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 Filtresi (KF) düz hatlarda hareket eden veya basit doğrusal denklemleri takip eden sistemler için en uygun çözümü sunsa da, gerçek dünya fiziği nadiren bu kadar tahmin edilebilirdir. Rüzgar direncine karşı koyan bir drone veya birden fazla eksende dönen bir robot kolu gibi çoğu fiziksel nesne, kavisli veya karmaşık yolları takip eder. EKF, sistemin belirli bir zaman noktasında doğrusal bir yaklaşımını oluşturarak bu karmaşıklığı ele alır; böylece mühendislerin ve veri bilimcilerinin temel mekanikler karmaşık olduğunda bile tahminleyici modelleme görevlerine verimli filtreleme teknikleri uygulamasına olanak tanır.

Link to this sectionMekanizma ve Doğrusallaştırma#

Karmaşık dinamikleri yönetmek için EKF, esasen bir fonksiyonun mevcut çalışma noktasındaki eğimini tahmin eden doğrusallaştırma adlı bir matematiksel süreç kullanır. Bu süreç genellikle sistemin kısa aralıklarla nasıl değiştiğini yaklaşık olarak belirlemek için bir Jacobian matrisi hesaplamayı içerir. Algoritma, tahmin ve güncelleme olmak üzere iki ana aşamadan oluşan özyinelemeli bir döngüde çalışır. Tahmin aşamasında filtre, bir fiziksel hareket modeli kullanarak mevcut durumu ileriye doğru yansıtır. Güncelleme aşamasında ise bu projeksiyonu, jiroskoplar veya ivmeölçerler gibi sensörlerden gelen yeni ve genellikle gürültülü verileri kullanarak düzeltir. Bu sürekli tahmin ve düzeltme döngüsü, veri gürültüsünü azaltmaya yardımcı olur ve tek bir sensörün sağlayabileceğinden daha pürüzsüz, daha doğru bir gerçek durum tahmini sunar.

Link to this sectionBilgisayarlı Görüde Alaka Düzeyi#

Bilgisayarlı görü (CV) alanında, Genişletilmiş Kalman Filtresi hareketli öğelerin kimliğinin korunmasında kritik bir rol oynar. YOLO26 gibi gelişmiş modeller tek karelerdeki nesneleri tespit etmede olağanüstüdür ancak zaman içindeki hareket sürekliliğini doğal olarak anlayamazlar. Bir EKF veya benzeri bir mantığı entegre ederek, bir nesne izleme sistemi, bir sınırlayıcı kutunun önceki hızına ve yörüngesine dayanarak bir sonraki video karesinde nerede görünmesi gerektiğini tahmin edebilir. Bu, özellikle bir nesnenin geçici olarak görüş alanından çıktığı tıkanma durumlarını yönetmek için yararlıdır; filtre, nesne tekrar görünür hale gelene kadar konumunu tahmin ederek "izlemeyi" canlı tutar; bu, sağlam bir çoklu nesne takibi (MOT) için temel bir tekniktir.

Link to this sectionGerçek Dünya Uygulamaları#

EKF'nin çok yönlülüğü, makine öğrenimi (ML) ile fiziksel donanımın kesiştiği çeşitli yüksek teknoloji endüstrilerinde onu temel bir teknoloji haline getirir:

• Otonom Araçlar: Kendi kendine giden arabalar güvenli bir şekilde seyretmek için sensör füzyonuna güvenir. EKF, sinyal kesintilerini veya çevresel gürültüyü telafi ederek, aracın yoldaki kesin konumunu ve yönünü hesaplamak için Küresel Konumlama Sistemleri (GPS), LiDAR ve radar gibi farklı veri akışlarını birleştirir.
• Robotik: Yapılandırılmamış ortamlarda çalışan robotlar Eşzamanlı Konum Belirleme ve Haritalama (SLAM) algoritmalarını kullanır. EKF, bir robotun hem bir odanın haritasını çıkarmasına hem de bu harita içindeki kendi konumunu belirlemesine yardımcı olur; ayrıca tekerlek kayması veya sensör kayması gibi durumları düzelterek doğru hareket etmesini sağlar.
• Poz Tahmini: Sanal gerçeklik veya spor analitiği gibi uygulamalarda, insan eklemlerini takip etmek titrek anahtar noktaların düzeltilmesini gerektirir. EKF algoritmaları, eylem tanıma sistemleri için akıcı ve doğal hareket animasyonları oluşturmak amacıyla derin öğrenme modellerinin çıktısını iyileştirir.

Link to this sectionİlgili Kavramlarla Karşılaştırma#

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

• EKF ve Kalman Filtresi (KF): Standart KF matematiksel olarak en uygun ve hesaplama açısından daha ucuzdur ancak sistemler yüksek derecede doğrusal olmadığında başarısız olur. EKF, KF'yi doğrusal olmayan sistemlerle çalışacak şekilde genişletir ve bunu yaklaşım yoluyla yapar.
• EKF ve Parçacık Filtresi: Bir Parçacık Filtresi, olasılığı temsil etmek için çok sayıda rastgele örnek (parçacık) kullanarak doğrusal olmama durumunu ve Gaussian olmayan gürültüyü çok iyi yönetir. Ancak, önemli ölçüde daha fazla hesaplama gücü gerektirir, bu da EKF'yi kaynak açısından kısıtlı gömülü sistemler için tercih edilen bir seçenek haline getirir.
• EKF ve Kokulanmamış Kalman Filtresi (UKF): Kokulanmamış Kalman Filtresi (Unscented Kalman Filter), EKF'nin gerektirdiği karmaşık hesaplamalara gerek duymadan doğrusal olmayan durumları yönetmek için deterministik örnekleme noktaları kullanarak bir orta yol sunar; ancak EKF birçok kontrol sistemi için bir endüstri standardı olmaya devam etmektedir.

Link to this sectionUygulama Örneği#

ultralytics paketinde, izleme algoritmaları yörüngeleri düzeltmek ve kareler arasındaki tespitleri ilişkilendirmek için dahili olarak Kalman filtreleme kavramlarını kullanır. Üst düzey araçları kullanırken EKF matris matematiğini manuel olarak kodlamasanız da, bunun takipçiye güç verdiğini anlamak, Ultralytics Platform için parametreleri yapılandırmanıza yardımcı olur.

İşte durum tahmini için bu filtreleme tekniklerinden yararlanan bir YOLO modeli ile takipçinin nasıl başlatılacağı:

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()}")