[論文レビュー] A Step by Step Mathematical Derivation and Tutorial on Kalman Filters

Hamed Masnadi-Shirazi, Alireza Masnadi-Shirazi+1 more|arXiv (Cornell University)|Oct 8, 2019

Target Tracking and Data Fusion in Sensor Networks参考文献 10被引用数 5

ひとこと要約

本稿は、ヒルバート空間における直交射影とベイズ的最適フィルタリングの2つの異なる理論的枠組みを用いて、カルマンフィルタの包括的で段階的な数学的導出を提供する。完全な解析的厳密性をもって標準的な予測および更新方程式が導出され、線形・ガウス的仮定下での最小平均二乗誤差推定器としてのカルマンフィルタの最適性が確立される。

ABSTRACT

We present a step by step mathematical derivation of the Kalman filter using two different approaches. First, we consider the orthogonal projection method by means of vector-space optimization. Second, we derive the Kalman filter using Bayesian optimal filtering. We provide detailed proofs for both methods and each equation is expanded in detail.

研究の動機と目的

• 確率的ベクトルのヒルバート空間における直交射影を用いた、カルマンフィルタの完全で教育的（pedagogical）な導出を提供すること。
• ベイズ的最適フィルタリング理論を用いてカルマンフィルタを再導出し、それがMAP推定器としての同等性を確立すること。
• 両方の導出における各方程式について、詳細な段階的証明を提示し、数学的明確性と完全性を保証すること。
• 頻度的（最小分散）とベイズ的（MAP）という2つの主要な理論的解釈を、一つの枠組み内で統合すること。
• 研究者および学生がカルマンフィルタリングの深い数学的理解を求めるためのチュートリアルリソースとしての役割を果たすこと。

提案手法

• 確率的ベクトルの直交射影としてのカルマンフィルタを、ヒルバート空間理論を用いて最小平均二乗誤差推定器として定式化する。
• ガウス＝マルコフ推定理論を適用し、線形・ガウス的仮定下での最適線形不偏推定器を導出する。
• 測定値を前提とした状態の後験分布を計算することで、ベイズ的アプローチからカルマンフィルタ方程式を導出する。
• 行列の逆行列補題（ウッドベリー恒等式）を用いて、更新済み誤差共分散行列の表現を簡略化する。
• 後験誤差共分散を最小化する最適な重み係数としてのカルマンゲインを導出する。
• ガウス型尤度関数と事前分布を組み合わせることで、後験分布がガウス型となることを導出し、閉形式での更新方程式を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ヒルバート空間における直交射影原理から、カルマンフィルタをどのように厳密に導出できるか？
• RQ2 カルマンフィルタのベイズ的解釈とは何か？ そして、頻度的アプローチと同一の更新方程式にどのように到達するか？
• RQ3 推定誤差分散を最小化するためのカルマンゲイン行列の数学的根拠は何か？
• RQ4 予測と更新のステップは、状態と測定値の連合ガウス分布からどのように導かれるか？
• RQ5 行列の逆行列補題は、後験共分散表現の簡略化にどのような役割を果たすか？

主な発見

• カルマンフィルタは、ヒルバート空間における直交射影によって導かれる最小平均二乗誤差推定器と数学的に同等である。
• 測定値を前提とした状態の後験分布は、平均が更新済み推定値に等しく、共分散が事前分布と測定精度行列の和の逆行列に等しいガウス分布である。
• カルマンゲイン行列は $ K_k = P_{k|k-1}H_k^T(R_k + H_kP_{k|k-1}H_k^T)^{-1} $ として導出され、後験誤差共分散を最小化する。
• 更新済み状態推定値は $ \hat{x}_{k|k} = \hat{x}_{k|k-1} + K_k(z_k - H_k\hat{x}_{k|k-1}) $ で与えられ、予測状態に対するイノベーションの補正を表す。
• 更新済み誤差共分散は $ P_{k|k} = (I - K_kH_k)P_{k|k-1} $ であり、常に事前共分散より小さいため、誤差の低減が確認される。
• 導出により、線形性とガウスノイズの仮定下でカルマンフィルタが最適であり、平均二乗推定誤差を最小化することが確認される。