[논문 리뷰] Consider Uncertain Parameters based on Sensitivity Matrix

Taishan Lou|arXiv (Cornell University)|2015. 03. 29.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 8인용 수 3

한 줄 요약

이 논문은 상태공간 모델의 불확실한 파라미터를 다루기 위한 새로운 접근법을 제안한다. 민감도 행렬을 활용하여 탈민감화 칼만 필터(DKF)와 새로운 형태의 고려 칼만 필터(CKF)에 대한 분석적 이득을 유도한다. 민감도 가중치 행렬이 파라미터 공분산과 동일할 경우 두 필터 간의 수학적 동치성을 증명함으로써, DKF에서 이 행렬을 선택하는 데 있어 핵심적인 문제를 해결하고, 파라미터 불확실성 하에서 강건한 상태 추정을 위한 통합적이고 분석적으로 다룰 수 있는 프레임워크를 제공한다.

ABSTRACT

Uncertain parameters of state-space models have always been a considerable problem. Consider Kalman filter (CKF) and desensitized Kalman filter (DKF) are two methods to solve this problem. Based on the sensitivity matrix respected to the uncertain parameter vector, a special DKF with an analytical gain is given and a new form of the CKF is derived. The mathematical equivalence between the special DKF and the CKF is demonstrated when the sensitivity-weighting matrix is set to the covariance of the uncertain parameter and the problem how to select and obtain the sensitivity-weighting matrix in the DKF is solved.

연구 동기 및 목표

• 추정 및 제어에 사용되는 상태공간 모델에서 지속적인 문제로 남아 있는 불확실한 파라미터를 다루기 위해.
• 탈민감화 칼만 필터(DKF)에서 민감도 가중치 행렬을 선택하는 데 있어 열려 있는 문제를 해결하기 위해.
• 민감도 행렬의 성질을 이용하여 고려 칼만 필터(CKF)의 새로운 분석적 형태를 유도하기 위해.
• 특정 가중치 조건 하에서 제안된 DKF와 CKF 간의 수학적 동치성을 확립하기 위해.
• 파라미터 불확실성 하에서 강건한 필터링을 위한 통합적이고 계산 효율적인 프레임워크를 제공하기 위해.

제안 방법

• 불확실한 파라미터 벡터에 대한 민감도 행렬을 사용하여, 분석적 이득을 갖는 특수한 형태의 탈민감화 칼만 필터(DKF)를 유도한다.
• 동일한 민감도 행렬 프레임워크에 기반한 고려 칼만 필터(CKF)의 새로운 제안을 도입한다.
• DKF에서 민감도 가중치 행렬을 핵심 설계 매개변수로 사용하여 체계적인 튜닝을 가능하게 한다.
• 민감도 가중치 행렬이 불확실한 파라미터의 공분산과 동일할 경우, DKF와 CKF가 수학적으로 동치가 됨을 입증한다.
• 행렬 대수와 민감도 분석을 활용하여 두 필터링 접근법 간의 이론적 동치성을 확립한다.
• 반복적 또는 수치 최적화를 피하기 위해 DKF의 필터 이득에 대한 폐쇄형 해를 제공한다.

실험 결과

연구 질문

• RQ1 민감도 행렬을 어떻게 활용하여 불확실한 파라미터에 대해 강건한 칼만 필터를 설계할 수 있는가?
• RQ2 탈민감화 칼만 필터(DKF)에서 민감도 가중치 행렬의 최적 선택은 무엇인가?
• RQ3 고려 칼만 필터(CKF)가 수학적으로 탈민감화 칼만 필터(DKF)와 동치가 되는 조건은 무엇인가?
• RQ4 민감도 분석을 통해 DKF에 대한 폐쇄형 분석적 이득을 유도할 수 있는가?
• RQ5 제안된 프레임워크는 어떤 조건에서 민감도 기반 통합 공식화를 통해 CKF와 DKF를 통합하는가?

주요 결과

• 제안된 탈민감화 칼만 필터(DKF)는 민감도 행렬을 통해 분석적 이득을 달성하여 반복적 튜닝이 필요 없어진다.
• 민감도 행렬을 기반으로 한 새로운 분석적 형태의 고려 칼만 필터(CKF)가 도출되어 계산 효율성이 향상된다.
• 민감도 가중치 행렬이 불확실한 파라미터의 공분산과 동일할 경우, DKF와 CKF 간의 수학적 동치성이 엄밀히 증명된다.
• DKF에서 민감도 가중치 행렬을 선택하는 오랫동안 남아 있던 문제는 그 최적 선택이 파라미터 공분산 행렬임을 규명함으로써 해결된다.
• 통합 프레임워크는 이론적 유도를 통해 검증된 바, 파라미터 불확실성 하에서도 성능이 보장되는 강건한 상태 추정을 가능하게 한다.
• 이 방법은 안정성과 정확도를 향상시키는 체계적이고 폐쇄형 해를 제공하여 불확실한 동적 시스템에서의 적용에 유리하다.