[論文レビュー] A nonlinear tracking algorithm with range-rate measurements based on unbiased measurement conversion

Lianmeng Jiao, Quan Pan+2 more|arXiv (Cornell University)|Dec 12, 2014

Target Tracking and Data Fusion in Sensor Networks参考文献 7被引用数 12

ひとこと要約

本稿では、距離と距離変化率の積から擬似測定値を構築することで、距離変化率測定値を用いた非線形追跡アルゴリズムを提案する。これにより、不偏な測定変換と改善された誤差共分散推定が可能となる。処理済みの位置および変換済み距離変化率データに対して逐次フィルタを適用することで、2次までの拡張カルマンフィルタにおける近似誤差を低減し、モンテカルロシミュレーションにおいて従来のCMKF-Dよりも優れた性能を示す。

ABSTRACT

The three-dimensional CMKF-U with only position measurements is extended to solve the nonlinear tracking problem with range-rate measurements in this paper. A pseudo measurement is constructed by the product of range and range-rate measurements to reduce the high nonlinearity of the range-rate measurements with respect to the target state; then the mean and covariance of the converted measurement errors are derived by the measurement conditioned method, showing better consistency than the transitional nested conditioning method; finally, the sequential filter was used to process the converted position and range-rate measurements sequentially to reduce the approximation error in the second-order EKF. Monte Carlo simulations show that the performance of the new tracking algorithm is better than the traditional one based on CMKF-D.

研究の動機と目的

• 3次元ターゲット追跡における距離変化率測定値の高い非線形性に対処すること。
• 変換測定誤差の平均および共分散を正確に導出することで、推定の一貫性を向上させること。
• 変換測定値の逐次処理により、2次までの拡張カルマンフィルタにおける近似誤差を低減すること。
• 距離変化率データを用いて非線形システムにおける追跡性能を向上させること。

提案手法

• 距離と距離変化率測定値の積から非線形性を低減するための擬似測定値を構築する。
• 測定条件付き法を用いて、変換測定誤差の平均および共分散を導出することで、一時的ネストドコンディショニング法よりも優れた一貫性を確保する。
• 変換済み位置および距離変化率測定値を逐次的に処理するための逐次フィルタを適用し、線形化誤差を最小限に抑える。
• 不偏な測定変換を用いることで、非線形追跡シナリオにおける推定精度を維持する。
• 距離変化率測定値を含めるために、CMKF-Uアプローチを拡張するフレームワーク内にアルゴリズムを実装する。
• 実際の追跡条件下でモンテカルロシミュレーションを用いて手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 ターゲット状態に関して高い非線形性を示す距離変化率測定値を、非線形追跡において効果的に緩和する方法は何か？
• RQ2 非線形システムにおける変換測定誤差の平均および共分散を推定する最も正確な方法は何か？
• RQ3 距離変化率データを用いた非線形追跡において、逐次フィルタリングは標準的な拡張カルマンフィルターよりも近似誤差を低減できるか？
• RQ4 提案されたアルゴリズムは、推定精度および一貫性の観点から、従来のCMKF-D手法と比較してどのように性能が優れているか？

主な発見

• 提案されたアルゴリズムは、非線形追跡シナリオにおいて従来のCMKF-D手法よりも優れた推定精度を達成する。
• 誤差共分散推定に用いる測定条件付き法は、一時的ネストドコンディショニング法よりも優れた一貫性を提供する。
• 逐次フィルタリングは、2次までの拡張カルマンフィルタリングにおける線形化誤差を顕著に低減する。
• 距離と距離変化率の積から得られる擬似測定値の使用により、測定モデルの非線形性が効果的に低減される。
• モンテカルロシミュレーションにより、新しいアルゴリズムが追跡精度および安定性の観点でCMKF-Dを上回ることが確認された。
• 高次元の非線形追跡問題において、不偏推定を維持しながらも、より高いロバスト性を実現する。