cartgrapher ukf 代码清晰属实不错

文章目录

原理
- UKF
cato_code

原理

UKF

KF 系列求解：
- Kalman filter 需要线性模型
- EKF通过泰勒展开线性化
- 更好的方式线性化 -> Unscented Transform -> UKF
  - 计算一组（所谓的）sigma 点
  - 从变换和加权的 sigma 点计算高斯
Unscented Transform
- 计算一系列的 Sigma 点
- 每个Sigma点有一个权重
- 通过非线性函数转换 Sigma 点
- 权重点计算高斯

Sigma and weight

Sigma 点
- 选择 ${\chi^{[i]}}$ ， ${w^{[i]}}$ 使得：
  - ${\sum_i w^{[i]} = 1}$
  - $\mu = \sum_i w^{[i]}\chi^{[i]}}$
  - ${\sum = \sum_i w^{[i]}(\chi^{[i]}-\mu)(\chi^{[i]}-\mu)^T}$
- 没有唯一的解决方案
- 如何选择Sigma点
  - 第一个Sigma点也是均值 ${\chi^[0] = \mu}$
  - ${\chi^[i] = \mu + (\sqrt{(n+\lambda)\sum})_i}$ for i=1,…,n
  - ${\chi^[i] = \mu - (\sqrt{(n+\lambda)\sum})_{i-n}}$ for i=1+n,…,2n
    - 矩阵的开方根
    - $n$ 维度
    - $\lambda$ 缩放参数
- 矩阵开方根
  - 定义 $S$ ， $\sum=SS$
  - 通过对角化计算：
    - $(\begin{matrix} d_{11} & \dots & 0 \\ ⋮ & ⋱ & ⋮ \\ 0 & \dots & d_{n n} \end{matrix})$
    - 因此可以定义： ${S=VD^{1/2}V^{-1}}$
    - 因此： $SS=(VD^{1/2}V^{-1})(VD^{1/2}V^{-1})=VDV^{-1}=\Sigma$
  - Cholesky Matrix 开方根法
    - 矩阵开方根的替代定义： $\sum=LL^T}$
    - ${L,\sum}$ 有相同的特征向量
- Sigma 点和特征向量
  - Sigma 点可以但不必位于 ${\Sigma}$ 的主轴上
    - ${\chi^[i] = \mu + (\sqrt{(n+\lambda)\sum})_i}$ for i=1,…,n
    - ${\chi^[i] = \mu - (\sqrt{(n+\lambda)\sum})_{i-n}}$ for i=1+n,…,2n
- Sigma 点权重
  - ${w_m^{[0]}=\frac{\lambda}{n+\lambda}}$
  - ${w_c^{[0]}=w_m^{[0]}+(1-\alpha^2+\beta)}$
  - ${w_c^{[i]}=w_m^{[i]} = \frac{1}{2(n+\lambda)}}$ for i=1,…,2n
  - 其中：
    - ${w_m^{[i]}}$ 用于计算均值，
    - ${w_c^{[i]}}$ 用于计算协方差
  - 右边的为参数
恢复高斯
- 从权重和点计算高斯
- ${\mu'=\sum_{i=0}^{2n}w_m^{[i]}\ g({\chi}^{[i]})}$
- ${\Sigma'=\sum_{i=0}^{2n} w_c^{[i]}(g(\chi^{[i]})-\mu')(g(\chi^{[i]})-\mu')^T}$

