Extended Kalman Filter (EKF)

Il filtro di Kalman esteso (EKF) è un robusto algoritmo matematico progettato per stimare lo stato di un sistema dinamico che si comporta in modo non lineare. Sebbene il filtro di Kalman (KF) standard fornisca una soluzione ottimale per i sistemi che si muovono in linea retta o seguono semplici equazioni lineari, la fisica del mondo reale è raramente così prevedibile. La maggior parte degli oggetti fisici, come un drone che contrasta la resistenza del vento o un braccio robotico che ruota su più assi, segue traiettorie curve o complesse. L'EKF affronta questa complessità creando un'approssimazione lineare del sistema in uno specifico momento, consentendo a ingegneri e data scientist di applicare tecniche di filtraggio efficienti alle attività di modellazione predittiva anche quando i meccanismi sottostanti sono complicati.

Meccanismo e linearizzazione#

Per gestire dinamiche complesse, l'EKF impiega un processo matematico chiamato linearizzazione, che consiste essenzialmente nello stimare la pendenza di una funzione nel punto operativo corrente. Spesso ciò comporta il calcolo di una matrice jacobiana per approssimare il modo in cui il sistema cambia in brevi intervalli. L'algoritmo opera in un ciclo ricorsivo costituito da due fasi principali: predizione e aggiornamento. Nella fase di predizione, il filtro proietta in avanti lo stato corrente utilizzando un modello fisico del movimento. Nella fase di aggiornamento, corregge questa proiezione usando dati nuovi e spesso rumorosi provenienti da sensori come giroscopi o accelerometri. Questo ciclo continuo di predizione e correzione contribuisce a ridurre il rumore dei dati e fornisce una stima più uniforme e accurata dello stato reale rispetto a quella che potrebbe fornire un singolo sensore.

Rilevanza nella visione artificiale#

Nel campo della visione artificiale (CV), il filtro di Kalman esteso svolge un ruolo fondamentale nel mantenere l'identità degli oggetti in movimento. Modelli avanzati come YOLO26 sono eccezionali nel rilevare oggetti in singoli fotogrammi, ma non comprendono intrinsecamente la continuità del movimento nel tempo. Integrando un EKF o una logica simile, un sistema di tracciamento degli oggetti può prevedere dove dovrebbe apparire un riquadro di delimitazione nel fotogramma video successivo in base alla velocità e alla traiettoria precedenti. Ciò è particolarmente utile per gestire le occlusioni, quando un oggetto è temporaneamente nascosto alla vista; il filtro mantiene attiva la "traccia" stimando la posizione dell'oggetto fino a quando questo torna visibile, una tecnica essenziale per un robusto tracciamento multi-oggetto (MOT).

Applicazioni nel mondo reale#

La versatilità dell'EKF lo rende una tecnologia fondamentale in diversi settori high-tech, dove il machine learning (ML) interagisce con l'hardware fisico:

• Veicoli autonomi: Le auto a guida autonoma si affidano alla fusione dei sensori per navigare in sicurezza. Un EKF combina flussi di dati distinti provenienti dai sistemi di posizionamento globale (GPS), da LiDAR e dal radar per calcolare la posizione e l'orientamento precisi del veicolo sulla strada, compensando le interruzioni del segnale o il rumore ambientale.
• Robotica: I robot che operano in ambienti non strutturati utilizzano algoritmi di localizzazione e mappatura simultanee (SLAM). L'EKF aiuta un robot a costruire la mappa di una stanza determinando contemporaneamente la propria posizione al suo interno e correggendo lo slittamento delle ruote o la deriva dei sensori per garantire movimenti accurati.
• Stima della posa: In applicazioni come la realtà virtuale o l'analisi sportiva, il tracciamento delle articolazioni umane richiede la stabilizzazione dei keypoint instabili. Gli algoritmi EKF perfezionano l'output dei modelli di deep learning per creare animazioni di movimento fluide e naturali per i sistemi di riconoscimento delle azioni.

Confronto con concetti correlati#

Per comprenderne l'utilità specifica, è utile distinguere il filtro di Kalman esteso dai metodi di filtraggio correlati:

• EKF vs. filtro di Kalman (KF): Il KF standard è matematicamente ottimale e meno costoso dal punto di vista computazionale, ma non funziona quando i sistemi sono fortemente non lineari. L'EKF estende il KF ai sistemi non lineari tramite un'approssimazione.
• EKF vs. filtro particellare: Un filtro particellare gestisce molto bene la non linearità e il rumore non gaussiano utilizzando molti campioni casuali (particelle) per rappresentare la probabilità. Tuttavia, richiede una potenza di calcolo significativamente maggiore, rendendo l'EKF una scelta preferibile per i sistemi embedded con risorse limitate.
• EKF vs. filtro di Kalman non profumato (UKF): Il filtro di Kalman non profumato offre una soluzione intermedia, utilizzando punti di campionamento deterministici per gestire la non linearità senza il calcolo complesso richiesto dall'EKF, sebbene l'EKF rimanga uno standard di settore per molti sistemi di controllo.

Esempio di implementazione#

Nel pacchetto ultralytics, gli algoritmi di tracciamento utilizzano internamente concetti di filtraggio di Kalman per uniformare le traiettorie e associare i rilevamenti tra i fotogrammi. Quando utilizzi strumenti di alto livello, non devi scrivere manualmente la matematica della matrice EKF, ma comprendere che alimenta il tracker ti aiuta a configurare i parametri per la Ultralytics Platform.

Ecco come avviare un tracker con un modello YOLO, che utilizza queste tecniche di filtraggio per la stima dello stato:

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()}")