[論文レビュー] Adaptive Optics Predictive Control with Empirical Orthogonal Functions (EOFs)

Olivier Guyon, Jared R. Males|arXiv (Cornell University)|Jul 3, 2017

Adaptive optics and wavefront sensing被引用数 41

ひとこと要約

本稿では、過去の測定値から波面歪みをモデル化・予測するため、経験的直交関数（EOFs）を用いた適応光学予測制御手法を提案する。波面データを空間的・時間的パターンに分解し、履歴データの線形結合を用いることで、EOFに基づく手法は、高コントラストイメージングにおいて顕著な性能向上を達成し、残存スプライクルハローを低減するとともに、時間的・空間的非相関性を向上させる。

ABSTRACT

Atmospheric wavefront prediction based on previous wavefront sensor measurements can greatly enhance the performance of adaptive optics systems. We propose an optimal linear approach based on the Empirical Orthogonal Functions (EOF) framework commonly employed for atmospheric predictions. The approach offers increased robustness and significant performance advantages over previously proposed wavefront prediction algorithms. It can be implemented as a linear pattern matching algorithm, which decomposes in real time the input (most recent wavefront sensor measurements) into a linear sum of previously encountered patterns, and uses the coefficients of this linear expansion to predict the future state. The process is robust against evolving conditions, unknown spatio-temporal correlations and non-periodic transient events, and enables multiple sensors (for example accelerometers) to contribute to the wavefront estimation. We illustrate the EOFs advantages through numerical simulations, and demonstrate filter convergence within 1 minute on a 1 kHz rate system. We show that the EOFs approach provides significant gains in high contrast imaging by simultaneously reducing residual speckle halo and producing a residual speckle halo that is spatially and temporally uncorrelated.

研究の動機と目的

• 非定常的大気状態下における適応光学システムにおける波面予測の課題に対処すること。
• 残存スプライクルハローの低減とスプライクルノイズの非相関化により、高コントラストイメージングの性能を向上させること。
• 未知の空間的・時間的相関性や一時的擾乱に対して感受性が低く、ロバストでリアルタイムな予測制御フレームワークを開発すること。
• 複数のセンサー（例：加速度計）からのデータ統合を可能にし、波面推定に統合すること。
• LQGのような物理ベースの予測フィルタの代替として、スケーラブルでモデルフリーな手法を提供し、収束性と安定性を向上させること。

提案手法

• 波面センサーの測定値を、直交する空間的・時間的パターンの集合に分解するために経験的直交関数（EOFs）を用いる。
• 訓練データから事前に観測されたパターンの線形結合として、現在の波面状態を表現する。
• 最近の測定値をEOF基底に投影し、学習済み係数を用いて外挿することで、将来の波面状態を予測する。
• 主成分分析（PCA）に基づく分解を用いて、複雑な行列逆演算を回避するリアルタイム線形パターンマッチングシステムとしてアルゴリズムを実装する。
• 波面センサーや変形ミラーからの疑似オープンループテレメトリを用いて、EOFベースの予測器を閉ループ制御アーキテクチャに統合する。
• 相関のないノイズを平均化し、キャリブレーション誤差や周期的でない擾乱に対する感受性を低減することで、ロバスト性を確保する。

実験結果

リサーチクエスチョン

• RQ1 EOFに基づく波面予測は、従来のLQGおよびフーリエモード予測器と比較して、残存波面誤差とスプライクル非相関性の観点で優れているか？
• RQ2 EOF手法は、非定常的大気状態、一時的イベント、未知の空間的・時間的相関性をどのように処理するか？
• RQ3 加速度計などのセンサー統合によって、波面推定および予測精度はどの程度向上するか？
• RQ4 EOFフィルタが収束し、変動する視界条件下で性能を維持するための必要な訓練期間はどの程度か？
• RQ5 EOF手法は、モデルベースの予測器と比較して、計算効率およびキャリブレーション誤差に対するロバスト性の観点で優れているか？

主な発見

• EOFベースの予測制御器は、1 kHzの適応光学システムにおいて1分以内に収束し、リアルタイム実装の可能性を示した。
• 本手法は、空間的および時間的に非相関なハローを生じさせることで、高コントラストイメージングにおける残存スプライクルハローを顕著に低減した。
• 波面センサーのノイズ低減と補正遅延の両方を同時に補正することで、性能向上が達成された。
• EOFフレームワークは、変化する大気状態、未知の相関性、周期的でない擾乱に対してロバストであることを示した。
• 本手法は、効果的なセンサー統合を可能にし、追加の測定値（例：加速度計からの測定）が波面推定に寄与することを可能にした。
• 非定常状態下または訓練データが不十分な場合、フィルタ性能が劣化するため、頻繁なフィルタ更新と十分な訓練期間の必要性が浮き彫りになった。