[論文レビュー] Adaptive Neuro-Fuzzy Extended Kalman Filtering for Robot Localization

Ramazan Havangi, Mohammad Ali Nekoui+1 more|arXiv (Cornell University)|Apr 19, 2010

Target Tracking and Data Fusion in Sensor Networks参考文献 8被引用数 7

ひとこと要約

本稿では、拡張カルマンフィルタ（EKF）のロボットローカライゼーション性能を向上させるために、オンラインでプロセスノイズおよび測定ノイズの共分散行列（QkとRk）を推定するための、適応的ニューロファジィ拡張カルマンフィルタ（ANFEKF）フレームワークを提案する。適応的ニューロファジィ推論システム（ANFIS）を用いて、理論的および実際のイノベーション共分散の差を最小化するように勾配降下法を用いて訓練することで、不確実なノイズ統計下でもEKFのロバスト性が向上する。シミュレーション結果は、標準的EKFと比較して、推定精度と安定性が向上していることを示している。

ABSTRACT

Extended Kalman Filter (EKF) has been a popular approach to localization a mobile robot. However, the performance of the EKF and the quality of the estimation depends on the correct a priori knowledge of process and measurement noise covariance matrices (Qk and Rk, respectively). Imprecise knowledge of these statistics can cause significant degradation in performance. This paper proposed the development of an Adaptive Neuro- Fuzzy Extended Kalman Filtering (ANFEKF) for localization of robot. The Adaptive Neuro-Fuzzy attempts to estimate the elements of Qk and Rk matrices of the EKF algorithm, at each sampling instant when measurement update step is carried out. The ANFIS supervises the performance of the EKF with the aim of reducing the mismatch between the theoretical and actual covariance of the innovation sequences. The free parameters of ANFIS are trained using the steepest gradient descent (SD) to minimize the differences of the actual value of the covariance of the residual with its theoretical value as much possible. The simulation results show the effectiveness of the proposed algorithm.

研究の動機と目的

• プロセスおよび測定ノイズ共分散行列（QkとRk）の事前知識が不正確であるために、拡張カルマンフィルタ（EKF）の性能が低下する問題に対処すること。
• EKFアルゴリズムの測定更新ステップ中に、QkとRkをリアルタイムで推定する適応的メカニズムを開発すること。
• 理論的および実際のイノベーション系列共分散の不一致を低減するため、適応的ニューロファジィ推論システム（ANFIS）を用いること。
• 実際の残差共分散とその理論的期待値の差を最小化するように、ANFISの自由パラメータを勾配降下法を用いて訓練すること。

提案手法

• ANFEKFフレームワークは、適応的ニューロファジィ推論システム（ANFIS）と拡張カルマンフィルタ（EKF）を統合し、QkとRk行列をオンラインで推定する。
• ANFISは、ファジィ論理ルールとニューラルネットワーク学習を用いて、システム状態とノイズ統計の非線形関係をモデル化する。
• ANFISのパラメータは、理論的および実際のイノベーション系列共分散の誤差を最小化するように、勾配降下法を用いて更新される。
• イノベーション系列は、実際の測定値と予測測定値の差として計算され、その共分散が理論的値と比較される。
• 訓練の目的は、実際の残差共分散とその理論的期待値の差を最小化することであり、これによりEKFのロバスト性が向上する。
• 本手法は、EKFの測定更新フェーズ中に適用され、各サンプリング瞬間にQkとRkを動的に調整する。

実験結果

リサーチクエスチョン

• RQ1 プロセスおよび測定ノイズ統計が不確実または時間変動する状況下で、適応的メカニズムがEKFの性能を向上させられるか。
• RQ2 ANFISシステムが時間変動するQkとRk行列をどれほど効果的に推定でき、EKFベースのローカライゼーションにおける推定誤差を低減できるか。
• RQ3 理論的および実際のイノベーション共分散の不一致を低減することで、ローカライゼーションの精度と安定性がどの程度向上するか。
• RQ4 ANFISとEKFを統合することで、ノイズや不確実性の高い条件下でも、標準的EKFと比較して収束が速く、発散が減少するか。

主な発見

• 提案されたANFEKF手法は、標準的EKFと比較して、理論的および実際のイノベーション共分散の不一致を顕著に低減した。
• シミュレーション結果は、不確かなノイズ条件下でも、ロボットローカライゼーションにおける推定精度とロバスト性の向上を示している。
• ANFISを用いたQkとRk行列の適応的調整により、状態推定の収束が速くなり、発散が低減された。
• ANFISパラメータの勾配降下法による訓練は、実際の残差共分散と理論的期待値の差を効果的に最小化した。
• 初期のノイズ共分散推定値が不正確または不一致であっても、本手法は安定した性能を維持した。
• シミュレーション実験による検証を通じて、ANFEKFは、従来のEKFに比べてローカライゼーション精度とノイズ不確実性への耐性の両面で優れていることが確認された。