[論文レビュー] A Bayesian Filtering Algorithm for Gaussian Mixture Models

Adrian Wills, Johannes Hendriks+2 more|arXiv (Cornell University)|May 16, 2017

Target Tracking and Data Fusion in Sensor Networks参考文献 12被引用数 4

ひとこと要約

本稿では、ガウス・ミックスチャージ・モデル（GMM）で記述される状態空間系に対して、Kullback–Leibler（KL）ダイバージェンスに基づくGMM削減を用いて混合成分の指数的増加を制御する、平方根ベイジアンフィルタリングアルゴリズムを提案する。この手法により、非線形かつ非ガウス的系においても高精度な状態推定が可能となり、はるかに少ない混合成分で順方向モンテカルロ法（Sequential Monte Carlo）と同等の性能を達成することが示された。

ABSTRACT

A Bayesian filtering algorithm is developed for a class of state-space systems that can be modelled via Gaussian mixtures. In general, the exact solution to this filtering problem involves an exponential growth in the number of mixture terms and this is handled here by utilising a Gaussian mixture reduction step after both the time and measurement updates. In addition, a square-root implementation of the unified algorithm is presented and this algorithm is profiled on several simulated systems. This includes the state estimation for two non-linear systems that are strictly outside the class considered in this paper.

研究の動機と目的

• ガウス・ミックスチャージ・モデル（GMM）の過程モデルおよび測定モデルを有する状態空間系に対する、数値的に安定的かつ効率的なベイジアンフィルタリングアルゴリズムの開発。
• 正確なベイジアンフィルタリングにおける混合成分数の指数的増加を、Kullback–Leibler（KL）ダイバージェンスに基づくGMM削減技術によって解決すること。
• 共分散伝搬における数値的安定性と計算効率を向上させるために、フィルタリングアルゴリズムを平方根形式で実装すること。
• 厳密なGMMモデルクラスに属さない非線形かつ時変動する系に対して、アルゴリズムの評価を実施すること。
• 提案手法が、はるかに少ない混合成分で順方向モンテカルロ（SMC）手法と同等の性能を達成できることを示すこと。

提案手法

• 予測密度およびフィルタリング密度をGMM表現を用いて、時間更新および測定更新を閉形式で実行する。
• 各更新後、混合成分数を制限するために、Kullback–Leibler（KL）ダイバージェンスに基づくGMM削減を適用する。
• 共分散伝搬における数値的安定性を向上させるために、KL GMM削減の新規な平方根形式を開発する。
• 非線形性は、各混合成分の平均の周囲におけるラプラス近似を用いた局所線形化により処理する。
• 予測およびフィルタリング密度は、各成分を$N_s$個のサブコンポーネントに分割する「スプリットGMM構造」で表現する。これにより近似精度が向上する。
• シミュレーションされた非線形系（真値が既知）に対して、順方向モンテカルロ（SMC）フィルタと比較して手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 GMMベースの状態空間モデル向けのベイジアンフィルタリングアルゴリズムを、平方根形式で実装することにより、数値的安定性と計算効率を向上させることができるか？
• RQ2 KLダイバージェンスに基づくGMM削減は、フィルタリング応用における混合成分数の指数的増加をどの程度効果的に制御できるか？
• RQ3 提案されたフィルタは、モデルクラスの厳密なGMM仮定を満たさない非線形的かつ非ガウス的系をどの程度適切に処理できるか？
• RQ4 精度と混合成分数の観点から、GMMフィルタの性能は順方向モンテカルロ（SMC）手法と比べてどの程度か？
• RQ5 KL削減アルゴリズムの平方根形式は、悪条件な共分散に対して計算感度が低く、数値的精度を維持できるか？

主な発見

• GMMFアルゴリズムは、厳密にはGMMモデルクラスに属さない非線形系、特に強い非線形性や時変動ダイナミクスを示す系に対しても、高精度な状態推定を維持できた。
• GMMFが得たフィルタリング密度は、順方向モンテカルロ（SMC）手法の結果と極めて類似しており、最初のフィルタリングステップ以降、最大35個の混合成分でさえも高い一致度を示した。
• GMMFの予測およびフィルタリング平均軌道は、複数の時刻における時系列プロットを通じて真の状態と強く一致しており、良好な推定性能を示した。
• 平方根形式の実装により、特に高次元または悪条件な共分散が関与する状況においても、数値的安定性が確保された。
• 成分分割を伴うラプラス近似により、非線形領域における線形化されたGMM近似の精度が顕著に向上した。
• KLに基づくGMM削減は、精度と計算複雑度のバランスを効果的に保ち、最小限の成分数で高い忠実度を維持できた。