UKF Algorithm

Sigma points and Weight
- 点：
  - $\chi^{[0]}=\mu$
  - ${\chi^[i] = \mu + (\sqrt{(n+\lambda)\sum})_i}$ for i=1,…,n
  - ${\chi^[i] = \mu - (\sqrt{(n+\lambda)\sum})_{i-n}}$ for i=1+n,…,2n
- 权重：
  - ${w_m^{[0]}=\frac{\lambda}{n+\lambda}}$
  - ${w_c^{[0]}=w_m^{[0]}+(1-\alpha^2+\beta)}$
  - ${w_c^{[i]}=w_m^{[i]} = \frac{1}{2(n+\lambda)}}$ for i=1,…,2n
- 参数：
  - $\geq 0$
  - $\alpha \in (0,1]$ 影响Sigma点与均值的距离
  - $\lambda =\alpha(n+k)-n$
  - $\beta=2$ 优化选择为高斯
Prediction
- ${\chi_{t-1}=(\mu_{t-1},\ \ \mu_{t-1}+\sqrt{(n+\lambda)\sum_{t-1}}\ \ \mu_{t-1}-\sqrt{(n+\lambda)\sum_{t-1}})}$
- ${\bar{\chi}_t^* = g(u_t,\chi_{t-1})}$
- ${\bar{\mu_t}=\sum_{i=0}^{2n}w_m^{[i]}\bar{\chi}_t^{*[i]}}$
- ${\bar{\Sigma}_t=\sum_{i=0}^{2n}w_c^{[i]}(\bar{\chi}_t^{*[i]}-\bar{\mu_t})(\bar{\chi}_t^{*[i]}-\bar{\mu_t})^T+R_t}$
Correction
- ${\bar{\chi_{t} }=(\bar{\mu_{t}},\ \ \bar{\mu_{t}}+\sqrt{(n+\lambda)\sum_{t-1}},\ \ \bar{\mu_{t}}-\sqrt{(n+\lambda)\sum_{t-1}})}$
- ${\bar{z_t}=h(\bar{\chi_t})}$
- ${\hat{z_t}=\sum_{i=0}^{2n}w_m^{[i]}\bar{z}_t^{[i]}}$
- ${S_t=\sum_{i=0}^{2n}w_c^{[i]}(\bar{\chi}_t^{[i]}-\bar{\mu}_t)(\bar{\chi}_t^{[i]}-\bar{\mu}_t)^T}$
- ${K_t = \bar{\sum}_t^{x,z}S_t^{-1}}$
- ${\sum_t =\bar{\sum}_t - K_tS_tK_t^T}$

UT/UKF/EKF Summary

UT/UKF
- 无迹卡尔曼作为线性化的替代方案
- UT 是比泰勒展开更好的近似值
- UT 使用 sigma 点传播
- UT中的自由参数
- UKF 在预测和校正步骤中使用 UT
UKF VS EKF
- 线性模型的结果与 EKF 相同
- 非线性模型比 EKF 更好的近似
- 差异通常“有点小”
- UKF 不需要雅可比行列式
- 相同的复杂度类
- 比 EKF 稍慢
- 仍然受限于高斯分布

cato_code

外围函数

检测是否为对称矩阵

检查A是否是对称矩阵,A减去A的转置~=0

${||(A-A^T)||_2 < 1e-5}$

// Checks if 'A' is a symmetric matrix.
template <typename FloatType, int N>
void CheckSymmetric(const Eigen::Matrix<FloatType, N, N>& A) {
  // This should be pretty much Eigen::Matrix<>::Zero() if the matrix is
  // symmetric.

  //The NaN values are used to identify undefined or non-representable values for floating-point elements, 
  //such as the square root of negative numbers or the result of 0/0.

  const FloatType norm = (A - A.transpose()).norm();
  CHECK(!std::isnan(norm) && std::abs(norm) < 1e-5)
      << "Symmetry check failed with norm: '" << norm << "' from matrix:\n"
      << A;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14

矩阵的开方根

本代码使用的为上述中对角化的方法：

定义 $S$ ， $\sum=SS$
通过对角化计算：
- $(\begin{matrix} d_{11} & \dots & 0 \\ ⋮ & ⋱ & ⋮ \\ 0 & \dots & d_{n n} \end{matrix})$
- 因此可以定义： ${S=VD^{1/2}V^{-1}}$

