Extended Kalman Filter (EKF)

يعد مرشح كالمان الموسع (EKF) خوارزمية رياضية قوية مصممة لتقدير حالة نظام ديناميكي يتصرف بشكل غير خطي. وبينما يوفر مرشح كالمان (KF) القياسي حلاً أمثلاً للأنظمة التي تتحرك في خطوط مستقيمة أو تتبع معادلات خطية بسيطة، فإن الفيزياء في العالم الحقيقي نادراً ما تكون بهذا القدر من القابلية للتنبؤ. فمعظم الأجسام الفيزيائية، مثل طائرة بدون طيار تقاوم مقاومة الرياح أو ذراع روبوتية تدور حول محاور متعددة، تتبع مسارات منحنية أو معقدة. يعالج EKF هذا التعقيد عن طريق إنشاء تقريب خطي للنظام في لحظة زمنية معينة، مما يسمح للمهندسين وعلماء البيانات بتطبيق تقنيات ترشيح فعالة لمهام النمذجة التنبؤية حتى عندما تكون الميكانيكا الأساسية معقدة.

Link to this sectionالآلية والخطية#

للتعامل مع الديناميكيات المعقدة، يستخدم EKF عملية رياضية تسمى الخطية، والتي تقوم أساساً بتقدير ميل الدالة عند نقطة التشغيل الحالية. يتضمن ذلك غالباً حساب مصفوفة جاكوبي لتقريب كيفية تغير النظام عبر فترات زمنية قصيرة. تعمل الخوارزمية في حلقة متكررة تتكون من مرحلتين رئيسيتين: التنبؤ والتحديث. في مرحلة التنبؤ، يقوم المرشح بإسقاط الحالة الحالية للأمام باستخدام نموذج فيزيائي للحركة. وفي مرحلة التحديث، يقوم بتصحيح هذا الإسقاط باستخدام بيانات جديدة، وغالباً ما تكون مشوشة، من مستشعرات مثل الجيروسكوبات أو مقاييس التسارع. تساعد هذه الدورة المستمرة من التنبؤ والتصحيح في تقليل ضجيج البيانات وتوفير تقدير أكثر سلاسة ودقة للحالة الحقيقية مما يمكن لأي مستشعر واحد تقديمه بمفرده.

Link to this sectionالأهمية في الرؤية الحاسوبية#

في مجال رؤية الحاسوب (CV)، يلعب مرشح كالمان الموسع دوراً حاسماً في الحفاظ على هوية العناصر المتحركة. تتميز النماذج المتقدمة مثل YOLO26 بقدرة استثنائية على اكتشاف الكائنات في إطارات واحدة، لكنها لا تفهم بطبيعتها استمرارية الحركة بمرور الوقت. ومن خلال دمج EKF أو منطق مشابه، يمكن لنظام تتبع الكائنات التنبؤ بمكان ظهور مربع التحديد في إطار الفيديو التالي بناءً على سرعته ومساره السابقين. وهذا مفيد بشكل خاص للتعامل مع حالات الانسداد، حيث يتم حجب كائن عن الرؤية مؤقتاً؛ إذ يحافظ المرشح على "المسار" حياً من خلال تقدير موقع الكائن حتى يصبح مرئياً مرة أخرى، وهي تقنية ضرورية لـ تتبع الكائنات المتعددة (MOT) القوي.

Link to this sectionتطبيقات العالم الحقيقي#

تعد تعددية استخدامات EKF تقنية حجر زاوية في مختلف الصناعات عالية التقنية حيث يتقاطع تعلم الآلة (ML) مع الأجهزة الفيزيائية:

• المركبات ذاتية القيادة: تعتمد السيارات ذاتية القيادة على دمج المستشعرات للتنقل بأمان. يدمج EKF تدفقات بيانات متميزة من أنظمة تحديد المواقع العالمية (GPS)، وLiDAR، والرادار لحساب الموقع الدقيق للمركبة واتجاهها على الطريق، مما يعوض عن انقطاع الإشارة أو الضوضاء البيئية.
• الروبوتات: تستخدم الروبوتات التي تعمل في بيئات غير منظمة خوارزميات التوطين ورسم الخرائط المتزامن (SLAM). يساعد EKF الروبوت على بناء خريطة لغرفة ما أثناء تحديد موقعه داخل تلك الخريطة في نفس الوقت، مع تصحيح انزلاق العجلات أو انحراف المستشعر لضمان حركة دقيقة.
• تقدير الوضعية: في تطبيقات مثل الواقع الافتراضي أو تحليلات الرياضة، يتطلب تتبع مفاصل الإنسان تنعيم النقاط الرئيسية المضطربة. تعمل خوارزميات EKF على تحسين مخرجات نماذج التعلم العميق لإنشاء رسوم متحركة حركية انسيابية وطبيعية لأنظمة التعرف على الإجراءات.

Link to this sectionمقارنة بالمفاهيم ذات الصلة#

من المفيد التمييز بين مرشح كالمان الموسع وطرق الترشيح ذات الصلة لفهم فائدته المحددة:

• EKF مقابل مرشح كالمان (KF): مرشح KF القياسي هو الأمثل رياضياً وأقل تكلفة من الناحية الحسابية، ولكنه يفشل عندما تكون الأنظمة غير خطية للغاية. يوسع EKF مرشح KF ليعمل مع الأنظمة غير الخطية من خلال التقريب.
• EKF مقابل مرشح الجسيمات: يدير مرشح الجسيمات اللاخطية والضجيج غير الغاوسي بشكل جيد جداً باستخدام العديد من العينات العشوائية (الجسيمات) لتمثيل الاحتمالية. ومع ذلك، فإنه يتطلب قوة حاسوبية أكبر بكثير، مما يجعل EKF خياراً مفضلاً لـ الأنظمة المضمنة محدودة الموارد.
• EKF مقابل مرشح كالمان غير المعطر (UKF): يوفر مرشح كالمان غير المعطر أرضية وسطى، حيث يستخدم نقاط أخذ عينات حتمية للتعامل مع اللاخطية دون الحاجة إلى حساب التفاضل والتكامل المعقد المطلوب بواسطة EKF، على الرغم من أن EKF يظل معياراً صناعياً للعديد من أنظمة التحكم.

Link to this sectionمثال على التنفيذ#

في حزمة ultralytics، تستخدم خوارزميات التتبع مفاهيم ترشيح كالمان داخلياً لتنعيم المسارات وربط الاكتشافات عبر الإطارات. وبينما لا تقوم بترميز رياضيات مصفوفة EKF يدوياً عند استخدام أدوات عالية المستوى، فإن فهم أنها هي التي تشغل المتتبع يساعد في تكوين المعلمات لـ منصة Ultralytics.

إليك كيفية بدء تشغيل متتبع باستخدام نموذج YOLO، الذي يستخدم تقنيات الترشيح هذه لتقدير الحالة:

from ultralytics import YOLO

# Load the latest YOLO26 model (nano version for speed)
model = YOLO("yolo26n.pt")

# Track objects in a video source
# Trackers like BoT-SORT or ByteTrack use Kalman filtering logic internally
results = model.track(source="https://ultralytics.com/images/bus.jpg", tracker="botsort.yaml")

# Print the ID of the tracked objects
for r in results:
    if r.boxes.id is not None:
        print(f"Track IDs: {r.boxes.id.numpy()}")