[論文レビュー] Iterative Correction of Sensor Degradation and a Bayesian Multi-Sensor Data Fusion Method

Luka Kolar, Rok Sikonja+1 more|arXiv (Cornell University)|Sep 7, 2020

Gaussian Processes and Bayesian Inference参考文献 7被引用数 4

ひとこと要約

本稿では、反復的比率ベース補正とベイジアンガウス過程統合を用いて、マルチセンサーシステムにおけるセンサ劣化を補正するデータ駆動型手法を提案する。劣化を単調で連続的な関数としてモデル化し、露出が異なる二つの信号間の比率を活用することで、反復的に真値信号を推定し、センサ固有のノイズモデルを組み込んだスパースガウス過程を用いて補正信号を統合する。ノイズのない条件下では真値信号に収束し、ノイズを含む状況でも頑健な推定が達成される。

ABSTRACT

We present a novel method for inferring ground-truth signal from multiple degraded signals, affected by different amounts of sensor exposure. The algorithm learns a multiplicative degradation effect by performing iterative corrections of two signals solely from the ratio between them. The degradation function d should be continuous, satisfy monotonicity, and d(0) = 1. We use smoothed monotonic regression method, where we easily incorporate the aforementioned criteria to the fitting part. We include theoretical analysis and prove convergence to the ground-truth signal for the noiseless measurement model. Lastly, we present an approach to fuse the noisy corrected signals using Gaussian processes. We use sparse Gaussian processes that can be utilized for a large number of measurements together with a specialized kernel that enables the estimation of noise values of all sensors. The data fusion framework naturally handles data gaps and provides a simple and powerful method for observing the signal trends on multiple timescales(long-term and short-term signal properties). The viability of correction method is evaluated on a synthetic dataset with known ground-truth signal.

研究の動機と目的

• マルチセンサーシステムにおける露光差に起因するセンサ劣化を補正する一般化されたデータ駆動型手法の開発。
• 露光レベルが異なる二つ以上の劣化・ノイズ混在のセンサ測定値から真値信号を正確に再構成すること。
• 補正信号を統合しつつセンサ固有のノイズ分散を推定するベイジアンデータ統合フレームワークの設計。
• ノイズのないモデル下で反復的補正手法の理論的収束保証を提供すること。
• 適応的誘導点を用いたスケーラブルなスパースガウス過程により、マルチタイムスケール信号観測を可能とすること。

提案手法

• 本手法は、累積露出を表す変数 e に対して、d(0) = 1 を満たす連続的かつ単調に減少する関数 d(e) としてセンサ劣化をモデル化する。
• 二つのセンサ信号（a と b）間の比率を利用し、正しい推定下で比率が定数に収束すると仮定して、反復的補正を実行する。
• 劣化関数のフィッティング時に連続性および単調性の制約を課すために、平滑化された単調回帰アプローチを採用する。
• 補正された信号は、センサ固有のノイズ分散を推定可能な特別なカーネルを備えたスパース変分ガウス過程（SGP）を用いて統合する。
• SGPフレームワークは誘導点を用いて大規模データセットにスケーリング可能であり、誘導点数を変更することでマルチタイムスケール信号解析が可能となる。
• 本手法は、真値が既知の合成データ上で検証され、信号生成にブラウン運動を用い、サブサンプリングにより露出差を模擬した。

実験結果

リサーチクエスチョン

• RQ1 ノイズが存在しない状況下で、二つの劣化信号間の比率に基づく反復的補正は真値信号に収束するか？
• RQ2 真値信号の事前知識がなくとも、二つのセンサの相対的挙動のみを用いてセンサ劣化をモデル化・補正できるか？
• RQ3 ベイジアンデータ統合フレームワークは、複数の補正信号を効果的に統合しつつ、センサ固有のノイズレベルを推定できるか？
• RQ4 スパースガウス過程における誘導点数の選択が、再構成信号の忠実度およびタイムスケール分解能に与える影響は何か？
• RQ5 反復的補正の過程でノイズ増幅が生じる場合、その後の統合によってどのように緩和できるか？

主な発見

• 理論的に、本稿ではノイズのない測定モデル下で反復的補正手法が真値信号に収束することを証明している。
• ノイズを含む状況下でも、補正信号は真値に収束するが、劣化値が減少するにつれて除算によるノイズ増幅が時間経過とともに増加する。
• 補正信号間の比率は定数の単位関数に収束し、補正プロセスの整合性が確認された。
• スパースガウス過程統合フレームワークは、m=500 の誘導点を用いることで、真値信号を95％信頼区間できつめに包み込むことに成功した。
• 誘導点数 m ∈ {100, 300, 500} を変化させることで、マルチタイムスケール信号観測が可能となり、m の値が大きいほど細かな時間的変動を捉えることができる。
• 収束履歴から、補正品質は反復回数を重ねるごとに向上し、バックアップセンサ信号が初期に良好に推定された場合に特に顕著であることが示された。