Extended Kalman Filter (EKF)

Der erweiterte Kalman-Filter (EKF) ist ein robuster mathematischer Algorithmus zur Schätzung des Zustands eines dynamischen Systems, das sich nichtlinear verhält. Während der standardmäßige Kalman-Filter (KF) eine optimale Lösung für Systeme bietet, die sich auf geraden Linien bewegen oder einfachen linearen Gleichungen folgen, ist die Physik der realen Welt nur selten so vorhersehbar. Die meisten physikalischen Objekte, etwa eine Drohne, die gegen den Wind ankämpft, oder ein Roboterarm, der sich um mehrere Achsen dreht, bewegen sich auf gekrümmten oder komplexen Bahnen. Der EKF bewältigt diese Komplexität, indem er eine lineare Näherung des Systems zu einem bestimmten Zeitpunkt erstellt. So können Ingenieure und Datenwissenschaftler effiziente Filtertechniken auf Aufgaben der prädiktiven Modellierung anwenden, selbst wenn die zugrunde liegenden Mechanismen kompliziert sind.

Funktionsweise und Linearisierung#

Um komplexe Dynamiken zu verarbeiten, verwendet der EKF einen mathematischen Prozess namens Linearisierung, bei dem im Wesentlichen die Steigung einer Funktion am aktuellen Arbeitspunkt geschätzt wird. Dazu wird häufig eine Jakobi-Matrix berechnet, um näherungsweise zu bestimmen, wie sich das System über kurze Zeitintervalle verändert. Der Algorithmus arbeitet in einer rekursiven Schleife mit zwei Hauptphasen: Vorhersage und Aktualisierung. In der Vorhersagephase projiziert der Filter den aktuellen Zustand mithilfe eines physikalischen Bewegungsmodells in die Zukunft. In der Aktualisierungsphase korrigiert er diese Projektion anhand neuer, häufig verrauschter Sensordaten, etwa von Gyroskopen oder Beschleunigungssensoren. Dieser kontinuierliche Zyklus aus Vorhersage und Korrektur reduziert das Datenrauschen und liefert eine gleichmäßigere und genauere Schätzung des tatsächlichen Zustands, als dies mit einem einzelnen Sensor allein möglich wäre.

Bedeutung für Computer Vision#

Im Bereich des maschinellen Sehens (CV) spielt der erweiterte Kalman-Filter eine entscheidende Rolle bei der Aufrechterhaltung der Identität bewegter Objekte. Fortschrittliche Modelle wie YOLO26 erkennen Objekte in einzelnen Bildern hervorragend, verstehen jedoch nicht automatisch die zeitliche Kontinuität von Bewegungen. Durch die Integration eines EKF oder einer ähnlichen Logik kann ein Objektverfolgungssystem vorhersagen, wo ein Begrenzungsrahmen im nächsten Videobild erscheinen sollte, basierend auf der bisherigen Geschwindigkeit und Flugbahn des Objekts. Dies ist besonders nützlich beim Umgang mit Verdeckungen, bei denen ein Objekt vorübergehend nicht sichtbar ist. Der Filter hält die „Verfolgung“ aufrecht, indem er die Position des Objekts schätzt, bis es wieder sichtbar ist – eine für eine robuste Verfolgung mehrerer Objekte (MOT) unverzichtbare Technik.

Anwendungen in der Praxis#

Die Vielseitigkeit des EKF macht ihn zu einer Schlüsseltechnologie in verschiedenen Hightech-Branchen, in denen maschinelles Lernen (ML) auf physische Hardware trifft:

• Autonome Fahrzeuge: Selbstfahrende Autos nutzen Sensordatenfusion, um sicher zu navigieren. Ein EKF führt verschiedene Datenströme aus globalen Positionierungssystemen (GPS), LiDAR und Radar zusammen, um die genaue Position und Ausrichtung des Fahrzeugs auf der Straße zu berechnen und dabei Signalausfälle oder Umgebungsrauschen auszugleichen.
• Robotik: Roboter, die in unstrukturierten Umgebungen arbeiten, verwenden Algorithmen zur gleichzeitigen Lokalisierung und Kartierung (SLAM). Der EKF hilft einem Roboter dabei, eine Karte eines Raums zu erstellen und gleichzeitig seine eigene Position innerhalb dieser Karte zu bestimmen. Dabei korrigiert er Radschlupf oder Sensordrift, um präzise Bewegungen zu gewährleisten.
• Posenschätzung: In Anwendungen wie virtueller Realität oder Sportanalysen erfordert die Verfolgung menschlicher Gelenke eine Glättung unruhiger Schlüsselpunkte. EKF-Algorithmen verfeinern die Ausgabe von Deep-Learning-Modellen, um flüssige, natürliche Bewegungsanimationen für Systeme zur Aktionserkennung zu erstellen.

Vergleich mit verwandten Konzepten#

Um den spezifischen Nutzen des erweiterten Kalman-Filters zu verstehen, ist es hilfreich, ihn von verwandten Filtermethoden abzugrenzen:

• EKF vs. Kalman-Filter (KF): Der standardmäßige KF ist mathematisch optimal und benötigt weniger Rechenleistung, versagt jedoch bei stark nichtlinearen Systemen. Der EKF erweitert den KF durch Näherungen für den Einsatz bei nichtlinearen Systemen.
• EKF vs. Partikelfilter: Ein Partikelfilter bewältigt Nichtlinearität und nichtgaußsches Rauschen sehr gut, indem er viele zufällige Stichproben (Partikel) zur Darstellung von Wahrscheinlichkeiten verwendet. Er benötigt jedoch deutlich mehr Rechenleistung, wodurch der EKF für ressourcenbeschränkte eingebettete Systeme häufig die bevorzugte Wahl ist.
• EKF vs. Unscented-Kalman-Filter (UKF): Der Unscented-Kalman-Filter stellt einen Mittelweg dar. Er verwendet deterministische Abtastpunkte, um Nichtlinearität ohne die komplexe Differentialrechnung des EKF zu verarbeiten. Dennoch bleibt der EKF für viele Regelungssysteme ein Industriestandard.

Implementierungsbeispiel#

Im Paket ultralytics verwenden Verfolgungsalgorithmen intern Konzepte der Kalman-Filterung, um Bewegungsbahnen zu glätten und Erkennungen über mehrere Bilder hinweg einander zuzuordnen. Wenn du High-Level-Werkzeuge verwendest, musst du die Matrixberechnungen des EKF zwar nicht manuell programmieren. Wenn du jedoch weißt, dass der Tracker darauf basiert, kannst du die Parameter für die Ultralytics Platform gezielter konfigurieren.

So startest du einen Tracker mit einem YOLO-Modell, das diese Filtertechniken zur Zustandsschätzung verwendet:

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()}")