مکانیسم فیلتر کالمن: چگونه ادغام حسگر، حالت را در رباتیک و ناوبری تخمین میزند
فیلتر کالمن با ادغام ریاضی دادههای نویزی حسگرها با مدلهای پیشبینیکننده، تخمینهای حالت بسیار دقیقی را برای همه چیز، از تلفنهای هوشمند گرفته تا وسایل نقلیه خودران، ارائه میدهد.
به قلم شیرین کریمی
این خبر را به اشتراک بگذارید
- مهندسان کنترل کلاسیک
- ارزش قائل شدن برای اثباتپذیری ریاضی، شفافیت و قابلیت پیشبینی فیلتر کالمن نسبت به راهحلهای هوش مصنوعی جعبه سیاه.
- توسعهدهندگان سیستمهای خودران
- تمرکز بر مصالحههای عملی بین کارایی محاسباتی و دقت تخمین در استقرار سختافزاری دنیای واقعی.
- تحلیل تحریریه کوهستان
- تحلیل تکامل تاریخی و ادغام آینده فیلترهای کلاسیک با تکنیکهای مدرن یادگیری ماشین.
نکات کلیدی
- فیلتر کالمن دادههای ناقص حسگر را با مدلهای پیشبینیکننده مبتنی بر فیزیک ترکیب میکند تا حالت واقعی یک سیستم را تخمین بزند.
- این فیلتر یک عامل وزندهی پویا به نام بهره کالمن را محاسبه میکند تا تصمیم بگیرد که به پیشبینی بیشتر اعتماد کند یا به اندازهگیری.
- فیلتر کالمن توسعهیافته (EKF) با تقریب حرکات غیرخطی به صورت خطوط مستقیم، آنها را مدیریت میکند، که در مانورهای سریع، حاشیه خطای ۱۵ تا ۲۰ درصدی ایجاد میکند.
- فیلتر کالمن بدون بو (UKF) بسیار دقیق است اما نیاز به مقیاسبندی محاسباتی O(n^3) دارد، که در رباتیک تجاری یک مصالحه را تحمیل میکند.
چرا مهم است
اگر به نقشه تلفن هوشمند خود تکیه میکنید، با هواپیمای تجاری پرواز میکنید یا از جاروبرقی رباتیک استفاده میکنید، در واقع به فیلتر کالمن متکی هستید. این موتور ریاضی نامرئی است که به فناوری مدرن اجازه میدهد تا مکان فیزیکی خود را علیرغم سختافزار ناقص، درک کند.
به طور خلاصه: فیلتر کالمن یک الگوریتم ریاضی است که اندازهگیریهای ناقص حسگر را با یک مدل پیشبینیکننده ترکیب میکند تا بفهمد یک سیستم دقیقاً چه کاری انجام میدهد. اگر میخواهید بدانید یک ربات، پهپاد یا تلفن هوشمند در فضای فیزیکی کجاست، نمیتوانید فقط به حسگرها تکیه کنید، زیرا حسگرها دچار خطا، تأخیر و انحراف میشوند. این فیلتر با حدس زدن مداوم حالت، اندازهگیری واقعیت و یافتن حقیقت بهینه در این میان، مشکل را حل میکند.[1]
این چرخه مداوم پیشبینی و بهروزرسانی، موتور نامرئی ناوبری مدرن است. این فیلتر که در سال ۱۹۶۰ توسعه یافت، به طور مشهوری برای هدایت فضاپیمای آپولو به ماه استفاده شد. امروزه، این فیلتر دلیلی است که GPS خودروی شما بلافاصله فکر نمیکند که شما در حال رانندگی از میان یک ساختمان هستید (زمانی که سیگنال ماهوارهای منعکس میشود)، و همچنین روشی است که وسایل نقلیه خودران دادههای دوربین، رادار و لایدار را در یک دیدگاه منسجم واحد ادغام میکنند.[3]
برای درک مکانیسم، باید مشکل نویز (اختلال) را درک کنید. هر حسگر فیزیکی دارای حاشیه خطا است. شتابسنجی که سرعت را اندازهگیری میکند، به مرور زمان خطاهای کوچکی را جمع میکند که به آن انحراف (Drift) میگویند. یک گیرنده GPS دارای عدم دقت پایهای در حد چند متر است. اگر یک ربات صرفاً به دادههای خام تکیه کند، این خطاها انباشته میشوند تا زمانی که سیستم کاملاً مسیر خود را گم کند.[2]
