تعرّف على كيفية تمكين مرشح كالمان الموسع من إجراء تقدير دقيق للحالة للأنظمة غير الخطية في الروبوتات والمركبات ذاتية القيادة ودمج أجهزة الاستشعار.
مرشح كالمان الموسع (EKF) هو خوارزمية قوية تُستخدم لتقدير حالة النظام عندما تتضمن ديناميكيات النظام أو طريقة أخذ القياسات دوال غير خطية. وهو يوسّع مبادئ مرشح كالمان القياسي (KF) للتعامل مع هذه التعقيدات الشائعة في العالم الحقيقي. وهذا يجعل من EKF أداة قيّمة في العديد من تطبيقات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) حيث يكون فهم الحالة الحالية للنظام الديناميكي أمرًا بالغ الأهمية، خاصة عند التعامل مع بيانات المستشعرات الصاخبة والتي تتطلب الاستدلال في الوقت الفعلي.
إن EKF في جوهره عبارة عن عملية تكرارية لتقدير الحالة، حيث يتم اكتشاف الحالة الداخلية الخفية للنظام (مثل الموضع أو السرعة أو الاتجاه) بناءً على سلسلة من القياسات التي يحتمل أن تكون غير دقيقة بمرور الوقت. تتبع العديد من الأنظمة في العالم الحقيقي، بدءًا من الروبوتات التي تتحرك في بيئات معقدة إلى ملاحة الطائرات، قواعد ليست علاقات خطية بسيطة، تُعرف باسم الأنظمة غير الخطية. يعالج EKF هذا التحدي من خلال تقريب الأجزاء غير الخطية من النظام.
وهو يستخدم تقنية رياضية، وتحديداً توسع سلسلة تايلور المتسلسلة، لإنشاء تقريب خطي للدوال غير الخطية حول أفضل تقدير حالي للحالة. يسمح هذا التقريب الخطي بتطبيق دورة التنبؤ والتحديث الأساسية لمرشح كالمان، على الرغم من أن النظام الأساسي ليس خطيًا حقًا. يعمل EKF في خطوتين متكررتين مشابهتين لمرشح كالمان:
تسمح هذه الدورة لعامل التفكير الإلكتروني بتحسين تقديره باستمرار مع توفر بيانات جديدة، والتكيف مع السلوك غير الخطي للنظام بمرور الوقت. يعد فهم هذه العملية أمرًا بالغ الأهمية للمهام التي تتضمن تحليل السلاسل الزمنية.
يتمثل الاختلاف الأساسي بين عامل التصفية EKF ومرشح كالمان القياسي (KF ) في كيفية تعاملهما مع نموذج النظام. يفترض KF أن كلاً من انتقالات حالة النظام وعمليات القياس خطية. يعمل هذا الافتراض على تبسيط العمليات الحسابية ولكنه يحد من إمكانية تطبيقه. ومع ذلك، فإن EKF مصمم خصيصًا للأنظمة التي تكون فيها إحدى هاتين العمليتين أو كلتاهما غير خطية. ويحقق ذلك من خلال إضفاء الطابع الخطي على هذه الدوال غير الخطية في كل خطوة زمنية باستخدام مصفوفات جاكوبي (مشتقة من توسع سلسلة تايلور).
هذه العملية الخطية هي عملية تقريبية. على الرغم من قوته، إلا أنه يعني أن دقة واستقرار عامل التحويل الإلكتروني قد يكون أحيانًا أقل موثوقية من أداء عامل التحويل الخطي على الأنظمة الخطية البحتة، خاصةً إذا كان سلوك النظام غير خطي إلى حد كبير أو كان تقدير الحالة الأولية ضعيفًا. يقدم التقريب أخطاءً لا يواجهها KF القياسي. بالنسبة للأنظمة الخطية البحتة، يوفر KF القياسي حلًا مثاليًا وأبسط من الناحية الحسابية، وغالبًا ما يُقاس هذا الحل من حيث عدد وحدات FLOP. وقد تم تطوير مرشحات أخرى، مثل مرشح كالمان غير المتسلسل (UKF)، لمعالجة بعض قيود EKF في السيناريوهات غير الخطية للغاية باستخدام طريقة تقريب مختلفة (تحويل غير متسلسل)، على الرغم من أن ذلك غالبًا ما يكون بتكلفة حسابية أعلى. يمكنك استكشاف مهام الرؤية الحاسوبية المختلفة حيث يكون تقدير الحالة أمرًا حيويًا.
إن قدرة EKF على التعامل مع اللاخطية تجعله قابلاً للتطبيق على نطاق واسع في مجالات الذكاء الاصطناعي والتعلم الآلي والمجالات الهندسية التي تتطلب تقديرًا في الوقت الفعلي من بيانات المستشعر:
على الرغم من كونه تقريبيًا، يظل مرشح كالمان الموسع خوارزمية أساسية ومستخدمة على نطاق واسع لتقدير الحالة في الأنظمة الديناميكية غير الخطية. وهو يمكّن العديد من تقنيات الذكاء الاصطناعي والأتمتة المتطورة المتاحة اليوم، والتي يمكن استكشاف بعضها أو تدريبها باستخدام منصات مثل Ultralytics HUB التي تبسط تدريب النماذج ونشرها. ويساعد فهم EKF في تقدير التعقيدات التي ينطوي عليها جعل الآلات تدرك العالم الديناميكي وتتفاعل معه، وهو هدف أساسي تم استكشافه في موارد مثل خطوات مشروع رؤية الحاسوب.
AR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
TR
VI
