Extended Kalman Filter (EKF)

Genişletilmiş Kalman Filtresi (EKF), doğrusal olmayan davranış gösteren dinamik bir sistemin durumunu tahmin etmek için tasarlanmış güçlü bir matematiksel algoritmadır. Standart Kalman Filtresi (KF), düz çizgiler üzerinde hareket eden veya basit doğrusal denklemleri izleyen sistemler için en uygun çözümü sunarken gerçek dünyadaki fizik nadiren bu kadar öngörülebilirdir. Rüzgâr direncine karşı hareket eden bir drone veya birden fazla eksende dönen robotik kol gibi fiziksel nesnelerin çoğu, eğri ya da karmaşık yollar izler. EKF, belirli bir andaki sistemin doğrusal bir yaklaşımını oluşturarak bu karmaşıklığı ele alır ve temel mekanik karmaşık olsa bile mühendislerin ve veri bilimcilerin tahmine dayalı modelleme görevlerine verimli filtreleme tekniklerini uygulamasını sağlar.

Mekanizma ve Doğrusallaştırma#

EKF, karmaşık dinamikleri ele almak için özünde bir fonksiyonun mevcut çalışma noktasındaki eğimini tahmin eden doğrusallaştırma adı verilen matematiksel bir süreç kullanır. Bu süreç genellikle sistemin kısa zaman aralıklarında nasıl değiştiğini yaklaşık olarak hesaplamak için bir Jakoben matrisi hesaplamayı içerir. Algoritma, tahmin ve güncelleme olmak üzere iki ana aşamadan oluşan yinelemeli bir döngüyle çalışır. Tahmin aşamasında filtre, fiziksel bir hareket modeli kullanarak mevcut durumu ileriye doğru yansıtır. Güncelleme aşamasında ise bu yansıtmayı jiroskoplar veya ivmeölçerler gibi sensörlerden alınan, çoğu zaman gürültülü, yeni verileri kullanarak düzeltir. Bu sürekli tahmin ve düzeltme döngüsü, veri gürültüsünü azaltmaya yardımcı olur ve herhangi bir tek sensörün tek başına sağlayabileceğinden daha kararlı ve doğru bir gerçek durum tahmini sunar.

Bilgisayarlı Görüntülemedeki Önemi#

Bilgisayarlı görü (CV) alanında Genişletilmiş Kalman Filtresi, hareketli nesnelerin kimliğini korumada kritik bir rol oynar. YOLO26 gibi gelişmiş modeller, tek karelerdeki nesneleri algılamada olağanüstü başarılıdır; ancak zaman içindeki hareket sürekliliğini doğrudan anlayamazlar. Bir EKF veya benzer bir mantığın entegre edilmesiyle nesne izleme sistemi, önceki hızına ve yörüngesine dayanarak bir sınırlayıcı kutunun sonraki video karesinde nerede görünmesi gerektiğini tahmin edebilir. Bu, bir nesnenin görüşten geçici olarak engellendiği örtülmeleri ele almak için özellikle kullanışlıdır; filtre, nesne yeniden görünene kadar konumunu tahmin ederek "iz"i canlı tutar. Bu teknik, güçlü çoklu nesne izleme (MOT) için gereklidir.

Gerçek Dünya Uygulamaları#

EKF'nin çok yönlülüğü, makine öğrenmesinin (ML) fiziksel donanımla kesiştiği çeşitli yüksek teknoloji sektörlerinde onu temel bir teknoloji hâline getirir:

• Otonom Araçlar: Otonom araçlar güvenli bir şekilde yön bulmak için sensör füzyonuna güvenir. EKF, aracın yoldaki kesin konumunu ve yönelimini hesaplamak için Küresel Konumlandırma Sistemlerinden (GPS), LiDAR'dan ve radardan gelen farklı veri akışlarını birleştirerek sinyal kesintilerini veya çevresel gürültüyü telafi eder.
• Robotik: Yapılandırılmamış ortamlarda çalışan robotlar, Eşzamanlı Konumlandırma ve Haritalama (SLAM) algoritmalarını kullanır. EKF, bir robotun kendi konumunu aynı anda belirlerken bir odanın haritasını oluşturmasına, doğru hareketi sağlamak için tekerlek kaymasını veya sensör sürüklenmesini düzeltmesine yardımcı olur.
• Poz Tahmini: Sanal gerçeklik veya spor analitiği gibi uygulamalarda insan eklemlerini izlemek, titreşimli kilit noktalarını yumuşatmayı gerektirir. EKF algoritmaları, eylem tanıma sistemleri için akıcı ve doğal hareket animasyonları oluşturmak üzere derin öğrenme modellerinin çıktısını iyileştirir.

İlgili Kavramlarla Karşılaştırma#

Özgül kullanım alanını anlamak için Genişletilmiş Kalman Filtresi'ni ilgili filtreleme yöntemlerinden ayırmak yararlıdır:

• EKF ve Kalman Filtresi (KF): Standart KF matematiksel olarak optimal ve hesaplama açısından daha ucuzdur; ancak sistemler yüksek derecede doğrusal olmadığında başarısız olur. EKF, yaklaşık hesaplama yoluyla doğrusal olmayan sistemlerle çalışabilmesi için KF'yi genişletir.
• EKF ve Parçacık Filtresi: Parçacık Filtresi, olasılığı temsil etmek için çok sayıda rastgele örnek (parçacık) kullanarak doğrusal olmama durumunu ve Gauss olmayan gürültüyü çok iyi yönetir. Ancak önemli ölçüde daha fazla hesaplama gücü gerektirdiğinden EKF, kaynakları kısıtlı gömülü sistemler için tercih edilen bir seçenektir.
• EKF ve Unscented Kalman Filtresi (UKF): Unscented Kalman Filtresi, EKF'nin gerektirdiği karmaşık kalkülüs olmadan doğrusal olmama durumunu ele almak için belirlen deterministik örnekleme noktalarını kullanarak orta yol sunar; ancak EKF, birçok kontrol sistemi için hâlâ bir endüstri standardıdır.

Uygulama Örneği#

ultralytics paketinde izleme algoritmaları, yörüngeleri yumuşatmak ve kareler arasındaki algılamaları ilişkilendirmek için dâhili olarak Kalman filtreleme kavramlarını kullanır. Üst düzey araçları kullanırken EKF matris matematiğini elle kodlamasan da izleyiciyi çalıştıranın bu olduğunu anlamak, Ultralytics Platformu için parametreleri yapılandırmana yardımcı olur.

Durum tahmini için bu filtreleme tekniklerinden yararlanan bir izleyiciyi YOLO modeliyle şu şekilde başlatabilirsin:

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()}")