فیلتر کالمن با معرفی یک مدل ریاضی از فیزیک سیستم به این مشکل حمله میکند. اگر یک پهپاد کسری از ثانیه پیش با سرعت ده متر بر ثانیه به جلو پرواز میکرد، قوانین فیزیک تقریباً دیکته میکنند که اکنون باید کجا باشد. فیلتر این پیشبینی را همراه با ماتریسی که عدم قطعیت خود را در مورد آن حدس نشان میدهد، محاسبه میکند.[1]
در مرحله بعد، بهروزرسانی اندازهگیری انجام میشود. فیلتر، خوانش واقعی را از حسگرها دریافت میکند. نکته مهم این است که مشخصات نویز تاریخی آن حسگرهای خاص را نیز میداند. اکنون دو بخش اطلاعات متضاد دارد: جایی که فکر میکند باید بر اساس فیزیک باشد، و جایی که حسگرها میگویند هست.[3]
نکته کلیدی در محاسبه بهره کالمن (Kalman Gain) رخ میدهد. این یک عامل وزندهی پویا است که تصمیم میگیرد به پیشبینی بیشتر اعتماد کند یا به اندازهگیری. اگر دادههای حسگر بسیار نامنظم باشند، بهره کالمن اعتماد را به سمت مدل ریاضی سوق میدهد. اگر عدم قطعیت مدل بیش از حد بزرگ شود، اعتماد را به حسگرها باز میگرداند.[1]
با ضرب ماتریسهای این احتمالات، فیلتر یک تخمین حالت نهایی تولید میکند که از نظر آماری دقیقتر از پیشبینی یا اندازهگیری به تنهایی است. سپس از این تخمین جدید به عنوان نقطه شروع برای کسر بعدی ثانیه استفاده میکند و این چرخه صدها یا هزاران بار در ثانیه تکرار میشود.[2]
با ضرب ماتریسهای این احتمالات، فیلتر یک تخمین حالت نهایی تولید میکند که از نظر آماری دقیقتر از پیشبینی یا اندازهگیری به تنهایی است.
با این حال، الگوریتم اصلی فقط روی سیستمهای خطی کار میکند—سیستمهایی که تغییرات در خطوط مستقیم و قابل پیشبینی رخ میدهند. رباتیک دنیای واقعی بسیار غیرخطی است. پهپادها غلت میزنند و اوج میگیرند؛ بازوهای رباتیک روی چندین مفصل میچرخند. برای مدیریت این موارد، مهندسان فیلتر کالمن توسعهیافته (EKF) را توسعه دادند.
EKF با استفاده از حساب دیفرانسیل و انتگرال، به ویژه ماتریسهای ژاکوبین، حالت فعلی را خطی میکند. اساساً وانمود میکند که منحنی غیرخطی برای آن کسر میکروسکوپی از ثانیه، یک خط مستقیم است. این امر اجازه میدهد تا محاسبات استاندارد کالمن روی حرکات پیچیده و واقعی کار کند.[2]
اما خطیسازی هزینهای دارد. در محیطهای بسیار پویا با تغییرات سریع جهت، تقریب خط مستقیم EKF حاشیه خطایی در حدود ۱۵ تا ۲۰ درصد ایجاد میکند. اگر یک پهپاد یک مانور ناگهانی و شدید انجام دهد، EKF میتواند ردیابی حالت واقعی را به طور کامل از دست بدهد.[2]
برای حل مشکل دقت EKF، محققان فیلتر کالمن بدون بو (UKF) را ایجاد کردند. UKF به جای استفاده از حساب دیفرانسیل برای ترسیم یک خط مستقیم، مجموعه حداقلی از نقاط نمونه—به نام نقاط سیگما—را در اطراف تخمین فعلی انتخاب میکند. این نقاط خاص را از طریق محاسبات غیرخطی عبور میدهد تا منحنی واقعی حرکت را ثبت کند.
UKF به طور قابل توجهی دقیقتر است و دقتی معادل بسط سری تیلور مرتبه سوم به دست میآورد. این فیلتر محاسبات ژاکوبین را به طور کامل حذف میکند و آن را از نظر ریاضی زیبا و در برابر حرکات ناگهانی و غیرخطی در سیستمهای رباتیک پیچیده بسیار مقاوم میسازد.[2]
مصالحه در اینجا، قدرت محاسباتی است. UKF نیاز به پردازش چندین نقطه سیگما در هر مرحله دارد که منجر به مقیاسبندی محاسباتی O(n^3) نسبت به بُعد حالت میشود. برای یک میکرو ربات یا یک دستگاه مصرفی ارزان با یک میکروکنترلر پایه، این سربار محاسباتی اغلب غیرقابل تحمل است.