代码实现：

几个术语: Av=λv.  λ 为一标量，称为 v 对应的特征值。也称 v 为特征值 λ 对应的特征向量。
eigendecomposition,特征分解,谱分解,是将矩阵分解为由其特征值和特征向量表示的矩阵之积的方法。
需要注意只有对可对角化矩阵才可以施以特征分解。

eigenvalues 特征值,
eigenvectors 特征向量 

返回对称半正定矩阵的平方根B,M=B*B
1
2
3
4
5
6
7
8

template <typename FloatType, int N>
Eigen::Matrix<FloatType, N, N> MatrixSqrt(
    const Eigen::Matrix<FloatType, N, N>& A) {
  CheckSymmetric(A);//必须是对称矩阵

  Eigen::SelfAdjointEigenSolver<Eigen::Matrix<FloatType, N, N>>
      adjoint_eigen_solver((A + A.transpose()) / 2.);
      //A==A的转置，构造特征分解对象。

  const auto& eigenvalues = adjoint_eigen_solver.eigenvalues();//特征值
  CHECK_GT(eigenvalues.minCoeff(), -1e-5)
      << "MatrixSqrt failed with negative eigenvalues: "
      << eigenvalues.transpose();
//Cholesky分解：把一个对称正定的矩阵表示成一个下三角矩阵L和其转置的乘积的分解。
  return adjoint_eigen_solver.eigenvectors() *
         adjoint_eigen_solver.eigenvalues()
             .cwiseMax(Eigen::Matrix<FloatType, N, 1>::Zero())
             .cwiseSqrt()
             .asDiagonal() *
         adjoint_eigen_solver.eigenvectors().transpose();
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

高斯分布

均值： $N\times 1$
协方差： $N\times N$

/*
高斯分布类
构造函数是N*1的均值矩阵和N*N的协方差矩阵

*/
template <typename T, int N>
class GaussianDistribution {
 public:
  GaussianDistribution(const Eigen::Matrix<T, N, 1>& mean,
                       const Eigen::Matrix<T, N, N>& covariance)
      : mean_(mean), covariance_(covariance) {}

  const Eigen::Matrix<T, N, 1>& GetMean() const { return mean_; }

  const Eigen::Matrix<T, N, N>& GetCovariance() const { return covariance_; }

 private:
  Eigen::Matrix<T, N, 1> mean_;       //N*1，均值
  Eigen::Matrix<T, N, N> covariance_; //N*N。协方差
};
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

高斯相加

均值：均值+均值
协方差：协方差+协方差

/*高斯分布性质:
https://zh.wikipedia.org/wiki/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83
*/
template <typename T, int N>
GaussianDistribution<T, N> operator+(const GaussianDistribution<T, N>& lhs,
                                     const GaussianDistribution<T, N>& rhs) {
  return GaussianDistribution<T, N>(lhs.GetMean() + rhs.GetMean(),
                                    lhs.GetCovariance() + rhs.GetCovariance());
}
1
2
3
4
5
6
7
8
9

高斯相乘

均值： $(N\times M) \cdot (M \times 1) = (N \times 1)$
协方差： $(N\times M) \cdot (M \times M) \cdot (M \times N) = (N \times N)$

template 
GaussianDistribution operator*(const Eigen::Matrix& lhs,
                                     const GaussianDistribution& rhs) {
  return GaussianDistribution(
      lhs * rhs.GetMean(),                          // N*M || M*1 -> N*1

      lhs * rhs.GetCovariance() * lhs.transpose()); // N*M ||M*M || M*N ->  N*N
}
1
2
3
4
5
6
7
8

UKF 代码实现

卡尔曼滤波器的操作包括两个阶段：

预测与更新。在预测阶段，滤波器使用上一状态的估计，做出对当前状态的估计。
在更新阶段，滤波器利用对当前状态的观测值优化在预测阶段获得的预测值，以获得一个更精确的新估计值。

类

template 
class UnscentedKalmanFilter {
public:
  using StateType = Eigen::Matrix;           //状态矩阵N*1
  using StateCovarianceType = Eigen::Matrix; //协方差矩阵N*N
    
  explicit UnscentedKalmanFilter(
      const GaussianDistribution& initial_belief,                 //参数1

      std::function  //参数2
          add_delta = [](const StateType& state,
                         const StateType& delta) { return state + delta; },

      std::function //参数3
          compute_delta =
              [](const StateType& origin, const StateType& target) {
                return target - origin;
              })
      : belief_(initial_belief),
        add_delta_(add_delta),
        compute_delta_(compute_delta) {}
   
