Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
• Conclusioni
Introduzione
Utilità
Oltre a fornire soluzioni per problemi di stima non lineare, possiede gli stessi vantaggi
dell’Information Filter e risolve molti dei problemi associati all’Extended Kalman
Filter. In particolare lo spazio di informazione permette una facile inizializzazione delle
matrici e dei vettori del filtro (fondamentale data l’importanza dell’accuratezza
dell’inizializzazione per sistemi non lineari).
e la covarianza:
PREDIZIONE
CORREZIONE
Continuando otteniamo:
e ricordando l’equazione:
P-1 (k|k) = P-1(k|k-1) + hTx(k) * [P(k|k) * hTx(k) * R-1(k)]T * P-1 (k|k) cioè:
Pre-moltiplichiamo lo stato di predizione dell’EKF dell’equazione per
P-1 (k|k-1) : (k|k-1) = f((k-1|k-1) , uk-1 ,(k-1))
PREDIZIONE
IN CONCLUSIONE
IF
EIF
EKF
IF
PRO CONTRO
• Dal punto di vista dei costi il filtro è equivalente a • Non abbiamo un guadagno e non c’è una
quello di Kalman, ad ogni istante troviamo la stima matrice di covarianza dell’innovazione.
del vettore di informazione.
• Come si può notare abbiamo una semplicità dei
calcoli specialmente per quanto riguarda la
correzione in quanto la matrice R è molto probabile
che sia diagonale e quindi semplice da invertire.
• La predizione dipende dal coefficiente di
propagazione e non dipende dalle osservazioni.
• La stima delle informazioni è più semplice dal punto
di vista computazionale della stima dello stato.
• Il partizionamento di queste equazioni può essere
sfruttato per una stima multisensore decentrata.
• Non abbiamo un guadagno e non c’è una matrice di
covarianza dell’innovazione.
• La massima dimensione di una matrice da invertire è
data dalla dimensione dallo stato.
• L'inizializzazione del filtro a informazione è molto
più facile del filtro di Kalman
EKF
PRO CONTRO
• Semplicità ed efficienza computazionale • L'approssimazione attraverso l'uso di
• Se la funzione è approssimabile linearmente al Taylor al primo ordine risulta
valor medio e la covarianza è piccola il filtro insufficiente
funziona bene • La bontà dell'approssimazione
dipende dal grado di incertezza e dal
grado di non linearità della funzione;
laddove la funzione non è
approssimabile, EKF può portare a
divergenza della stima.
• Il calcolo della jacobiano può essere
una operazione onerosa e difficile
EIF
PRO
• Risolve nello spazio di informazione il problema di stima lineare per
sistemi che hanno sia dinamiche che osservazioni non lineari.
• La stima dell’EIF è più semplice di quella dell’EKF. Quindi la partizione
di queste equazioni per sistemi centralizzati è semplice.
• Le equazioni di predizione dell’informazione dell’EIF sembrano le stesse
dell’EKF per quanto riguarda la complessità, in realtà sono più semplici
a causa dell’ortonormalità dei parametri dello spazio di informazione.
• Poiché EIF è espresso in termini di Matrici e Vettori di Informazione è
inizializzato in modo semplice se paragonato all’EKF.
EIF
CONTRO
• Non è un filtro particolarmente efficiente in termini computazionali, in quanto ad
ogni passo è necessario effettuare un’inversione della Matrice di Informazione (Y).
• Ad ogni passo va mantenuto lo stato .
• A livello computazionale EIF approssima in maniera peggiore perché approssima
maggiormente la non linearità della funzione (instabilità della linearizzazione).
• Natura non banale della derivazione e computazione della matrice jacobiana.
• Altre stesse problematiche relative all’EKF.
EKF vs EIF
Come era per i filtri lineari, lo stato e le osservazioni sono identiche per entrambi.
Dal disegno si può vedere che le curve sono una sopra l’altra.
Stesse analogie si riscontrano per gli errori di stima e innovazione.
Tuttavia esistono piccole differenze tra i due filtri dovute ad errori numerici.
All’aumentare della non linearità aumentano gli errori. Per fortuna anche nel caso
peggiore non sono gravi e non sono sequenziali.
• Non distorsione
• Consistenza
• Good maching
IF, EKF, EIF
CONCLUSIONI