[論文レビュー] Sample Complexity of Kalman Filtering for Unknown Systems
本稿は、未知の線形時不変（LTI）システムにおけるカルマンフィルタリングのエンドツーエンドの標本複雑度解析を、部分空間システム同定と確信度等価（CE）およびロバストカルマンフィルタ設計を組み合わせることで提案する。両方のフィルタが、高確率で平均二乗予測誤差が $ ilde{O}(1/ar{N})$ で有界であることを確立した。ここで $N$ はデータポイントの数であり、未知のシステムに対するカルマンフィルタリングの最初の有限標本保証である。
In this paper, we consider the task of designing a Kalman Filter (KF) for an unknown and partially observed autonomous linear time invariant system driven by process and sensor noise. To do so, we propose studying the following two step process: first, using system identification tools rooted in subspace methods, we obtain coarse finite-data estimates of the state-space parameters and Kalman gain describing the autonomous system; and second, we use these approximate parameters to design a filter which produces estimates of the system state. We show that when the system identification step produces sufficiently accurate estimates, or when the underlying true KF is sufficiently robust, that a Certainty Equivalent (CE) KF, i.e., one designed using the estimated parameters directly, enjoys provable sub-optimality guarantees. We further show that when these conditions fail, and in particular, when the CE KF is marginally stable (i.e., has eigenvalues very close to the unit circle), that imposing additional robustness constraints on the filter leads to similar sub-optimality guarantees. We further show that with high probability, both the CE and robust filters have mean prediction error bounded by $ ilde O(1/\sqrt{N})$, where $N$ is the number of data points collected in the system identification step. To the best of our knowledge, these are the first end-to-end sample complexity bounds for the Kalman Filtering of an unknown system.
研究の動機と目的
- システムのパラメータが未知であり、有限データから推定される場合のカルマンフィルタリング性能に関する理論的理解のギャップを埋めること。
- プロセスノイズとセンサーノイズを伴う部分的に観測可能な自律的LTIシステムにおける、有限標本の性能保証を提供すること。
- 特に固有値が単位円に近い場合に、パrameter推定誤差下での確信度等価（CE）カルマンフィルタのロバストネスを分析すること。
- CEフィルタがわずかに安定な場合でも、サブ最適性保証を維持できるように、ロバストカルマンフィルタ設計を開発すること。
- システム同定誤差バウンドとカルマンフィルタ性能を統合し、エンドツーエンドの標本複雑度結果を導出すること。
提案手法
- バランスド実現法を用いた部分空間システム同定により、$N$ 個のデータポイントから状態空間行列 $A$、$C$、およびカルマンゲイン $K$ を推定する。
- 2段階パイプラインを採用：まず部分空間手法でシステムパラメータを推定し、その後推定されたパラメータを用いてカルマンフィルタを設計する。
- 推定されたパラメータ $\hat{A}, \hat{C}, \hat{K}$ を直接使用することで、確信度等価（CE）カルマンフィルタを定義する。
- CEフィルタがわずかに安定な場合に備え、閉ループマップに制約を課すことで、ロバストカルマンフィルタを導入する。
- 推定誤差が有界であることを保証するため、ロバストネス条件 $\|\hat{G} - G\|_2 \leq \sigma_n(G)/4$ を用いる。
- TsiamisとPappas（2019）の有限データにおけるシステム同定バウンドを活用し、エンドツーエンドの誤差保証を導出する。
実験結果
リサーチクエスチョン
- RQ1システムのダイナミクスが未知であり、有限データから推定される場合に、正確なカルマンフィルタリングに必要な標本複雑度は何か？
- RQ2確信度等価カルマンフィルタが、サブ最適な平均二乗予測誤差を維持する条件は何か？
- RQ3CEフィルタがわずかに安定な場合に、安定性を向上させるために、フィルタ設計に明示的なロバストネスをどのように組み込むことができるか？
- RQ4システム同定とカルマンフィルタリングを統合した場合のエンドツーエンドの平均二乗予測誤差バウンドは何か？
- RQ5有限標本領域において、システム同定誤差と可観測性は、最終的なフィルタ性能にどのように影響するか？
主な発見
- 確信度等価フィルタおよびロバストカルマンフィルタの平均二乗予測誤差は、高確率で $\tilde{O}(1/\sqrt{N})$ で有界であり、ここで $N$ はデータポイントの数である。
- CEカルマンフィルタは、システム同定誤差が小さい場合、または真のKFがロバストな場合に、ほぼ最適な性能を達成する。
- CEフィルタがわずかに安定（固有値が単位円に近い）である場合、ロバストフィルタ設計により、安定性が向上したまま類似のサブ最適性保証が得られる。
- エンドツーエンドのバウンドは、システム固有の定数 $\mathcal{C}_{ID}$ および $\mathcal{C}_{KF}$ に依存し、$\mathcal{C}_{ID}$ はシステム同定の難易度を、$\mathcal{C}_{KF}$ はフィルタ性能をそれぞれ捉える。
- バウンドは類似変換 $ST$ に対して不変であり、$\|S\|_2$ および $\|S^{-1}\|_2$ が有界であるため、誤差バウンドは非自明である。
- 有限データにおけるシステム同定保証とカルマンフィルタ性能を統合することで、未知システムにおけるカルマンフィルタリングの最初のエンドツーエンドの標本複雑度バウンドが得られた。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。