[논문 리뷰] Desensitized Kalman Filtering with Analytical Gain

Taishan Lou|arXiv (Cornell University)|2015. 04. 20.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 6인용 수 7

한 줄 요약

이 논문은 상태 추정에서 불확실한 파라미터에 대한 민감도를 줄이기 위해 분석적 이득을 갖춘 탈민감화 칼만 필터를 제안한다. 후행 공분산의 팍화와 가중 상태 오차 민감도를 조합한 새로운 비용 함수를 최소화함으로써, 반복 최적화 없이도 닫힌 형태의 이득 행렬을 도출하여 안정성과 성능 향상을 달성한다. 이는 이산 및 연속 선형 시스템 모두에서 검증되었으며, 수치적 안정성과 성능 향상이 입증되었다.

ABSTRACT

The possible methodologies to handle the uncertain parameter are reviewed. The core idea of the desensitized Kalman filter is introduced. A new cost function consisting of a posterior covariance trace and trace of a weighted norm of the state error sensitivities matrix is minimizing to obtain a well-known analytical gain matrix, which is different from the gain of the desensitized Kalman filter. The pre-estimated uncertain parameter covariance is set as a referential sensitivity-weighting matrix in the new framework, and the rationality and validity of the covariance are tested. Then, these results are extended to the linear continuous system.

연구 동기 및 목표

• 추정 오차에 대한 민감도를 최소화하여 칼만 필터링에서 파라미터 불확실성을 다루기 위해 노력한다.
• 반복 계산 없이 상태 오차 민감도를 감소시키는 닫힌 형태의 분석적 이득 행렬을 개발한다.
• 사전 추정된 파라미터 공분산을 민감도 가중치 행렬로 사용하는 것이 합리적이고 효과적인지 검증한다.
• 탈민감화 필터링 프레임워크를 연속 시간 선형 시스템으로 확장한다.
• 불확실한 시스템 파라미터 하에서 칼만 필터링의 강건성과 안정성을 향상시킨다.

제안 방법

• 후행 공분산의 흔적과 상태 오차 민감도 행렬의 가중 노름 흔적을 조합한 새로운 비용 함수를 도입한다.
• 제안된 비용 함수를 최소화하여 분석적 이득 행렬을 유도함으로써 반복 최적화를 피한다.
• 비용 함수 내의 민감도 가중치 행렬로 사전 추정된 파라미터 공분산 행렬을 사용한다.
• 이 프레임워크를 이산 시간 선형 시스템에 적용하고, 수학적 변환을 통해 연속 시간 시스템으로 확장한다.
• 행렬 미적분과 최적화 기법을 활용하여 이득 행렬에 대한 닫힌 형태의 해를 도출한다.
• 파라미터 불확실성 하에서 표준 칼만 필터링과의 수치적 분석 및 비교를 통해 접근법을 검증한다.

실험 결과

연구 질문

• RQ1 탈민감화 칼만 필터링을 위한 닫힌 형태의 분석적 이득을 유도할 수 있는가? 이는 계산 비용을 줄일 수 있는가?
• RQ2 사전 추정된 파라미터 공분산을 민감도 가중치로 사용할 경우 필터의 강건성에 어떤 영향을 미치는가?
• RQ3 파라미터 불확실성 하에서 제안된 방법이 표준 칼만 필터링보다 성능 향상이 얼마나 되는가?
• RQ4 탈민감화 필터는 연속 시간 선형 시스템에서 어떻게 행동하는가?
• RQ5 제안된 비용 함수는 추정 오차와 파라미터 불확실성에 대한 민감도를 동시에 최소화하는 데 효과적인가?

주요 결과

• 제안된 분석적 이득 행렬은 표준 칼만 필터링에 비해 상태 추정치의 불확실한 파라미터에 대한 민감도를 크게 감소시킨다.
• 반복 최적화가 필요 없이도 강건성이 향상되어 실시간 적용이 가능하다.
• 사전 추정된 파라미터 공분산을 민감도 가중치로 사용하는 것이 필터 안정화에 합리적이고 효과적임이 입증되었다.
• 수치적 결과는 파라미터 불확실성 하에서도 제안된 필터가 더 낮은 추정 오차 분산을 유지함을 보여준다.
• 연속 시간 시스템으로의 확장은 수학적으로 타당하며, 이산형 버전의 탈민감화 성질을 유지한다.
• 비용 함수 설계를 통해 추정 정확도와 파라미터 불확실성에 대한 민감도 사이의 상호 교환 가능성을 시스템적으로 제공한다.