تعرف على كيف تُمكّن خوارزمية Extended Kalman Filter من تقدير الحالة بدقة للأنظمة غير الخطية في الروبوتات والمركبات ذاتية القيادة ودمج المستشعرات.
مرشح كالمان الموسع (EKF) هو خوارزمية قوية تستخدم لتقدير الحالة في الأنظمة غير الخطية. وهو نسخة متقدمة من مرشح كالمان (KF) القياسي ويستخدم على نطاق واسع في مجالات مثل الروبوتات والملاحة و رؤية الحاسوب (CV). الهدف الأساسي من EKF هو إنتاج تقدير دقيق للحالة الحالية للنظام من خلال الجمع بين قياسات المستشعرات المشوشة ونموذج رياضي لحركة النظام بمرور الوقت. تتيح هذه العملية تتبعًا أكثر سلاسة وموثوقية للأجسام أو الأنظمة الديناميكية، حتى عندما تكون بيانات المستشعر غير كاملة أو متقطعة.
على عكس مرشح Kalman القياسي، المصمم للأنظمة الخطية، يمكن لـ EKF التعامل مع النماذج غير الخطية. نادرًا ما تتبع الأنظمة الواقعية، مثل حركة سيارة أو شخص، مسارات خطية تمامًا. يعالج EKF هذا باستخدام تقنية رياضية تسمى الخطية. في كل خطوة زمنية، فإنه يقرب النظام غير الخطي بنظام خطي حول تقدير الحالة الحالي. يتيح ذلك تطبيق نفس دورة التنبؤ والتحديث مثل مرشح Kalman القياسي.
تعمل الدورة على النحو التالي:
من خلال التكرار المستمر خلال هذه الدورة، يوفر EKF تقديرًا مثاليًا إحصائيًا لحالة النظام، مما يؤدي بشكل فعال إلى تصفية الضوضاء وإدارة عدم اليقين.
في سياق الذكاء الاصطناعي (AI)، يعد EKF حجر الزاوية في دمج المستشعرات و تتبع الكائنات. في حين أن نماذج التعلم العميق مثل Ultralytics YOLO ممتازة في اكتشاف الكائنات في إطار واحد، فإن تتبع هذه الكائنات عبر تسلسل فيديو يتطلب تقدير حركتها والتنبؤ بمواقعها المستقبلية. هذا هو المكان الذي يتفوق فيه EKF.
عندما يكتشف نموذج YOLO كائنًا، يتم إدخال موضعه في مرشح Kalman الموسع (EKF) كقياس. ثم يجمع EKF هذا الاكتشاف مع نموذج الحركة الداخلي الخاص به للحفاظ على مسار سلس للكائن، حتى إذا فشل الكاشف لعدة إطارات. هذه الوظيفة جزء لا يتجزأ من وضع التتبع المتاح في نماذج Ultralytics، مما يتيح تتبعًا قويًا للتطبيقات في المركبات ذاتية القيادة و المراقبة الذكية. تستخدم العديد من خوارزميات التتبع الحديثة، مثل SORT (التتبع البسيط عبر الإنترنت وفي الوقت الفعلي)، مرشح Kalman كمكون أساسي للتنبؤ بالحركة.
إن قدرة مرشح كالمان الممتد (EKF) على التعامل مع الديناميكيات غير الخطية تجعله لا يقدر بثمن في العديد من التطبيقات:
من المهم التمييز بين EKF وتقنيات التصفية الأخرى:
في حين توجد مرشحات أكثر تقدمًا، يظل مرشح Kalman الموسع خيارًا شائعًا وفعالًا للعديد من تحديات التعلم الآلي والروبوتات في العالم الحقيقي نظرًا لتوازنه الجيد بين الأداء والكفاءة الحسابية.
