Perché dovrei ancora usare EKF invece di UKF?

Unscented Kalman Filter è una variante dell'Extended Kalman Filter che utilizza una diversa linearizzazione basandosi sulla trasformazione di un set di "Sigma Points" anziché sull'espansione della serie Taylor del primo ordine.

L'UKF non richiede il calcolo dei giacobiani, può essere utilizzato con trasformazione discontinua ed è, soprattutto, più accurato dell'EKF per trasformazioni altamente non lineari.

L'unico svantaggio che ho riscontrato è che "l'EKF è spesso leggermente più veloce di UKF" (Probablistic Robotics). Questo mi sembra trascurabile e la loro complessità asintotica sembra essere la stessa.

Quindi perché tutti sembrano ancora preferire EKF a UKF? Ho perso un grosso svantaggio di UKF?

Ecco alcuni possibili punti di considerazione. Certamente la UKF ha molti contrappunti in cui ha anche un vantaggio.

Il vantaggio più evidente è la potenza di calcolo. Non dimenticare che tradizionalmente, questi filtri sono implementati su sistemi embedded con risorse computazionali molto limitate. Inoltre, anche se non ho molta esperienza con gli UKF, un vantaggio significativo degli EKF è la loro relativa facilità di implementazione. Per molti sistemi, il Jacobian è molto facilmente derivato analiticamente, il che rende l'implementazione dell'EKF per lo più semplice.

Un'altra area di potenziale vantaggio è la facilità di messa a punto. Non ricordo quanti parametri sono sintonizzabili in un UKF, ma i parametri di tuning EKF sono già ben compresi perché il filtro Kalman di base è onnipresente, quindi chiunque stia pensando di usare un UKF sa già come mettere a punto un EKF.

Infine, non ignorare lo slancio. Se un sistema esistente ha già un EKF funzionante, perché svolgere tutto il lavoro di implementazione e test di una UKF?