[論文レビュー] The Kalman Like Particle Filter : Optimal Estimation With Quantized Innovations/Measurements

Ravi Teja Sukhavasi, Babak Hassibi|arXiv (Cornell University)|Sep 5, 2009

Target Tracking and Data Fusion in Sensor Networks参考文献 15被引用数 4

ひとこと要約

本稿では、量子化測定を持つ線形システムに対する推定アルゴリズムとして、カルマンフィルタ構造とパーティクルフィルタリングを統合した新規推定手法であるカルマン風パーティクルフィルタ（KLPF）を提案する。この手法は、一般化閉じた歪み正規分布（GCSN）状態分布を用いることで、標準のパーティクルフィルタに比べて著しく少ないパーティクル数で近似的最適性能を達成する。状態の条件付き密度の解析的表現を活用し、センサーネットワークにおける効率的で高精度な推定を実現するとともに、LQG制御における古典的分離原理の有効性を検証する。

ABSTRACT

We study the problem of optimal estimation and control of linear systems using quantized measurements, with a focus on applications over sensor networks. We show that the state conditioned on a causal quantization of the measurements can be expressed as the sum of a Gaussian random vector and a certain truncated Gaussian vector. This structure bears close resemblance to the full information Kalman filter and so allows us to effectively combine the Kalman structure with a particle filter to recursively compute the state estimate. We call the resulting filter the Kalman like particle filter (KLPF) and observe that it delivers close to optimal performance using far fewer particles than that of a particle filter directly applied to the original problem. We show that the conditional state density follows a, so called, generalized closed skew-normal (GCSN) distribution. We further show that for such systems the classical separation property between control and estimation holds and that the certainty equivalent control law is LQG optimal.

研究の動機と目的

• 帯域制限のあるセンサーネットワークにおいて、測定値が量子化されている場合の線形システムにおける最適状態推定の課題に対処すること。
• パーティクル数を大幅に削減しつつも高い精度を維持できる、計算効率の高いフィルタリング手法を開発すること。
• 量子化されたイノベーション下での条件付き状態密度を特徴づけ、それが一般化閉じた歪み正規分布（GCSN）に従うことを示すこと。
• 量子化測定を伴うLQG制御において、古典的分離原理が成立することを確立し、最適制御設計を可能にすること。
• シミュレーションを通じて、KLPFが不安定なシステムを最小限のパーティクル数で安定化でき、最適フィルタに近い性能を達成することを実証すること。

提案手法

• 状態が因果的量子化測定条件下で条件付けられるとき、それがガウス分布と切断ガウス分布の和に分解され、一般化閉じた歪み正規分布（GCSN）に従うことが判明した。
• このGCSN構造を用いて、後験的平均と分散を再帰的に計算し、カルマンフィルタの更新式とパーティクルフィルタリングを非ガウス成分に適用することで、効率的かつ高精度な推定を実現する。
• 全状態を直接フィルタリングするのではなく、非ガウス成分にパーティクルフィルタリングを適用することで、必要なパーティクル数を著しく削減する。
• 本手法は任意の因果的量子化方式（例：イノベーションの符号、複数レベル量子化）に一般化可能である。
• 理論的解析により、最適フィルタの誤差共分散が修正されたリカッチ再帰式によって上界で抑えられることを示したが、この上界は常にタイトではない。
• 分離原理が成立することが証明され、量子化測定を伴うシステムでは、確信等価制御則を用いることでLQG最適性が保証される。

実験結果

リサーチクエスチョン

• RQ1 量子化測定下での条件付き状態密度は解析的に特徴づけられるか？また、ガウス性からどれほど逸脱するか？
• RQ2 量子化イノベーション下での状態分布の構造を活用したパーティクルフィルタを設計することで、パーティクル数を削減しつつも精度を維持できるか？
• RQ3 量子化測定を伴うシステムにおいて、推定と制御の間の古典的分離原理が成立するか？
• RQ4 KLPFは少数のパーティクル数で不安定な線形システムを安定化できるか？
• RQ5 修正されたリカッチ再帰式は、最適フィルタの誤差共分散の上界をなすか？

主な発見

• 量子化イノベーション下での条件付き状態密度は、一般化閉じた歪み正規分布（GCSN）に従い、非ガウス的で、量子化によって生じる歪みを正確に捉える。
• KLPFは、標準パーティクルフィルタに比べて著しく少ないパーティクル数で近似的最適推定性能を達成する。例えば、1ビットの追加量子化でパーティクル数を500から50に削減できる。
• 例1では、1ビットのMLQ-KFとMLQ-KFは発散するが、KLPF（50パーティクル）は最適性能に達し、量子化に対するロバストネスを示した。
• 例4では、KLPFは100パーティクルで十分に安定し、1000回のモンテカルロ試行すべてで発散せず、F行列の固有値が1より大きい不安定なシステムを1000ステップにわたり安定化させた。
• 修正されたリカッチ再帰式は、最適フィルタの誤差共分散を常に上界で抑えないと判明し、これにより従来の仮定が覆され、よりタイトな誤差バインディングの必要性が浮き彫りになった。
• 分離原理が成立する：確信等価制御則は、KLPFの状態推定値のみを用いてもLQG最適性を達成可能である。