Dlaczego nadal powinienem używać EKF zamiast UKF?

Bezzapachowy filtr Kalmana jest wariantem rozszerzonego filtra Kalmana, który wykorzystuje inną linearyzację polegającą na transformacji zestawu „Punktów Sigmy” zamiast rozszerzania serii Taylora pierwszego rzędu.

UKF nie wymaga obliczeń jakobianów, może być stosowany z nieciągłą transformacją i, co najważniejsze, jest dokładniejszy niż EKF dla wysoce nieliniowych transformacji.

Jedyną wadą, którą znalazłem, jest to, że „EKF jest często nieco szybszy niż UKF” (robotyka probablistyczna). Wydaje mi się to nieistotne, a ich asymptotyczna złożoność wydaje się taka sama.

Dlaczego więc wydaje się, że wszyscy nadal wolą EKF niż UKF? Czy przegapiłem dużą wadę UKF?

Oto kilka możliwych punktów do rozważenia. Z pewnością UKF ma wiele kontrapunktów, w których również ma przewagę.

Najbardziej oczywistą zaletą jest moc obliczeniowa. Nie zapominaj, że tradycyjnie filtry te są implementowane w systemach osadzonych z bardzo ograniczonymi zasobami obliczeniowymi. Ponadto, chociaż sam nie mam dużego doświadczenia z UKF, jedną z istotnych zalet EKF jest ich względna łatwość implementacji. W przypadku wielu systemów jakobian można bardzo łatwo uzyskać analitycznie, co sprawia, że ​​implementacja EKF jest w większości prosta.

Kolejnym obszarem potencjalnej przewagi jest łatwość strojenia. Nie pamiętam, ile parametrów można dostroić w UKF, ale parametry strojenia EKF są już dobrze zrozumiane, ponieważ podstawowy filtr Kalmana jest wszechobecny, więc każdy, kto myśli o użyciu UKF, już wie, jak dostroić EKF.

Wreszcie, nie ignoruj ​​rozpędu. Jeśli istniejący system ma już działający EKF, po co przeprowadzać wszystkie prace związane z wdrażaniem i testowaniem UKF?