   /**
   * @brief Predict 预测step。使用卡尔曼滤波对当前状态进行预测。
   * @param g  控制必须由函数 g 隐式添加，该函数也进行状态转换。
   * @param epsilon  “epsilon”是控制噪声和模型噪声的加法组合。
   */
   void Predict(std::function g,
               const GaussianDistribution& epsilon);
    

  /**
   * @brief Observe  观测步骤
   * @param h   'h' 将状态转换为应该为零的观察值，传感器读数应该已经包含在这个函数中。
   * @param delta  'delta' 是测量噪声，必须具有零均值。
   */
  template 
  void Observe(
      std::function(const StateType&)> h,
      const GaussianDistribution& delta)
    
private:
  //计算带权重的偏差，权重事先算好了
  StateType ComputeWeightedError(const StateType& mean_estimate,
                                 const std::vector& states) {
    StateType weighted_error =
        kMeanWeight0 * compute_delta_(mean_estimate, states[0]);
    for (int i = 1; i != 2 * N + 1; ++i) {
      weighted_error += kMeanWeightI * compute_delta_(mean_estimate, states[i]);
    }
    return weighted_error;
  }
    
  //计算均值。基于权重误差评判计算
  StateType ComputeMean(const std::vector& states) {
    CHECK_EQ(states.size(), 2 * N + 1);
    StateType current_estimate = states[0];
    StateType weighted_error = ComputeWeightedError(current_estimate, states);
    int iterations = 0;
    while (weighted_error.norm() > 1e-9) {
      double step_size = 1.;
      while (true) {
        const StateType next_estimate =
            add_delta_(current_estimate, step_size * weighted_error);
        const StateType next_error =
            ComputeWeightedError(next_estimate, states);
        if (next_error.norm() < weighted_error.norm()) {
          current_estimate = next_estimate;
          weighted_error = next_error;
          break;
        }
        step_size *= 0.5;
        CHECK_GT(step_size, 1e-3) << "Step size too small, line search failed.";
      }
      ++iterations;
      CHECK_LT(iterations, 20) << "Too many iterations.";
    }
    return current_estimate;
  }
    
  // 常值确定参数   sqr=a*a, OuterProduct=V*V^T N*1 || 1*N -> 外积,N*N
  constexpr static FloatType kAlpha = 1e-3;
  constexpr static FloatType kKappa = 0.;
  constexpr static FloatType kBeta = 2.;
  constexpr static FloatType kLambda = sqr(kAlpha) * (N + kKappa) - N;
  constexpr static FloatType kMeanWeight0 = kLambda / (N + kLambda);
  constexpr static FloatType kCovWeight0 =
      kLambda / (N + kLambda) + (1. - sqr(kAlpha) + kBeta);
  constexpr static FloatType kMeanWeightI = 1. / (2. * (N + kLambda));
  constexpr static FloatType kCovWeightI = kMeanWeightI;
    
  // 成员变量
  //1),N*1矩阵,对N个变量的估计
  GaussianDistribution belief_; 
  //2),add_delta_，加法操作
  const std::function
      add_delta_;
  //3),compute_delta_，计算偏差操作
  const std::function
      compute_delta_;
};
  
//外部声明。感觉这儿没啥用
template 
constexpr FloatType UnscentedKalmanFilter::kAlpha;
template 
constexpr FloatType UnscentedKalmanFilter::kKappa;
template 
constexpr FloatType UnscentedKalmanFilter::kBeta;
template 
constexpr FloatType UnscentedKalmanFilter::kLambda;
template 
constexpr FloatType UnscentedKalmanFilter::kMeanWeight0;
template 
constexpr FloatType UnscentedKalmanFilter::kCovWeight0;
template 
constexpr FloatType UnscentedKalmanFilter::kMeanWeightI;
template 
constexpr FloatType UnscentedKalmanFilter::kCovWeightI;
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120

