Pourquoi devrais-je toujours utiliser EKF au lieu de UKF?

Le filtre de Kalman non parfumé est une variante du filtre de Kalman étendu qui utilise une linéarisation différente reposant sur la transformation d'un ensemble de «points Sigma» au lieu de l'expansion de la série Taylor de premier ordre.

L'UKF ne nécessite pas de calcul jacobien, peut être utilisé avec une transformation discontinue et, plus important encore, est plus précis que l'EKF pour les transformations hautement non linéaires.

Le seul inconvénient que j'ai trouvé est que "l'EKF est souvent légèrement plus rapide que l'UKF" (Probablistic Robotics). Cela me semble négligeable et leur complexité asymptotique semble être la même.

Alors pourquoi tout le monde semble-t-il toujours préférer l'EKF à l'UKF? Ai-je raté un gros inconvénient de UKF?

Voici quelques points de réflexion possibles. Certes, l'UKF a de nombreux contrepoints où elle a aussi un avantage.

L'avantage le plus évident est la puissance de calcul. N'oubliez pas que traditionnellement, ces filtres sont implémentés sur des systèmes embarqués avec des ressources de calcul très limitées. De plus, même si je n'ai pas beaucoup d'expérience avec les UKF moi-même, un avantage significatif des EKF est leur relative facilité de mise en œuvre. Pour de nombreux systèmes, le jacobien est très facilement dérivé analytiquement, ce qui rend l'implémentation EKF principalement simple.

Un autre avantage potentiel est la facilité de réglage. Je ne me souviens pas du nombre de paramètres réglables dans un UKF, mais les paramètres de réglage EKF sont déjà bien compris parce que le filtre de Kalman de base est omniprésent, donc toute personne envisageant d'utiliser un UKF sait déjà comment régler un EKF.

Enfin, n'ignorez pas l'élan. Si un système existant a déjà un EKF fonctionnel, pourquoi passer par tout le travail de mise en œuvre et de test d'un UKF?