مسرد المصطلحات

مرشح كالمان الموسع (EKF)

تعرّف على كيفية تمكين مرشح كالمان الموسع من إجراء تقدير دقيق للحالة للأنظمة غير الخطية في الروبوتات والمركبات ذاتية القيادة ودمج أجهزة الاستشعار.

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

مرشح كالمان الموسع (EKF) هو خوارزمية قوية تُستخدم لتقدير حالة النظام عندما تكون ديناميكيات النظام أو نموذج المراقبة غير خطية. استنادًا إلى مبادئ مرشح كالمان القياسي، يوسع EKF قدراته للتعامل مع هذه الأمور غير الخطية، مما يجعله لا يقدر بثمن في مجموعة واسعة من التطبيقات، خاصة في الذكاء الاصطناعي والتعلم الآلي حيث تكون أنظمة العالم الحقيقي معقدة وغير خطية في كثير من الأحيان.

فهم مرشح كالمان الموسَّع (EKF)

يُعد مرشح كالمان الموسع في جوهره خوارزمية تكرارية مصممة لتقدير حالة النظام التي تتطور بمرور الوقت. ويُعد تقدير الحالة جانبًا حاسمًا في العديد من تطبيقات الذكاء الاصطناعي والتعلم الآلي، حيث تكون معرفة الحالة أو الحالة الحالية للنظام أمرًا ضروريًا للتنبؤ أو التحكم أو اتخاذ القرار. ويُعد EKF مفيدًا بشكل خاص عند التعامل مع الأنظمة الموصوفة بمعادلات غير خطية، وهو سيناريو شائع في الروبوتات والملاحة ومعالجة الإشارات.

على عكس مرشح كالمان الخطي، الذي يفترض نماذج خطية للنظام، فإن EKF يقترب من الدوال غير الخطية باستخدام توسعات سلسلة تايلور لتخطيطة حول التقدير الحالي. تسمح هذه العملية الخطية بتطبيق مبادئ مرشح كالمان على الأنظمة غير الخطية. يعمل EKF في خطوتين رئيسيتين: التنبؤ والتحديث. في خطوة التنبؤ، يقوم بإسقاط تقديرات الحالة والتباين المشترك للأمام في الوقت المناسب بناءً على نموذج النظام. في خطوة التحديث، يدمج القياسات الجديدة لتحسين هذه التنبؤات، مما يقلل من عدم اليقين ويحسن الدقة. للحصول على فهم أعمق للنهج الخطي التأسيسي يمكنك استكشاف مصادر حول مرشح كالمان.

الاختلافات الرئيسية عن مرشح كالمان

يكمن الفرق الأساسي بين مرشح كالمان الموسع ومرشح كالمان القياسي في تعاملهما مع نماذج النظام. تم تصميم مرشح كالمان التقليدي للأنظمة الخطية، حيث تكون انتقالات حالة النظام وقياساته دوال خطية للحالة والضوضاء. ومع ذلك، تُظهر العديد من أنظمة العالم الحقيقي سلوكًا غير خطي. يعالج EKF هذا القيد من خلال إضفاء الطابع الخطي على النظام غير الخطي ومعادلات القياس حول تقدير الحالة الحالية. وعادةً ما يتم تحقيق هذا التحويل الخطي باستخدام تقريب سلسلة تايلور من الدرجة الأولى، مما يبسّط الدوال غير الخطية إلى أشكال خطية يمكن تطبيق معادلات مرشح كالمان عليها.

يُقدِّم هذا التقريب عنصر خطأ، حيث أن التخطي يكون دقيقًا فقط في المنطقة المجاورة لنقطة التخطي. ولذلك، على الرغم من أن EKF يوفر أداة قوية لتقدير الحالة غير الخطية، إلا أنه طريقة تقريبية، وقد لا يكون دقيقًا أو مستقرًا مثل مرشح كالمان في جميع السيناريوهات غير الخطية، خاصةً عندما تكون حالات عدم الخطية شديدة أو عندما يكون النظام غير مستقر للغاية. بالنسبة للأنظمة التي يمكن تمثيلها خطيًا بدقة، يظل مرشح كالمان القياسي خيارًا أكثر دقة وفعالية من الناحية الحسابية.