预测

步骤：

1、判断协方差 为对称矩阵
2、取当前状态的均值和 协方差开方根  （生成Sigma点要用）
3、计算状态转移矩阵，均值+协方差
     均值直接权重相加，然后基于误差在一定范围得到`最优均值`
     协方差 直接基于 `最优均值` 重新计算
4、更新状态  均值+协方差
1
2
3
4
5
6

代码：

void Predict(std::function<StateType(const StateType&)> g,
             const GaussianDistribution<FloatType, N>& epsilon) {
    /// 1. 协方差是对称矩阵
    CheckSymmetric(epsilon.GetCovariance());

    // Get the state mean and matrix root of its covariance.
    /// 2. 取当前状态的均值+协方差开方根
    const StateType& mu = belief_.GetMean();
    const StateCovarianceType sqrt_sigma = MatrixSqrt(belief_.GetCovariance());//N*N

    // 由于UKF，采用点2N+1
    std::vector<StateType> Y;//需要计算的状态矩阵，N*1矩阵。
    Y.reserve(2 * N + 1);//公式：p65
	
    /// 3. 计算状态转移矩阵，均值+协方差
    Y.emplace_back(g(mu));//状态转移方程,公式p65:3.68,p70:3
    const FloatType kSqrtNPlusLambda = std::sqrt(N + kLambda);
    for (int i = 0; i < N; ++i) {
        // Order does not matter here as all have the same weights in the
        // summation later on anyways.
        Y.emplace_back(g(add_delta_(mu, kSqrtNPlusLambda * sqrt_sigma.col(i))));
        Y.emplace_back(g(add_delta_(mu, -kSqrtNPlusLambda * sqrt_sigma.col(i))));
    }
    // 得到最优 均值 (误差小于阈值)
    const StateType new_mu = ComputeMean(Y);
	// 基于最新阈值重新计算新的协方差
    StateCovarianceType new_sigma =
        kCovWeight0 * OuterProduct<FloatType, N>(compute_delta_(new_mu, Y[0]));
    for (int i = 0; i < N; ++i) {
        new_sigma += kCovWeightI * OuterProduct<FloatType, N>(
            compute_delta_(new_mu, Y[2 * i + 1]));
        new_sigma += kCovWeightI * OuterProduct<FloatType, N>(
            compute_delta_(new_mu, Y[2 * i + 2]));
    }
    CheckSymmetric(new_sigma);
	
    //更新状态  均值+协方差
    belief_ = GaussianDistribution<FloatType, N>(new_mu, new_sigma) + epsilon;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

观测更新

步骤：

1、判断 观测均值和协方差，均值0附近，协方差对称矩阵
2、取当前状态的均值和 协方差开方根  （生成Sigma点要用）
3、计算0均值sigma点和Z，得出 总体观测均值 ，协方差
     均值经转移方程后直接权重相加，得到`最新均值`
     协方差 直接基于 `最新均值` 重新计算，同时加上观测自身的协方差
4、计算 (x,z)的sigma。x 即sigma，z (z_t -z_u)
5、得到 K_t
6、更新 协方差 。原协方差-ksk^T
7、更新状态  均值+协方差
1
2
3
4
5
6
7
8
9

代码实现：

/**
 * @brief Observe  观测步骤
 * @param h   'h' 将状态转换为应该为零的观察值，传感器读数应该已经包含在这个函数中。
 * @param delta  'delta' 是测量噪声，必须具有零均值。
 */
void Observe(
    std::function<Eigen::Matrix<FloatType, K, 1>(const StateType&)> h,
    const GaussianDistribution<FloatType, K>& delta) {
    
    /// 1. 观测均值0附近，观测协方差是对称矩阵
    CheckSymmetric(delta.GetCovariance());
    // We expect zero mean delta.
    CHECK_NEAR(delta.GetMean().norm(), 0., 1e-9);

