[論文レビュー] Nonlinear Bayesian Estimation: From Kalman Filtering to a Broader Horizon

Huazhen Fang, Ning Tian+3 more|arXiv (Cornell University)|Dec 4, 2017

Target Tracking and Data Fusion in Sensor Networks参考文献 39被引用数 3

ひとこと要約

本稿は、非線形ベイズ推定に関する包括的なチュートリアルを提示し、EKF、UKF、EnKFといったカルマンフィルタの変種を体系的にレビューした上で、パーティクルフィルタリングやモービングホライズン推定といった高度な手法へと拡張している。非線形システムにおける状態推定のための統一的ベイズ枠組みを確立し、確率的モデリングと不確実性の定量化に重点を置いている。

ABSTRACT

This article presents an up-to-date tutorial review of nonlinear Bayesian estimation. State estimation for nonlinear systems has been a challenge encountered in a wide range of engineering fields, attracting decades of research effort. To date, one of the most promising and popular approaches is to view and address the problem from a Bayesian probabilistic perspective, which enables estimation of the unknown state variables by tracking their probabilistic distribution or statistics (e.g., mean and covariance) conditioned on the system's measurement data. This article offers a systematic introduction of the Bayesian state estimation framework and reviews various Kalman filtering (KF) techniques, progressively from the standard KF for linear systems to extended KF, unscented KF and ensemble KF for nonlinear systems. It also overviews other prominent or emerging Bayesian estimation methods including the Gaussian filtering, Gaussian-sum filtering, particle filtering and moving horizon estimation and extends the discussion of state estimation forward to more complicated problems such as simultaneous state and parameter/input estimation.

研究の動機と目的

• 非線形システムにおけるベイズ状態推定について、体系的でボトムアップな紹介を提供すること。
• EKF、UKF、EnKFといった主要なカルマンフィルタ技法を、ベイズ確率的枠組み内でレビューおよび比較すること。
• ガウスフィルタリング、ガウス和フィルタリング、パーティクルフィルタリング、モービングホライズン推定といった高度なベイズ推定器への議論の拡張。
• 同時状態・パラメータ推定といった複雑な推定課題への対処。
• サイバーフィジカルシステムおよびデータ集約型システムにおける非線形ベイズ推定の今後の研究方向の特定と議論。

提案手法

• 非線形状態推定をベイズ推論問題として定式化し、状態を時変する確率分布を持つ確率的ベクトルとしてモデル化する。
• ベイズの定理を用いて、測定データを条件とした状態の事後分布を再帰的に更新する。
• EKFおよびUKFにおいて、非線形関数を通じたガウス分布の伝搬に、線形化および非線形近似（例：ヤコビアンおよびアンサテッド変換）を用いる。
• EnKFでは、アンサンブルを用いたモンテカルロサンプリングにより、事後分布を近似する。
• 非ガウス分布およびマルチモーダルな事後分布に対応するため、ガウスフィルタリング（GF）およびガウス和フィルタリング（GSF）を導入する。
• 重み付きパーティクルを用いた逐次モンテカルロ手法により、非ガウス的・非線形的システムにおけるパーティクルフィルタリング（PF）を適用する。
• 有限時間窓における最適化を用いることで推定精度を向上させるモービングホライズン推定（MHE）に枠組みを拡張する。

実験結果

リサーチクエスチョン

• RQ1 ベイズ枠組みを非線形状態推定問題に体系的に適用する方法は何か？
• RQ2 EKF、UKF、EnKFは、確率分布の非線形変換を近似する上で、それぞれどのような長所と短所を有するか？
• RQ3 パーティクルフィルタリングやモービングホライズン推定といった高度な手法は、複雑な状況下で従来のカルマンフィルタに比べてどのように改善をもたらすか？
• RQ4 確率分布の非線形変換の結果を正確に特徴付ける上で、主な課題は何か？
• RQ5 動的システムにおける同時状態・パラメータ推定を扱うために、ベイズ推定をどのように拡張できるか？

主な発見

• ベイズ枠組みは、非線形システムにおける不確実性の確率的モデリングを可能にする統一的で直感的な状態推定のアプローチを提供する。
• 拡張カルマンフィルタリング（EKF）は、やや非線形性の強いシステムでは妥当な性能を示すが、ヤコビアン近似に起因する線形化誤差の影響を受ける。
• アンサテッドカルマンフィルタリング（UKF）は、非線形的に変換された分布の平均および分散を、EKFよりも効果的に捉えるためにシグマ点を用いることで、精度を向上させる。
• アンサンブルカルマンフィルタリング（EnKF）は、高次元システム、特にデータ同化の文脈において、ロバストでサンプリングベースの代替手法を提供する。
• パーティクルフィルタリングは、非ガウス的かつ高次元の非線形システムにおける推定を可能にするが、計算コストの増大およびパーティクルの劣化の可能性という代償を伴う。
• モービングホライズン推定（MHE）は、有限時間窓における最適化問題を解くことで推定精度を向上させ、制約条件やノイズの多い測定を持つシステムに適している。