Warum sollte ich immer noch EKF anstelle von UKF verwenden?

Der Unscented Kalman Filter ist eine Variante des Extended Kalman Filters, der eine andere Linearisierung verwendet, die auf der Transformation eines Satzes von "Sigma Points" anstelle der Taylor-Reihenerweiterung erster Ordnung beruht.

Die UKF erfordert keine Berechnung von Jacobi, kann mit diskontinuierlicher Transformation verwendet werden und ist vor allem für hoch nichtlineare Transformationen genauer als die EKF.

Der einzige Nachteil, den ich gefunden habe, ist, dass "die EKF oft etwas schneller ist als die UKF" (Probablistic Robotics). Dies scheint mir vernachlässigbar und ihre asymptotische Komplexität scheint dieselbe zu sein.

Warum scheinen alle immer noch EKF gegenüber UKF zu bevorzugen? Habe ich einen großen Nachteil von UKF verpasst?

Hier sind einige mögliche Gesichtspunkte. Sicherlich hat die UKF viele Kontrapunkte, an denen sie auch einen Vorteil hat.

Der offensichtlichste Vorteil ist die Rechenleistung. Vergessen Sie nicht, dass diese Filter traditionell auf eingebetteten Systemen mit sehr begrenzten Rechenressourcen implementiert sind. Auch wenn ich selbst nicht viel Erfahrung mit UKFs habe, ist ein wesentlicher Vorteil von EKFs ihre relativ einfache Implementierung. Für viele Systeme lässt sich der Jacobian sehr leicht analytisch ableiten, was die EKF-Implementierung größtenteils unkompliziert macht.

Ein weiterer Bereich mit potenziellem Vorteil ist die einfache Abstimmung. Ich erinnere mich nicht, wie viele Parameter in einem UKF eingestellt werden können, aber die EKF-Abstimmungsparameter sind bereits gut verstanden, da der grundlegende Kalman-Filter allgegenwärtig ist, sodass jeder, der über die Verwendung eines UKF nachdenkt, bereits weiß, wie ein EKF eingestellt werden kann.

Schließlich ignorieren Sie nicht die Dynamik. Wenn ein vorhandenes System bereits über einen funktionierenden EKF verfügt, warum sollten Sie dann alle Arbeiten zum Implementieren und Testen eines UKF durchführen?