    /// 2. 取当前状态的均值+协方差开方根
    // Get the state mean and matrix root of its covariance.
    const StateType& mu = belief_.GetMean();
    const StateCovarianceType sqrt_sigma = MatrixSqrt(belief_.GetCovariance());

    // As in Kraft's paper, we compute W containing the zero-mean sigma points,
    // since this is all we need.
    // 计算0均值的sigma点，及转移后的sigma值
    std::vector<StateType> W;
    W.reserve(2 * N + 1);
    W.emplace_back(StateType::Zero());

    std::vector<Eigen::Matrix<FloatType, K, 1>> Z;
    Z.reserve(2 * N + 1);
    Z.emplace_back(h(mu));
	
    /// 3. 计算0均值sigma点和Z，得出 总体观测均值
    Eigen::Matrix<FloatType, K, 1> z_hat = kMeanWeight0 * Z[0];
    const FloatType kSqrtNPlusLambda = std::sqrt(N + kLambda);
    for (int i = 0; i < N; ++i) {
        // Order does not matter here as all have the same weights in the
        // summation later on anyways.
        W.emplace_back(kSqrtNPlusLambda * sqrt_sigma.col(i));
        Z.emplace_back(h(add_delta_(mu, W.back())));

        W.emplace_back(-kSqrtNPlusLambda * sqrt_sigma.col(i));
        Z.emplace_back(h(add_delta_(mu, W.back())));

        z_hat += kMeanWeightI * Z[2 * i + 1];
        z_hat += kMeanWeightI * Z[2 * i + 2];
    }
	
    /// 4. 得出总体观测的 协方差(递推协方差+自身协方差)
    Eigen::Matrix<FloatType, K, K> S =
        kCovWeight0 * OuterProduct<FloatType, K>(Z[0] - z_hat);
    for (int i = 0; i < N; ++i) {
        S += kCovWeightI * OuterProduct<FloatType, K>(Z[2 * i + 1] - z_hat);
        S += kCovWeightI * OuterProduct<FloatType, K>(Z[2 * i + 2] - z_hat);
    }
    CheckSymmetric(S); // 递推协方差 对称矩阵
    S += delta.GetCovariance();

    /// 5. 计算Sigma_x,z
    Eigen::Matrix<FloatType, N, K> sigma_bar_xz =
        kCovWeight0 * W[0] * (Z[0] - z_hat).transpose();
    for (int i = 0; i < N; ++i) {
        sigma_bar_xz +=
            kCovWeightI * W[2 * i + 1] * (Z[2 * i + 1] - z_hat).transpose();
        sigma_bar_xz +=
            kCovWeightI * W[2 * i + 2] * (Z[2 * i + 2] - z_hat).transpose();
    }
	
    /// 6. 计算 K_t，更新协方差
    const Eigen::Matrix<FloatType, N, K> kalman_gain =
        sigma_bar_xz * S.inverse();
    const StateCovarianceType new_sigma =
        belief_.GetCovariance() - kalman_gain * S * kalman_gain.transpose();
    CheckSymmetric(new_sigma);
	
    /// 7. 更新 状态方程
    belief_ = GaussianDistribution<FloatType, N>(
        add_delta_(mu, kalman_gain * -z_hat), new_sigma);
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77

点评

预测、更新的状态方程都可以动态给出
代码结构清晰，属实不错

相关阅读:
CleanMyMac X的免费版电脑系统瘦身工具
SkyWalking内置MQE语法
数仓常用排序详解
【算法导论】快速排序
DocCMS keyword SQL注入漏洞复现 [附POC]
个人轻博客PHP开源系统/溯雪Sxlog轻博客源码/洁干净轻/占内存极低/php源码
工具及方法 - TagSpaces
微信小程序4
基于Kylin Server V10制作Kylin 4.0.2 server sp2虚拟机镜像
基于Android健身预约系统APP开发

原文地址：https://blog.csdn.net/xiaoma_bk/article/details/128191327