jeffrey Uhlmann, Simon Julier) из Оксфордского университета предложили концепцию «несмещённого преобразования» (unscented transformation), которая легла в основу ансамблевого фильтра Калмана (UKF). Идея заключалась в том, чтобы заменить линеаризацию функции детерминированным выбором точек, точно передающих среднее и ковариацию распределения до второго порядка.

В 2000-х годах метод был обобщён до семейства сигма-точечных фильтров, включающего также фильтры на основе центральных разностей (CDKF) и квадратурные фильтры. Работы Рудольфа ван дер Мерве (Rudolph van der Merwe) и Эрика Вана (Eric Wan) в 2001–2004 годах формализовали единый фреймворк SPKF, объединив UKF и CDKF как частные случаи. С развитием вычислительных мощностей сигма-точечные фильтры стали широко применяться в навигации, робототехнике, обработке сигналов и финансовом моделировании.

Принцип работы

Основная идея

В байесовской фильтрации задача состоит в рекурсивном оценивании апостериорного распределения вероятностей состояния системы на основе последовательности измерений. Для нелинейных систем точное аналитическое решение, как правило, недоступно. Сигма-точечные фильтры аппроксимируют распределение состояния с помощью набора детерминированных точек (сигма-точек), которые проходят через нелинейные функции модели. Затем по преобразованным точкам восстанавливаются среднее и ковариация апостериорного распределения.

Ключевое отличие от методов Монте-Карло (например, частичных фильтров) заключается в том, что сигма-точки выбираются не случайно, а по строгим правилам, что обеспечивает детерминированность и вычислительную эффективность.

Алгоритм UKF (на примере)

Ансамблевый фильтр Калмана (UKF) — наиболее распространённый представитель SPKF. Его работа состоит из двух этапов: прогноза и коррекции.

1. Генерация сигма-точек. Для текущего состояния с оценкой среднего \(\hat{x}_{k-1}\) и ковариации \(P_{k-1}\) формируется \(2n+1\) точек (где \(n\) — размерность вектора состояния). Точки выбираются симметрично относительно среднего:

\[ \chi_0 = \hat{x}_{k-1}, \quad \chi_i = \hat{x}_{k-1} \pm \sqrt{(n+\lambda)P_{k-1}}_i \]

где \(\lambda = \alpha^2(n+\kappa)-n\) — масштабирующий параметр, \(\alpha\) и \(\kappa\) — настраиваемые коэффициенты.

1. Прогноз. Каждая сигма-точка пропускается через нелинейную функцию модели перехода \(f\):

\[ \chi_i^- = f(\chi_i) \]

По преобразованным точкам вычисляются априорное среднее \(\hat{x}_k^-\) и ковариация \(P_k^-\).

1. Коррекция. Аналогично, сигма-точки пропускаются через функцию измерений \(h\), формируются априорные оценки измерений. Вычисляется взаимная ковариация между состоянием и измерениями, затем — коэффициент Калмана \(K_k\). Итоговая апостериорная оценка:

\[ \hat{x}_k = \hat{x}_k^- + K_k (z_k - \hat{z}_k^-) \]

\[ P_k = P_k^- - K_k P_{zz} K_k^T \]

где \(z_k\) — фактическое измерение, \(\hat{z}_k^-\) — прогноз измерения.

Параметры и настройка

Качество фильтрации зависит от выбора параметров \(\alpha\), \(\beta\), \(\kappa\). Обычно:

• \(\alpha\) (0.001–1) определяет разброс точек вокруг среднего;
• \(\beta\) (обычно 2 для гауссовых распределений) учитывает априорную информацию о распределении;
• \(\kappa\) (часто 0 или \(3-n\)) обеспечивает положительную полуопределённость ковариации.

Классификация сигма-точечных фильтров

Семейство SPKF включает несколько алгоритмов, различающихся методом выбора сигма-точек:

Применение

Сигма-точечные фильтры нашли применение в задачах, где нелинейность модели существенна, а вычислительные ресурсы ограничены:

• Навигация и управление: оценка ориентации и положения беспилотных летательных аппаратов (БПЛА), спутников, подводных аппаратов. UKF используется в системах инерциальной навигации (INS) и GPS/ГЛОНАСС-приёмниках.
• Робототехника: SLAM (одновременная локализация и построение карты), трекинг объектов, калибровка сенсоров.
• Обработка сигналов: адаптивная фильтрация, подавление шумов, оценивание параметров каналов связи.
• Финансовое моделирование: оценка волатильности, прогнозирование временных рядов.
• Биомедицина: анализ ЭЭГ/ЭКГ, моделирование физиологических процессов.

Примеры в российской практике

В России сигма-точечные фильтры активно применяются в авиационной и космической промышленности. Например, в системах навигации и управления спутников «Глонасс-К» и «Глонасс-М» используются модификации UKF для повышения точности орбитальных параметров. В робототехнических комплексах (например, в проектах НИЦ «Курчатовский институт») SPKF применяются для SLAM в условиях неопределённости.

Преимущества и недостатки

Преимущества

• Высокая точность: аппроксимация до второго порядка (против первого у EKF) при нелинейностях.
• Отсутствие якобианов: не требуется вычисление производных, что упрощает реализацию для сложных моделей.
• Устойчивость: меньше подвержен расходимости, чем EKF, особенно при сильных нелинейностях.
• Вычислительная эффективность: значительно быстрее частичных фильтров (Particle filter) при сравнимой точности для гауссовых распределений.

Недостатки

• Ограничение на распределения: предполагается, что апостериорное распределение близко к гауссову; для мультимодальных или сильно негауссовых распределений точность падает.
• Чувствительность к параметрам: неправильный выбор \(\alpha\), \(\beta\), \(\kappa\) может ухудшить оценку.
• Размерность: при очень высокой размерности состояния (более 20–30) количество сигма-точек растёт линейно, но точность может снижаться из-за проклятия размерности.

Критика и развитие

Основная критика сигма-точечных фильтров связана с их неспособностью адекватно обрабатывать негауссовы распределения. Для таких случаев разрабатываются гибридные методы, например, Gaussian-sum UKF (GSUKF), где распределение аппроксимируется суммой гауссовых компонент. Также ведутся работы по интеграции SPKF с нейросетями для адаптивной настройки параметров.

В 2010-х годах появились варианты с адаптивным выбором сигма-точек (Adaptive Sigma-point Kalman filter, ASKF), которые динамически подстраивают параметры под текущие условия. В России исследования в этой области проводятся в МГУ им. М.В. Ломоносова и МФТИ, в частности, в контексте обработки данных с космических аппаратов.

Источники

• Julier S.J., Uhlmann J.K. "A new extension of the Kalman filter to nonlinear systems" // Proc. of AeroSense: The 11th Int. Symp. on Aerospace/Defense Sensing, Simulation and Controls, 1997.
• Van der Merwe R., Wan E.A. "Sigma-point Kalman filters for probabilistic inference in dynamic state-space models" // Proc. of the Workshop on Advances in Machine Learning, 2003.
• Haykin S. "Kalman Filtering and Neural Networks". John Wiley & Sons, 2001.
• Simon D. "Optimal State Estimation: Kalman, H∞, and Nonlinear Approaches". Wiley-Interscience, 2006.
• Журнал «Автоматика и телемеханика» (РАН), статьи по нелинейной фильтрации, 2005–2020.
• Материалы конференций IEEE Conference on Decision and Control (CDC), 1995–2023.