تطبيقات مرشح كالمان الموسع (EKF)

يُستخدم مرشح كالمان الموسع على نطاق واسع في مجالات مختلفة في الذكاء الاصطناعي والتعلم الآلي، خاصةً في التطبيقات التي تتطلب تقدير الحالة في الوقت الحقيقي للأنظمة غير الخطية. فيما يلي بعض الأمثلة الملموسة:

  • الروبوتات والملاحة المستقلة: في علم الروبوتات، وخاصةً في مجال تحديد المواقع ورسم الخرائط المتزامنة (SLAM)، يُستخدم عامل تحديد الموقع ورسم الخرائط على نطاق واسع. تحتاج الروبوتات إلى تقدير وضعيتها (موضعها واتجاهها) وبناء خريطة لبيئتها بشكل متزامن. وغالباً ما يكون كل من نموذج حركة الروبوت ونماذج المستشعرات (مثل تلك المستمدة من كاميرات الرؤية الحاسوبية أو مستشعرات ليدار) غير خطية. يسمح EKF بدمج البيانات من أجهزة استشعار متعددة لتوفير تقدير قوي ودقيق لحالة الروبوت والخريطة. على سبيل المثال، يوضح رسم خرائط الأجسام وتتبعها المدعوم من Ultralytics YOLO11 في VisionEye التطبيق العملي لتقنيات الرؤية الحاسوبية الحديثة المماثلة. يمكنك استكشاف الموارد المتعلقة بالروبوتات لفهم المزيد عن هذا المجال.

  • تتبع الكائنات: يُعد تتبع الكائنات في تسلسلات الفيديو مجالاً آخر من مجالات التطبيق المهمة. في حين أن اكتشاف الكائنات يحدد الكائنات في إطارات فردية، يهدف تتبع الكائنات إلى الحفاظ على هوية الكائنات عبر إطارات متعددة، والتنبؤ بمسارها. عندما تتحرك الأجسام في أنماط معقدة أو عندما تكون حركة الكاميرا غير خطية، غالبًا ما تعتمد خوارزميات التتبع على عامل التوقع الإلكتروني للتنبؤ بمواضع الأجسام وتنقيحها إطارًا تلو الآخر. على سبيل المثال، في أنظمة الإنذار الأمني، غالبًا ما يتطلب تتبع الأشخاص أو المركبات من خلال تغذية الكاميرا وجود عامل المعالجة بالمقياس الإلكتروني للتعامل مع عدم الخطية الناشئة عن تغيرات المنظور وحركات الأجسام. Ultralytics YOLO يمكن استخدام النماذج جنبًا إلى جنب مع خوارزميات التتبع مثل EKF لتعزيز دقة ومتانة هذه الأنظمة.

  • التنبؤ المالي: على الرغم من أنه أقل توجهاً بصرياً، إلا أن إطار التوقع الإلكتروني يجد أيضاً تطبيقات في تحليل السلاسل الزمنية المالية. فالنماذج المالية، لا سيما تلك التي تنطوي على التقلبات والعمليات العشوائية، غير خطية بطبيعتها. يمكن استخدام إطار EKF لتقدير الحالات الكامنة في هذه النماذج، مثل مستويات التقلب، والتي لا يمكن ملاحظتها مباشرةً ولكنها ضرورية للتنبؤ وإدارة المخاطر. ويرتبط ذلك بالمفهوم الأوسع للنمذجة التنبؤية في التعلم الآلي والذكاء الاصطناعي.

  • مراقبة الرعاية الصحية: في التطبيقات الطبية مثل مراقبة المرضى، يمكن استخدام عامل الترجيح الكهرومغناطيسي الإلكتروني لتقدير الحالات الفسيولوجية من بيانات المستشعرات المشوشة. على سبيل المثال، يمكن تتبع معدل ضربات القلب أو ضغط الدم لدى المريض، الذي قد يتذبذب بشكل غير خطي بسبب عوامل مختلفة، باستخدام عامل التصفية الإلكتروني للمعلومات لتصفية الضوضاء وتوفير تقدير أكثر موثوقية لحالة المريض. يرتبط هذا الأمر بشكل خاص بمجال تحليل الصور الطبية حيث يمكن أن يؤدي التقدير الدقيق للحالة إلى تحسين التشخيص وتخطيط العلاج.

يظل مرشح كالمان الموسّع، على الرغم من عمليات التقريب التي يقدمها، حجر الزاوية في التعامل مع مشاكل تقدير الحالة غير الخطية. وقدرته على توفير تحديثات الحالة التكرارية في الوقت الحقيقي يجعله لا غنى عنه في الأنظمة الديناميكية عبر تطبيقات الذكاء الاصطناعي وتعلم الآلة المتنوعة. مع تقدم تكنولوجيا الذكاء الاصطناعي، سيظل فهم واستخدام خوارزميات مثل EKF أمرًا بالغ الأهمية لتطوير أنظمة متطورة وموثوقة.

قراءة الكل