เหตุใดฉันจึงควรใช้ EKF แทน UKF

ตัวกรองคาลมานที่ไม่ได้รวมกันนั้นเป็นตัวแปรหนึ่งของตัวกรองคาลมานขยายซึ่งใช้การสร้างเส้นตรงที่แตกต่างกันโดยอาศัยการแปลงชุดของ "ซิกม่าพอยต์" แทนการขยายอนุกรมเทย์เลอร์ลำดับแรก

UKF ไม่ต้องการใช้คอมพิวเตอร์ Jacobians สามารถใช้กับการแปลงแบบไม่ต่อเนื่องและที่สำคัญที่สุดคือแม่นยำกว่า EKF สำหรับการแปลงแบบไม่เชิงเส้น

ข้อเสียเดียวที่ฉันพบคือ "EKF มักจะเร็วกว่า UKF เล็กน้อย" (Probablistic Robotics) เรื่องนี้ดูเหมือนจะไม่สำคัญสำหรับฉันและความซับซ้อนเชิงซีมของพวกเขาดูเหมือนจะเหมือนกัน

เหตุใดทุกคนจึงยังคงชอบ EKF มากกว่า UKF ฉันคิดถึงข้อเสียที่สำคัญของ UKF หรือไม่?

นี่เป็นจุดพิจารณาที่เป็นไปได้สองสามข้อ แน่นอนว่า UKF มีข้อแตกต่างมากมายซึ่งเป็นข้อได้เปรียบเช่นกัน

ข้อได้เปรียบที่ชัดเจนที่สุดคือพลังการคำนวณ อย่าลืมว่าตามปกติแล้วตัวกรองเหล่านี้จะถูกนำไปใช้กับระบบฝังตัวที่มีทรัพยากรการคำนวณ จำกัด มาก ในขณะที่ฉันไม่ได้มีประสบการณ์กับ UKF มากนัก แต่ข้อได้เปรียบที่สำคัญอย่างหนึ่งของ EKF ก็คือความง่ายในการใช้งาน สำหรับหลาย ๆ ระบบ Jacobian นั้นได้รับการวิเคราะห์อย่างง่ายดายซึ่งทำให้การนำ EKF ไปใช้งานนั้นตรงไปตรงมาเป็นส่วนใหญ่

ข้อดีอีกข้อที่อาจเกิดขึ้นคือการปรับแต่งได้อย่างง่ายดาย ฉันจำไม่ได้ว่ามีกี่พารามิเตอร์ที่สามารถปรับได้ใน UKF แต่พารามิเตอร์การปรับ EKF นั้นเป็นที่เข้าใจกันดีแล้วเนื่องจากตัวกรอง Kalman พื้นฐานนั้นแพร่หลายดังนั้นผู้ที่คิดเกี่ยวกับการใช้ UKF รู้วิธีปรับ EKF แล้ว

สุดท้ายอย่าเพิกเฉยต่อแรงผลักดัน หากระบบที่มีอยู่แล้วมี EKF ที่ใช้งานได้ทำไมต้องผ่านการดำเนินการและทดสอบ UKF ทั้งหมด