擴展型卡爾曼濾波器(EKF)利用雅可比矩陣線轉換成線性函數，無跡卡爾曼濾波器(UKF)則以無跡轉換選擇西格瑪點。使用非線性轉換的UKF精確度高於EKF，適用極度非線性模型。
工作流程
(承上文)產生最佳的西格瑪點是執行UT之前，必須先完成的前置工作。跟EKF一樣，UKF也是從預估階段(Prediction Step)或時間更新(Time Update)開始的。在標準的UKF工作流程中，西格瑪點除了會通過非線性狀態預估函數𝑓，也會經過觀測模型(Observation Model)H。
此外，UKF也可能會使用控制向量(Control Vector)u。式子(10)至(12)是進行預估轉換(Prediction Transformation)，使用經過非線性函數𝒳轉換後的新西格瑪點𝒳代入式子(11)和(12)中，求出x的預估均值和預估共變異數，後者還包含系統雜訊的共變異數(Covariance of the Process Noise)矩陣Q。式子(13)至(16)是進行觀測轉換(Observation Transformation)，同樣是將經過非線性函數f轉換後的新西格瑪點𝒳代入觀測函數h，求出轉移矩陣ψ，然後計算y的預估均值和預估共變異數，後者還包含觀測雜訊的共變異數矩陣R。式子(16)是計算x和y之間的交互共變異數矩陣(Cross-Covariance Matrix)。
UKF在更新階段(Update Step)或測量更新(Measurement Update)時，先求出卡爾曼增益(Kalman Gain)K，如式子(17)，然後使用K去更新預估狀態向量x_hat，如式子(18)。其中測量向量(Measurement Vector)yk是使用其它更精確的方法測得的。在下一個曆元k+1的預估階段，要產生新的西格瑪點時，就會用到這個x_hat。最後，使用K去更新預估狀態向量的共變異數矩陣Pk，如式子(19)。在下一個曆元k+1的預估階段，要產生新的西格瑪點時，也會用到這個Pk。反覆上述的流程，亦即反覆更新西格瑪點，目標就是將狀態向量的估測值極近似於系統的真實狀態。
通常，以處理雜訊的方法之不同，UKF可被區分為兩類：添加雜訊(Additive Noise)和不添加雜訊(Non-Additive Noise)。如圖3所示，將處理雜訊(Process Noise)或稱之為系統雜訊w代入狀態轉換函數𝑓內，成為𝑓的一個引數(Argument)，這就是不添加雜訊的UKF。反之，則是添加雜訊的UKF。但不添加雜訊的UKF不是不處理系統雜訊w，而是在狀態轉換時，w就被𝑓處理了，而且在後續的方程式中，也看不到系統雜訊的共變異數矩陣Q。在添加雜訊的UKF中，系統雜訊w不被𝑓處理，但在求解預估狀態向量的共變異數矩陣Pk/k-1時，會加上Q這一項。
圖3 添加雜訊和不添加雜訊的UKF
操作範例
系統雜訊的共變異數矩陣Q的初始值設定與前篇的EKF程式一樣，但是依照式子(12)算出Pk|k-1的預估值。在完成一個曆元e運算迴圈之前，將求得的低軌衛星和地心之間的距離和實測的精確距離相減後，再取平方，亦即(S_collect(e)-r_precise(e)*10^3)^2，這就是新的Q矩陣對角線上的距離雜訊之變異數；另將曆元e時求得的低軌衛星和地心之間的距離與在曆元e-1時求得的低軌衛星和地心之間的距離相減，然後除以時間間隔dt，再取平方，亦即((S_collect(end)-S_collect(end-1))^2)/dt^2，此值就是新的Q矩陣對角線上的速度雜訊之變異數。
利用Matlab軟體的chol函式求出共變異數矩陣P的平方根sP，再依照式子(5)算出新的西格瑪點chi_p。然後，chi_p與狀態轉換矩陣phi相乘得出預估的西格瑪點chi_m，再依照式子(11)和(12)算出預估狀態向量的均值x_m和代表誤差的共變異數矩陣P_m。