[論文レビュー] Partitioned Update Kalman Filter

Matti Raitoharju, Robert Piché+2 more|arXiv (Cornell University)|Mar 10, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 20被引用数 10

ひとこと要約

Partitioned Update Kalman Filter (PUKF) は、非線形性が増す順に測定値のパーティションに分け、逐次的に状態を更新することで、非線形測定システムにおける状態推定の精度を向上させる。非線形性の評価に数値的2次近似（2nd order CDF）を用い、測定値に線形変換を施して非線形性を低減させることで、解析的微分を必要とせず、より正確な段階的更新が可能になる。

ABSTRACT

In this paper we present a new Kalman filter extension for state update called Partitioned Update Kalman Filter (PUKF). PUKF updates the state using multidimensional measurements in parts. PUKF evaluates the nonlinearity of the measurement function within a Gaussian prior by comparing the effect of the 2nd order term on the Gaussian measurement noise. A linear transformation is applied to measurements to minimize the nonlinearity of a part of the measurement. The measurement update is then applied using only the part of the measurement that has low nonlinearity and the process is then repeated for the updated state using the remaining part of the transformed measurement until the whole measurement has been used. PUKF does the linearizations numerically and no analytical differentiation is required. Results show that when the measurement geometry allows effective partitioning, the proposed algorithm improves estimation accuracy and produces accurate covariance estimates.

研究の動機と目的

• 線形化誤差が推定精度を低下させる非常に非線形な測定モデルにおいて、標準カルマンフィルタ拡張の限界を克服すること。
• 非線形性の評価に基づいて更新プロセスをパーティショニングすることで、多次元測定における非線形性の影響を低減すること。
• 解析的ヤコビアンおよびヘッセ行列の計算を回避する導関数フリーの手法を開発し、推定および共分散の精度を向上させること。
• 最も線形性の高い成分を早期に更新するように自動的かつ適応的に測定値をパーティショニングすることで、事後分布推定を改善すること。
• IEKF や RUF などの反復的・複数再線形化フィルタの計算コストを抑えた、共分散推定が優れた計算効率の良い代替手法を提供すること。

提案手法

• 測定関数の2次テイラー展開を用いて測定の非線形性を評価し、2次項の共分散を測定ノイズ共分散と比較する。
• 測定ベクトルに線形変換を適用して成分を分離し、個々の測定次元における非線形性を低減する。
• 非線形性が低い順に測定更新を順序付け：最も非線形性が低い部分を最初に更新し、その後、更新済みの状態を用いて順次処理を継続する。
• 現在の測定パーティションのみを用いて状態更新を実行し、2次中央差分フィルタ（2nd order CDF）による数値線形化を適用することで、解析的微分を回避する。
• 各ステップで残りの測定パーティションに対して更新を繰り返し、一貫した事後分布を維持する。
• 非線形性評価および状態更新に必要な統計量を計算するための数値微分エンジンとして、2次中央差分フィルタ（2nd order CDF）を用いる。

実験結果

リサーチクエスチョン

• RQ1 非線形性の順序付けに基づく逐次的・パーティショニングされた状態更新は、単一ステップのカルマンフィルタ拡張と比較して、非線形測定モデルにおける推定精度を向上させることができるか？
• RQ2 提案手法は、高非線形性の測定条件下で EKF2、UKF、RUF と比較して推定バイアスを低減し、共分散の精度を向上させるか？
• RQ3 測定値が非常に非線形的であるが、線形独立な成分を含む場合、パーティショニング戦略が非線形性の影響をどの程度低減するか？
• RQ4 平均推定誤差およびカルバック・ライブラー距離の観点から、PUKF の性能は、既存の導関数フリーのフィルタ（例：UKF、RUF）と比較してどうなるか？
• RQ5 手動での分解を必要とせず、測定ベクトルの最も線形性の高い部分を自動で同定・優先することができるか？

主な発見

• PUKF は、両方のベアリングオンリトラッキングシナリオにおいて最小の中央値カルバック・ライブラー距離を達成し、真の事後分布の近似が優れていることを示した。
• 最初のテストでは、PUKF の中央値 KL 収束距離は 0.62 であり、UKF（5.20）、EKF2（1.16）、RUF（0.99）と比較して顕著に低く、優れた推定精度を示した。
• 2番目のテスト（センサーが密に配置された状況）では、PUKF が最も低い KL 収束距離（2.14）を維持し、EKF2（2.60）、RUF（3.56）、UKF（9.36）を上回った。
• PUKF と EKF2 が、テストされたすべてのフィルタの中で最も正確な共分散行列を推定したが、PUKF は RUF よりも一貫性に優れており、RUF は過小評価（あまりに小さめ）の共分散を生成した。
• PUKF における非線形性閾値の使用は、10ステップトラックテストにおいて性能に顕著な影響を及ぼさなかったため、この幾何構造では頑健性が高く、閾値の選択に敏感でないことが示された。
• PUKF は、UKF や EKF2 よりも推定精度が優れており、一部のケースでは UKF が真値に近い平均値を示したが、EKF2 は誤差が大きかったものの、PUKF よりも共分散推定が優れていた一部のケースを除いて、PUKF が優位であった。