Extended Kalman Filter (EKF)

Genişletilmiş Kalman Filtresi (EKF), doğrusal olmayan şekilde davranan dinamik bir sistemin durumunu tahmin etmek için tasarlanmış sağlam bir matematiksel algoritmadır. Standart Kalman Filter (KF), düz çizgilerde hareket eden veya basit doğrusal denklemleri izleyen sistemler için optimal bir çözüm sunarken, gerçek dünya fiziği nadiren bu kadar öngörülebilirdir. Rüzgar direncine karşı koyan bir drone veya birden fazla eksende dönen bir robot kol gibi çoğu fiziksel nesne, kavisli veya karmaşık yolları izler. EKF, sistemin belirli bir zaman noktasındaki doğrusal bir yaklaşımını oluşturarak bu karmaşıklığı ele alır; bu sayede mühendislerin ve veri bilimcilerin, alttaki mekanikler karmaşık olsa bile predictive modeling görevlerine verimli filtreleme teknikleri uygulamasına olanak tanır.

Mekanizma ve Doğrusallaştırma#

Karmaşık dinamikleri ele almak için EKF, doğrusal hale getirme (linearization) adı verilen ve esasen mevcut çalışma noktasındaki bir fonksiyonun eğimini tahmin eden matematiksel bir süreç kullanır. Bu durum genellikle, sistemin kısa aralıklarla nasıl değiştiğini yaklaştırmak için bir Jacobian matrix hesaplamasını içerir. Algoritma, tahmin ve güncelleme olmak üzere iki ana aşamadan oluşan yinelemeli bir döngüde çalışır. Tahmin aşamasında filtre, bir hareketin fiziksel modelini kullanarak mevcut durumu ileriye doğru yansıtır. Güncelleme aşamasında ise bu projeksiyonu, gyroscopes veya ivmeölçerler gibi sensörlerden gelen yeni ve genellikle gürültülü verileri kullanarak düzeltir. Bu sürekli tahmin ve düzeltme döngüsü, data noise azaltılmasına yardımcı olur ve tek başına hiçbir sensörün sağlayamayacağı kadar daha pürüzsüz, daha doğru bir gerçek durum tahmini sağlar.

Bilgisayarlı Görüde Alaka Düzeyi#

computer vision (CV) alanında Genişletilmiş Kalman Filtresi, hareketli öğelerin kimliğini korumada kritik bir rol oynar. YOLO26 gibi gelişmiş modeller, tek karelerde nesneleri tespit etmede olağanüstüdür, ancak zaman içinde hareket sürekliliğini doğası gereği anlamazlar. Bir EKF veya benzer bir mantık entegre ederek, bir object tracking sistemi, önceki hızına ve yörüngesine dayanarak bir bounding box sonraki video karede nerede görünmesi gerektiğini tahmin edebilir. Bu, bir nesnenin geçici olarak görünümden engellendiği tıkanıklıkları (occlusion) ele almak için özellikle yararlıdır; filtre, nesnenin konumu tekrar görünür hale gelene kadar tahmin ederek "izlemeyi" canlı tutar; bu teknik, sağlam bir multi-object tracking (MOT) için esastır.

Gerçek Dünya Uygulamaları#

EKF'nin çok yönlülüğü, onu machine learning (ML) fiziksel donanımla kesiştiği çeşitli yüksek teknoloji endüstrilerinde temel bir teknoloji haline getirir:

• Autonomous Vehicles: Otonom araçlar güvenli bir şekilde seyahat etmek için sensor fusion güvenir. Bir EKF; Küresel Konumlandırma Sistemleri (GPS), LiDAR ve radardan gelen farklı veri akışlarını birleştirerek aracın yoldaki kesin konumunu ve yönelimini hesaplar, sinyal kesintilerini veya çevresel gürültüyü telafi eder.
• Robotics: Yapılandırılmamış ortamlarda çalışan robotlar Simultaneous Localization and Mapping (SLAM) algoritmalarını kullanır. EKF, bir robotun tekerlek kaymasını veya sensör sapmasını düzelterek doğru hareketi sağlamak için bir odanın haritasını oluşturmasına ve aynı zamanda bu harita içindeki kendi konumunu belirlemesine yardımcı olur.
• Pose Estimation: Sanal gerçeklik veya spor analitiği gibi uygulamalarda, insan eklemlerini takip etmek sarsıntılı anahtar noktaların (keypoints) yumuşatılmasını gerektirir. EKF algoritmaları, action recognition sistemleri için akıcı, doğal hareket animasyonları oluşturmak üzere derin öğrenme modellerinin çıktısını iyileştirir.

İlgili Kavramlarla Karşılaştırma#

Özel kullanım alanını anlamak için Genişletilmiş Kalman Filtresini ilgili filtreleme yöntemlerinden ayırmak faydalıdır:

• EKF ve Kalman Filter (KF): Standart KF matematiksel olarak optimaldir ve hesaplama açısından daha ucuzdur, ancak sistemler son derece doğrusal olmadığında başarısız olur. EKF, yaklaşım yoluyla doğrusal olmayan sistemlerle çalışmak için KF'yi genişletir.
• EKF ve Particle Filter: Parçacık Filtresi, olasılığı temsil etmek için birçok rastgele örnek (parçacık) kullanarak doğrusal olmayan durumu ve Gauss dışı gürültüyü çok iyi yönetir. Ancak, önemli ölçüde daha fazla computational power gerektirir, bu da EKF'yi kaynak kısıtlı embedded systems için tercih edilen bir seçenek haline getirir.
• EKF ve Unscented Kalman Filter (UKF): Unscented Kalman Filter, EKF'nin gerektirdiği karmaşık hesaplama olmadan doğrusal olmama durumunu ele almak için belirleyici örnekleme noktaları kullanarak orta bir yol sunar, ancak EKF birçok kontrol sistemi için bir endüstri standardı olmaya devam etmektedir.

Uygulama Örneği#

ultralytics paketinde, izleme algoritmaları yörüngeleri yumuşatmak ve kareler arası tespitleri ilişkilendirmek için dahili olarak Kalman filtreleme kavramlarını kullanır. Yüksek seviyeli araçları kullanırken EKF matris matematiğini manuel olarak kodlamasanız da, bunun izleyiciye güç verdiğini anlamak Ultralytics Platform için parametreleri yapılandırmada yardımcı olur.

Durum tahmini için bu filtreleme tekniklerini kullanan bir YOLO model ile bir izleyicinin nasıl başlatılacağı aşağıda açıklanmıştır:

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()}")