无迹变换(UT)原理：Sigma点选取策略、权重计算、非线性传播

好，咱们今天聊聊无迹变换的核心——UT变换。说实话，我第一次接触这个概念时，觉得它挺玄乎的。什么叫「无迹」？难道还能变没了不成？后来做项目做多了才明白，这名字起得挺贴切——它确实不需要像EKF那样去求雅可比矩阵，而是通过一种巧妙的采样方式，让非线性变换后的统计特性「有迹可循」。

为什么需要UT变换？

先说说背景。电池模型里，电压、SOC、温度之间的关系，基本都是非线性的。比如开路电压与SOC的关系曲线，你想想看，它是一条S形曲线，不是简单的直线。传统的扩展卡尔曼滤波（EKF）怎么处理？它把非线性函数在某个点做泰勒展开，只保留一阶项。说白了，就是用切线去近似曲线。

这样做有什么问题？我踩过坑。有一次做磷酸铁锂电池的SOC估计，EKF在平台区（电压变化平缓的区域）直接发散掉了。为什么？因为泰勒展开忽略了高阶项，而平台区的导数几乎为零，一阶近似完全失效。嗯，这里要注意——非线性越强，EKF的近似误差越大。

UT变换的思路完全不同。它不去近似非线性函数，而是去近似概率分布。什么意思？我打个比方：你想知道一堆人穿过一个扭曲的迷宫后，他们的平均位置和分散程度。EKF的做法是：先假设迷宫是直的，算个大概位置，再修正。UT的做法是：选几个有代表性的人先进去探路，看他们出来后的位置，然后反推整体的分布。

Sigma点选取策略

Sigma点的选取，说白了就是「选哪些人去探路」。我个人的习惯是，先确定状态向量的维度n。假设我们的电池状态是[SOC, 电压, 温度]三维，那n=3。Sigma点的数量通常是2n+1个，也就是7个点。

选取公式长这样（别怕，我解释给你听）：

# 假设状态维度 n，均值 x_mean，协方差 P
# 计算矩阵平方根
sqrt_P = np.linalg.cholesky(P)

# 参数 lambda = alpha^2 * (n + kappa) - n
# 通常 alpha 取 0.01~1，kappa 取 0 或 3-n
lambda_ = alpha**2 * (n + kappa) - n

# 第0个Sigma点：均值本身
sigma_0 = x_mean

# 第1到n个Sigma点：均值 + 缩放后的平方根列
for i in range(n):
    sigma_i = x_mean + np.sqrt(n + lambda_) * sqrt_P[:, i]

# 第n+1到2n个Sigma点：均值 - 缩放后的平方根列
for i in range(n, 2*n):
    sigma_i = x_mean - np.sqrt(n + lambda_) * sqrt_P[:, i - n]

这里有个关键参数——alpha、beta、kappa。我刚开始调参时，总觉得这些希腊字母像天书。后来做项目多了，总结出经验：

• alpha：控制Sigma点的散布范围。取值越小，点越靠近均值。我一般取0.01~0.1之间。对于电池SOC估计，alpha取0.01效果不错，因为SOC变化相对缓慢。
• beta：用于融入先验分布的高阶信息。对于高斯分布，beta=2是最优的。我记得有一次用beta=0，结果协方差估计偏大，导致滤波收敛变慢。
• kappa：次级缩放参数。通常取0或3-n。如果n=3，kappa=0；如果n=2，kappa=1。

权重计算

选好Sigma点后，每个点需要分配权重。权重分两种：一种用于计算均值，一种用于计算协方差。为什么分开？因为均值对对称性不敏感，而协方差对偏离很敏感。

计算公式如下：

# 均值权重
W_m_0 = lambda_ / (n + lambda_)
W_m_i = 1 / (2 * (n + lambda_))   # i = 1, 2, ..., 2n

# 协方差权重
W_c_0 = lambda_ / (n + lambda_) + (1 - alpha**2 + beta)
W_c_i = 1 / (2 * (n + lambda_))   # i = 1, 2, ..., 2n

注意看，第0个Sigma点的均值权重和协方差权重不一样。协方差权重多了一项(1 - alpha^2 + beta)。这一项的作用是补偿高阶误差。说白了，就是告诉算法：「第0个点（均值点）对协方差的贡献要调整一下，因为它是中心点，信息量更大」。

我曾经犯过一个低级错误——把均值权重和协方差权重搞混了。结果滤波器的协方差矩阵越更新越小，最后直接锁死。排查了两天才发现，原来是权重赋值反了。嗯，这里要提醒大家：权重赋值一定要仔细核对。

非线性传播

这一步最直观。把每个Sigma点代入非线性函数f(·)，得到变换后的点。对于电池模型，f(·)就是状态转移方程或观测方程。

# 假设非线性函数 f，比如电池的电压预测模型
def f(x):
    # x = [SOC, 电压, 温度]
    soc, volt, temp = x
    # 简化的电池模型
    ocv = 3.7 + 0.5 * soc - 0.1 * soc**2  # 非线性
    return np.array([soc - 0.01, ocv, temp])

# 传播Sigma点
sigma_transformed = np.array([f(s) for s in sigma_points])

传播完成后，加权求和得到输出均值和协方差：

# 计算输出均值
y_mean = np.sum(W_m[:, np.newaxis] * sigma_transformed, axis=0)

# 计算输出协方差
y_cov = np.zeros((output_dim, output_dim))
for i in range(2*n+1):
    diff = sigma_transformed[i] - y_mean
    y_cov += W_c[i] * np.outer(diff, diff)

这里有个细节——协方差计算用的是外积。为什么？因为我们要保留各个维度之间的相关性。电池的SOC和电压是强相关的，如果只用方差（内积），就丢失了这种关系。

知识体系总览

下面这张图总结了UT变换的完整流程，从输入分布到输出统计量：

实际应用中的注意事项

最后，分享几个我在项目中积累的经验：

1. 数值稳定性：计算矩阵平方根时，如果协方差矩阵非正定，Cholesky分解会报错。我建议加一个小量epsilon（比如1e-6）到对角线上，保证数值稳定。
2. 参数敏感性：alpha值对结果影响很大。alpha太大，Sigma点离均值太远，非线性误差增大；alpha太小，点太集中，无法捕获分布特征。我一般先用alpha=0.01试跑，看残差是否合理。
3. 计算效率：虽然UT比EKF计算量大（因为要传播2n+1个点），但对于电池BMS这种低维系统（n≤5），完全可以在嵌入式MCU上实时运行。我在STM32F4上跑过，单步计算时间约0.3ms。
4. 非高斯分布：UT假设输入分布是高斯分布。如果电池的噪声明显非高斯（比如有异常脉冲），建议先用预处理滤波去除异常值。

---