A Comparative Analysis Between the Additive and the Multiplicative Extended Kalman Filter for Satellite Attitude Determination

要約

一般的なコンセンサスは、豊富な理論的証拠に基づいて、乗算拡張カルマン フィルター (MEKF) が加法拡張カルマン フィルター (AEKF) よりも優れているということです。
このペーパーでは、以前の理論的基礎が正しいかどうかを検証することを目的として、シミュレーションにおける 2 つのフィルター間の実際の比較を扱います。
AEKF と MEKF は拡張カルマン フィルターの 2 つの変形であり、システム ダイナミクスを線形化するアプローチが異なります。
AEKF は状態推定値を更新するために加算的補正項を使用しますが、MEKF は乗算的補正項を使用します。
両者は使用状態も異なります。
AEKF は状態として四元数を使用しますが、MEKF は状態としてギブス ベクトルを使用します。
結果は、MEKF が不確実性が低く、推定精度の点で AEKF よりも常に優れていることを示しています。
AEKF は計算効率が高くなりますが、その差はほとんど無視できるほど小さく、リアルタイム アプリケーションには影響しません。
全体として、結果は、MEKF が優れた推定精度とより低い不確実性により、衛星姿勢推定にはより良い選択であることを示唆しており、これは以前の研究の記述と一致しています。

要約(オリジナル)

The general consensus is that the Multiplicative Extended Kalman Filter (MEKF) is superior to the Additive Extended Kalman Filter (AEKF) based on a wealth of theoretical evidence. This paper deals with a practical comparison between the two filters in simulation with the goal of verifying if the previous theoretical foundations are true. The AEKF and MEKF are two variants of the Extended Kalman Filter that differ in their approach to linearizing the system dynamics. The AEKF uses an additive correction term to update the state estimate, while the MEKF uses a multiplicative correction term. The two also differ in the state of which they use. The AEKF uses the quaternion as its state while the MEKF uses the Gibbs vector as its state. The results show that the MEKF consistently outperforms the AEKF in terms of estimation accuracy with lower uncertainty. The AEKF is more computationally efficient, but the difference is so low that it is almost negligible and it has no effect on a real-time application. Overall, the results suggest that the MEKF is a better choise for satellite attitude estimation due to its superior estimation accuracy and lower uncertainty, which agrees with the statements from previous work

arxiv情報

著者 Hamza A. Hassan,William Tolstrup,Johanes P. Suriana,Ibrahim D. Kiziloklu
発行日 2023-07-13 18:21:53+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO パーマリンク