4、无迹变换的核心思想：用固定数量的Sigma点近似概率分布，而非线性化函数
好，咱们今天聊点硬核的。无迹卡尔曼滤波（UKF）之所以能在多传感器融合里站稳脚跟，说白了就是靠这个“无迹变换”。很多新手一上来就盯着公式看，结果越看越晕。我当年也是这么过来的。
其实你想想看，无迹变换的核心思想特别简单：我不去硬解那个非线性函数，而是用一堆精心挑选的点，去“模拟”概率分布经过变换后的样子。嗯，就是这么回事。
4.1 为什么非要“无迹”？
传统的扩展卡尔曼滤波（EKF）是怎么做的？它把非线性函数在均值点附近做一阶泰勒展开，说白了就是“线性化”。这招在弱非线性下还行，一旦遇到强非线性，比如大角度旋转、剧烈加速，误差就大了去了。
我在做无人机室内定位项目时遇到过这种情况：用EKF融合IMU和UWB，结果姿态估计在快速转弯时直接飘了。后来换成UKF，问题迎刃而解。为什么？因为EKF是在“猜”函数长什么样，而UKF是在“看”点怎么分布。
核心区别一句话：
- EKF：线性化函数 → 近似整个变换
- UKF：采样点 → 近似概率分布
4.2 Sigma点：那“固定数量”的点是怎么选的？
无迹变换的精髓，就是选那么几个“代表点”。这些点叫Sigma点。数量是固定的，通常是 2n+1 个，其中 n 是状态向量的维度。
举个例子，如果你的状态是二维的（比如位置x和y），那就选5个Sigma点。怎么选？
- 第一个点：就是均值点本身。
- 剩下的点：沿着每个维度的主方向，往正负两边各走一步。步长由协方差矩阵和缩放参数决定。
我习惯用下面的公式来理解：
// 假设状态维度 n = 2
// 均值 μ，协方差 P
// 缩放参数 λ = α²(n + κ) - n
// 第0个Sigma点
χ₀ = μ
// 第1到第n个Sigma点（正方向）
χᵢ = μ + sqrt((n + λ) * P) 的第i列
// 第n+1到第2n个Sigma点（负方向）
χᵢ = μ - sqrt((n + λ) * P) 的第(i-n)列你看，就这么简单。这些点完美保留了原分布的均值和协方差信息。
我的小技巧：
参数α一般取一个很小的正数（比如0.001），控制点的散布范围。κ通常取0或3-n。β用来引入高阶项信息，对高斯分布取2效果最好。这些参数我踩过不少坑，建议你从默认值开始调。
4.3 这些点怎么“近似”概率分布？
选好Sigma点之后，我们把每个点都扔进非线性函数 f(·) 里算一遍。得到一组新的点：
// 每个Sigma点经过非线性变换
yᵢ = f(χᵢ) // i = 0, 1, ..., 2n然后，对这组新点做加权平均和加权协方差计算：
// 变换后的均值
y_mean = Σ(Wᵢ_m * yᵢ)
// 变换后的协方差
P_y = Σ(Wᵢ_c * (yᵢ - y_mean)(yᵢ - y_mean)ᵀ)这里的 Wᵢ_m 和 Wᵢ_c 是权重，也是事先算好的。你不需要每次都推导，直接用标准公式就行。
为什么会这样？因为对于任何非线性函数，只要Sigma点能代表原分布，那这些点经过变换后的统计量，就能很好地近似真实变换后的分布。这是无迹变换最漂亮的地方——不需要求导，不需要雅可比矩阵。
4.4 无迹变换 vs 蒙特卡洛方法
你可能想问：那为什么不直接用蒙特卡洛方法，撒几千个点？
嗯，这里要注意。蒙特卡洛方法确实更通用，但计算量太大。在嵌入式系统里，你哪有那么多算力去撒几千个点？无迹变换只用 2n+1 个点，就能达到三阶精度（对高斯分布而言）。
| 方法 | 采样点数 | 精度 | 计算量 |
|---|---|---|---|
| EKF（线性化） | 0（解析） | 一阶 | 低 |
| 无迹变换 | 2n+1 | 三阶（高斯） | 中 |
| 蒙特卡洛 | 数千 | 可调 | 高 |
说白了，无迹变换就是在精度和计算量之间，找到了一个黄金平衡点。
4.5 避坑指南
我曾经踩过的坑：
- 协方差矩阵非正定：计算
sqrt(P)时，如果P不是正定矩阵，会报错。解决办法是加一个小量εI到对角线上。 - 参数α选太大：会导致Sigma点离均值太远，非线性效应被放大。我一般从0.001开始试。
- 忘记归一化权重：权重之和必须为1，否则均值会偏。这个细节容易忽略。
4.6 小结
无迹变换的核心，就是“用点代替函数”。它不跟你玩泰勒展开那一套，而是直接采样、变换、加权。这个方法在多传感器融合里特别实用，尤其是当你面对IMU、GPS、视觉里程计这些非线性很强的传感器时。
下一章，我会带你看看无迹变换在UKF里具体怎么用，以及它如何帮我们搞定状态预测和更新。到时候你会发现，理解了无迹变换，UKF就学会了一半。