Extended Kalman Filter (EKF)

Расширенный фильтр Калмана (Extended Kalman Filter (EKF)) — это надежный математический алгоритм, предназначенный для оценки состояния динамической системы, которая ведет себя нелинейно. Хотя стандартный Kalman Filter (KF) обеспечивает оптимальное решение для систем, движущихся по прямым линиям или подчиняющихся простым линейным уравнениям, физика реального мира редко бывает настолько предсказуемой. Большинство физических объектов, таких как дрон, борющийся с сопротивлением ветра, или робот-манипулятор, вращающийся по нескольким осям, движутся по изогнутым или сложным траекториям. EKF решает эту задачу, создавая линейную аппроксимацию системы в определенный момент времени, что позволяет инженерам и специалистам по обработке данных применять эффективные методы фильтрации к задачам predictive modeling даже тогда, когда лежащая в их основе механика сложна.

Механизм и линеаризация#

Для работы со сложной динамикой EKF использует математический процесс, называемый линеаризацией, который по сути оценивает наклон функции в текущей рабочей точке. Часто это включает в себя вычисление Jacobian matrix для приближенной оценки того, как система изменяется за короткие интервалы времени. Алгоритм работает в рекурсивном цикле, состоящем из двух основных фаз: предсказания и обновления. На фазе предсказания фильтр проецирует текущее состояние вперед с использованием физической модели движения. На фазе обновления он корректирует эту проекцию с помощью новых, часто зашумленных данных от датчиков, таких как gyroscopes или акселерометры. Этот непрерывный цикл предсказания и коррекции помогает уменьшить data noise и обеспечивает более плавную и точную оценку истинного состояния, чем мог бы предоставить любой отдельный датчик.

Актуальность в компьютерном зрении#

В области computer vision (CV) расширенный фильтр Калмана играет важнейшую роль в сохранении идентичности движущихся объектов. Передовые модели, такие как YOLO26, отлично справляются с обнаружением объектов на отдельных кадрах, но они не обладают встроенным пониманием непрерывности движения во времени. Интегрируя EKF или аналогичную логику, система object tracking может предсказывать, где должен появиться bounding box на следующем кадре видео на основе его предыдущей скорости и траектории. Это особенно полезно при обработке перекрытий (окклюзий), когда объект временно скрыт из виду; фильтр поддерживает жизнь «трека», оценивая положение объекта до тех пор, пока он снова не станет видимым, — метод, необходимый для надежного multi-object tracking (MOT).

Реальные приложения#

Универсальность EKF делает его краеугольной технологией в различных высокотехнологичных отраслях, где machine learning (ML) пересекается с физическим оборудованием:

• Autonomous Vehicles: Беспилотные автомобили полагаются на sensor fusion для безопасной навигации. EKF объединяет различные потоки данных от систем глобального позиционирования (GPS), LiDAR и радара для расчета точного положения и ориентации автомобиля на дороге, компенсируя пропадание сигналов или шумы окружающей среды.
• Robotics: Роботы, работающие в неструктурированных средах, используют алгоритмы Simultaneous Localization and Mapping (SLAM). EKF помогает роботу строить карту комнаты и одновременно определять собственное местоположение на этой карте, компенсируя проскальзывание колес или дрейф датчиков для обеспечения точного движения.
• Pose Estimation: В таких приложениях, как виртуальная реальность или спортивная аналитика, отслеживание суставов человека требует сглаживания скачкообразных ключевых точек. Алгоритмы EKF уточняют выходные данные моделей глубокого обучения, чтобы создавать плавные, естественные анимации движения для систем action recognition.

Сравнение со смежными концепциями#

Полезно отличать расширенный фильтр Калмана от родственных методов фильтрации, чтобы понять его специфическую пользу:

• EKF против Kalman Filter (KF): Стандартный KF математически оптимален и обходится дешевле с точки зрения вычислений, но дает сбой, когда системы крайне нелинейны. EKF расширяет KF для работы с нелинейными системами посредством аппроксимации.
• EKF vs. Particle Filter: A Particle Filter manages non-linearity and non-Gaussian noise very well by using many random samples (particles) to represent probability. However, it requires significantly more computational power, making the EKF a preferred choice for resource-constrained embedded systems.
• EKF против Unscented Kalman Filter (UKF): Unscented Kalman Filter предлагает золотую середину, используя детерминированные точки выборки для работы с нелинейностью без сложных вычислений, требуемых EKF, хотя EKF остается отраслевым стандартом для многих систем управления.

Пример реализации#

В пакете ultralytics алгоритмы трекинга используют концепции фильтрации Калмана внутренним образом для сглаживания траекторий и сопоставления обнаружений между кадрами. Хотя тебе не нужно вручную писать матричную математику EKF при использовании инструментов высокого уровня, понимание того, что это лежит в основе трекера, помогает при настройке параметров для Ultralytics Platform.

Вот как инициализировать трекер с помощью YOLO model, в которой эти методы фильтрации используются для оценки состояний:

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()}")