UKF不需要计算雅可比行列式可用于不连续变换，并且最重要的是，它在高度非线性变换中比EKF更精确。
我发现的唯一缺点是“ EKF通常比UKF快一点” （概率机器人学）。对我来说，这似乎可以忽略不计，并且它们的渐近复杂度似乎是相同的。
为什么为什么每个人似乎仍然比EKF更喜欢EKF？我是否错过了UKF的一大劣势？
#1 楼
这里是一些可能的考虑点。当然，UKF也有很多优点。最明显的优点是计算能力。别忘了传统上，这些过滤器是在计算资源非常有限的嵌入式系统上实现的。另外，虽然我本人对UKF的经验并不多，但是EKF的一大优势是它们相对易于实施。对于许多系统而言，雅可比行列式很容易通过分析得出，这使得EKF的实现几乎很简单。
另一个潜在的优势领域是易于调整。我不记得在UKF中有多少个参数可以调整，但是EKF调整参数已经很容易理解了，因为基本的卡尔曼滤波器无处不在，所以任何想使用UKF的人都知道如何调整EKF。
最后，不要忽略动力。如果现有系统已经具有有效的EKF，为什么要完成实施和测试UKF的所有工作？
评论
$ \ begingroup $
ukf非常易于实现。所需要的只是一个预测模型和一个测量模型。对于调谐，有三个调谐参数：sigma点扩展，测量噪声和预测噪声。我的赌注是efk背后的动力。
$ \ endgroup $
– Holmeski
15年1月12日在21:09
$ \ begingroup $
如果您的数据是高度非线性的并且计算资源不是问题，那么UKF是更好的过滤器。
$ \ endgroup $
–koverman47
18年7月6日在20:38