第4章：无迹卡尔曼滤波（UKF）——当非线性遇上确定性采样
各位同学，欢迎来到第4章。上一章我们聊了EKF，那个把非线性函数硬掰成线性的“近似派”。说实话，EKF在工程里用得很多，但每次做雅可比矩阵求导时，我心里总有点发虚——万一线性化误差太大怎么办？
今天要讲的UKF，就是来解决这个问题的。它不搞线性化那一套，而是用一种更聪明的方式：用一堆点去逼近概率分布。我个人觉得，这是卡尔曼滤波家族里最优雅的变种之一。
4.1 UT变换：无迹变换的核心思想
先问大家一个问题：一个高斯分布经过非线性变换后，还是高斯分布吗？
答案是否定的。但在工程中，我们往往还是用高斯分布去近似它。EKF的做法是：把非线性函数在均值点处泰勒展开，只保留一阶项。说白了，就是“用切线代替曲线”。
UT变换的思路完全不同。它说：我不去近似函数，我去近似分布。
具体怎么做？
- 在原分布中选取一组确定的点（称为Sigma点）
- 把这些点通过非线性函数传递过去
- 用传递后的点重新计算均值和协方差
你想想看，这比EKF高明在哪？EKF只用一个点（均值点）去代表整个分布，而UT变换用了多个点。这些点携带了分布的均值和协方差信息，经过非线性变换后，能更准确地捕捉到分布的变化。
核心要点：UT变换是一种确定性采样方法，它用2n+1个Sigma点（n为状态维数）来近似一个高斯分布。这些点不是随机抽取的，而是按照特定规则计算出来的。
我在项目中遇到过这样一个案例：电池的OCV-SOC曲线在两端非常陡峭，用EKF做SOC估计时，线性化误差导致收敛速度很慢。换成UKF后，同样的工况，收敛时间缩短了40%。这就是UT变换的威力。
4.2 Sigma点选取策略
Sigma点怎么选？这里有个标准流程，我建议你记下来。
假设状态向量x的维度是n，均值为x̄，协方差为P。那么Sigma点是这样计算的：
// 第0个点：均值点本身
χ₀ = x̄
// 第1到n个点：沿主成分方向正向偏移
χᵢ = x̄ + (√((n+λ)P))ᵢ, i = 1,...,n
// 第n+1到2n个点：沿主成分方向负向偏移
χᵢ = x̄ - (√((n+λ)P))ᵢ₋ₙ, i = n+1,...,2n
这里λ是一个缩放参数，它控制了Sigma点的散布范围。λ = α²(n+κ) - n，其中：
- α：控制点的散布程度，通常取0.001到1之间
- κ：次级缩放参数，对于高斯分布，通常取0或3-n
- β：用于合并先验分布的高阶信息，对高斯分布最优值为2
每个Sigma点还有对应的权重：
// 均值权重
W₀ᵐ = λ / (n + λ)
Wᵢᵐ = 1 / [2(n + λ)], i = 1,...,2n
// 协方差权重
W₀ᶜ = λ / (n + λ) + (1 - α² + β)
Wᵢᶜ = 1 / [2(n + λ)], i = 1,...,2n
经验之谈：我刚开始用UKF时，总纠结α取多少。后来发现，对于电池模型这种非线性程度适中的系统，α取0.5到1之间效果都不错。如果系统非线性很强，可以试试α=0.01，让Sigma点更靠近均值，减少采样误差。
嗯，这里要注意：Sigma点的数量是2n+1个。如果你的状态维数n很大（比如超过20），Sigma点数量会爆炸。这时候你可能需要考虑其他方法，比如容积卡尔曼滤波（CKF）。
4.3 UKF算法流程
有了Sigma点，UKF的流程就清晰了。我把它总结成5步：
- 生成Sigma点：根据当前状态估计值和协方差，生成2n+1个Sigma点
- 时间更新（预测）：把每个Sigma点通过状态方程传递，得到预测的Sigma点，然后加权计算预测均值和协方差
- 生成新的Sigma点：根据预测均值和协方差，重新生成一组Sigma点（这一步可以省略，但做了能提高精度）
- 观测更新：把新的Sigma点通过观测方程传递，得到观测的Sigma点，计算观测均值和协方差
- 状态更新：计算卡尔曼增益，更新状态估计和协方差
你看，整个过程没有求导，没有雅可比矩阵，全是矩阵乘法和加权求和。这就是UKF最大的优势——实现简单，且对非线性系统有更好的近似精度。
4.4 UKF与EKF对比分析
咱们来做个对比，看看UKF到底比EKF强在哪。
| 对比维度 | EKF | UKF |
|---|---|---|
| 核心思想 | 线性化非线性函数 | 用Sigma点近似分布 |
| 实现难度 | 需要计算雅可比矩阵 | 无需求导，只需函数调用 |
| 计算复杂度 | O(n³)，n为状态维数 | O(n³)，但常数项更大 |
| 近似精度 | 一阶泰勒展开，弱非线性时可用 | 二阶以上精度（对高斯分布可达三阶） |
| 适用场景 | 弱非线性系统 | 强非线性系统 |
| 数值稳定性 | 雅可比矩阵可能奇异 | 更稳定，无求导误差 |
从表格能看出来，UKF在精度和稳定性上全面占优。那为什么还有人用EKF？
原因很简单：计算量。虽然两者理论复杂度都是O(n³)，但UKF需要调用2n+1次非线性函数，而EKF只需要1次。对于高维系统（比如n>10），这个差距就很明显了。
避坑指南：我曾经在一个项目中，把状态维数从6维扩展到12维，结果UKF的计算时间翻了4倍多。后来发现，对于某些弱非线性状态，可以用EKF处理，只有强非线性的部分才用UKF。这种混合策略在实际工程中很实用。
另外，还有一个容易被忽视的点：EKF的雅可比矩阵推导容易出错。我记得有一次调试代码，SOC估计结果总是发散，查了两天才发现是雅可比矩阵的一个符号写反了。换成UKF后，同样的模型，一次就跑通了。
4.5 实际应用中的选择建议
说了这么多，到底什么时候用UKF，什么时候用EKF？我个人的经验是这样的：
- 状态维数≤5，非线性强：果断用UKF。比如电池SOC+内阻+容量联合估计，3-4个状态，UKF是首选。
- 状态维数5-10，非线性适中：可以先用EKF试试，如果收敛效果不好再换UKF。
- 状态维数>10：优先考虑EKF或CKF。UKF的Sigma点数量会变成2n+1，计算量增长很快。
- 实时性要求极高：EKF更合适。比如在MCU上跑，计算资源有限，EKF的轻量级优势就体现出来了。
最后说一句：UKF不是万能的。它假设状态和噪声都是高斯分布，如果实际分布严重非高斯，UKF也会失效。这时候你可能需要粒子滤波（PF）了——那是另一个故事。
下一章，我们会深入UKF在电池SOC估计中的具体实现，包括如何设计状态方程、如何处理非线性观测模型。到时候我会分享一些实际代码，咱们一起手撸一个UKF-SOC估计器。