این امر یک مصالحه عملی را در مکانیابی و نقشهبرداری همزمان (SLAM) مدرن تحمیل میکند. هنگام ساخت سیستمهای خودران، توسعهدهندگان باید بین کارایی محاسباتی EKF و دقت برتر UKF یکی را انتخاب کنند. اکثر سیستمهای تجاری همچنان به شدت به EKFهای بسیار بهینهسازی شده متکی هستند.[3]
با نگاه به آینده، مکانیسمهای اساسی فیلتر کالمن توسط یادگیری ماشین تقویت میشوند. در حالی که شبکههای عصبی در تشخیص الگوها عالی هستند، با اثباتپذیری ریاضی مورد نیاز برای ناوبری حیاتی ایمنی مشکل دارند. آینده ادغام حسگر در استفاده از هوش مصنوعی برای تنظیم پویا پارامترهای نویز فیلتر کالمن نهفته است، که سازگاری یادگیری عمیق را با مکانیسمهای دقیق و اثباتشده الگوریتم دهه ۱۹۶۰ ترکیب میکند.[3]
بررسی عمیق دیدگاهها
مهندسان کنترل کلاسیک
ارزش قائل شدن برای اثباتپذیری ریاضی، شفافیت و قابلیت پیشبینی فیلتر کالمن نسبت به راهحلهای هوش مصنوعی جعبه سیاه.
برای مهندسان کلاسیک، زیبایی فیلتر کالمن در پایه و اساس ریاضی دقیق آن نهفته است. برخلاف مدلهای یادگیری عمیق که به عنوان جعبه سیاه عمل میکنند و میتوانند به روشهای غیرقابل پیشبینی شکست بخورند، رفتار فیلتر کالمن را میتوان از نظر ریاضی اثبات و محدود کرد. این شفافیت برای کاربردهای حیاتی ایمنی مانند ناوبری هوافضا و رانندگی خودران، که در آن درک دقیق اینکه چرا یک سیستم تخمین خاصی انجام داده است، از نظر قانونی و اخلاقی ضروری است، غیرقابل مذاکره تلقی میشود.
توسعهدهندگان سیستمهای خودران
تمرکز بر مصالحههای عملی بین کارایی محاسباتی و دقت تخمین در استقرار سختافزاری دنیای واقعی.
توسعهدهندگانی که رباتهای تجاری و پهپادهای مصرفی میسازند، تحت محدودیتهای سختگیرانهای در مورد عمر باتری، دفع گرما و هزینه پردازنده عمل میکنند. در حالی که برتری ریاضی فیلتر کالمن بدون بو را تأیید میکنند، اغلب استدلال میکنند که مقیاسبندی محاسباتی O(n^3) به سادگی برای میکروکنترلرهای بازار انبوه قابل اجرا نیست. تمرکز آنها بر بهینهسازی بسیار زیاد فیلتر کالمن توسعهیافته است، و خطاهای خطیسازی آن را به عنوان یک مصالحه مهندسی ضروری برای دستیابی به عملکرد همزمان در سختافزار ارزان میپذیرند.
طرفداران یادگیری عمیق
استدلال میکنند که شبکههای عصبی سرتاسری در نهایت جایگزین فیلترهای صریح تخمین حالت خواهند شد.
یک جناح رو به رشد در جامعه هوش مصنوعی معتقد است که تنظیم دستی ماتریسهای نویز و مدلهای فیزیک یک رویکرد قدیمی است. آنها استدلال میکنند که شبکههای عصبی عمیق، که بر روی مجموعههای داده عظیم از گزارشهای حسگر آموزش دیدهاند، میتوانند پویاییهای غیرخطی یک سیستم را بهتر از هر مدل ریاضی طراحی شده توسط انسان، به طور ضمنی یاد بگیرند. در حالی که اعتراف میکنند که هوش مصنوعی خالص در حال حاضر فاقد تضمینهای ایمنی قابل اثبات فیلتر کالمن است، سیستمهای ترکیبی—که در آن هوش مصنوعی پارامترهای فیلتر را تنظیم میکند—را صرفاً به عنوان یک پله به سوی ادغام حسگر کاملاً یادگرفته شده و سرتاسری میبینند.
منابع
پوشش منابع
3 منبع
3 دیدگاه شناساییشده
- [1]Communications of the ACMمهندسان کنترل کلاسیک
An Elementary Introduction to Kalman Filtering
مطالعه در Communications of the ACM → - [2]Sensors (MDPI)مهندسان کنترل کلاسیک
A Review of Nonlinear Filtering Algorithms in Integrated Navigation Systems
مطالعه در Sensors (MDPI) → - [3]تیم سردبیری کوهستانتحلیل تحریریه کوهستان
تحلیل تیم سردبیری کوهستان
مطالعه در تیم سردبیری کوهستان →
نظرات
هر زاویه. هر روز.
دریافت راهنماها اخبار همراه با پوشش کامل منابع و تحلیل دیدگاهها، مستقیم در صندوق ورودی شما.