[논문 리뷰] Marginalized Bayesian filtering with Gaussian priors and posteriors

John-Olof Nilsson|arXiv (Cornell University)|2016. 03. 21.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 6인용 수 3

한 줄 요약

이 논문은 높은 차원의 필터링 문제를 더 낮은 차원의 부분공간에서 다룰 수 있는 몰입된 모멘트 적분으로 줄이는 데 초점을 맞춘, 가우시안 사전 및 사후 분포를 활용하는 몰입된 베이지안 필터링 프레임워크를 제안한다. 부분공간 투영 행렬을 통해 계층적 상태공간 구조를 활용함으로써 효율적인 수치 근사가 가능해지고, 시스템 모델링과 조합을 분리하며, 칼만 필터와 몰입된 입자 필터를 넘어서 동적이고 비선형 부분공간, 비가우시안 우도를 다룰 수 있도록 일반화된다.

ABSTRACT

Marginalization techniques are presented for the Bayesian filtering problem under the assumption of Gaussian priors and posteriors and a set of sequentially more constraining state space model assumptions. The techniques provide the capabilities to 1) reduce the filtering problem to essential marginal moment integrals, 2) combine model and numerical approximations to the moment integrals, and 3) decouple modelling and system composition. Closed-form expressions of the posterior means and covariances are developed as functions of subspace projection matrices, subsystem models, and the marginal moment integrals. Finally, we review prior work and how the results relate to Kalman and marginalized particle filtering techniques.

연구 동기 및 목표

• 가우시안 가정 하에 베이지안 필터링을 위한 일반적 프레임워크를 개발하여, 수치 근사를 필수 부분공간에 집중시킴으로써 계산 복잡도를 감소시키는 것.
• 선형화와 같은 모델 기반 근사와 수치 적분 기법을 통합된 필터링 구조 안에서 효과적으로 조합할 수 있도록 하는 것.
• 부분공간 투영 행렬을 사용하여 시스템 모델링과 시스템 조합을 분리함으로써 복잡한 상태공간 모델의 모듈러 설계를 가능하게 하는 것.
• 칼만 필터와 몰입된 입자 필터를 넘어서, 상태 방정식과 관측 방정식 양쪽 모두에서 동적이고 비선형 부분공간을 지원함으로써 일반화된 필터링 기법을 제공하는 것.
• 투영 행렬, 하위계 모델, 그리고 귀납된 모멘트 적분을 바탕으로 사후 평균과 공분산에 대한 닫힌 형태의 표현식을 제공하는 것.

제안 방법

• 상태 벡터를 정적 및 동적 부분공간으로 분해하기 위해 투영 행렬을 사용하여, 비가역적인 필터링 성분을 차원이 낮은 부분공간으로 고립시킨다.
• 비가우시안 또는 비선형 부분공간에 대한 모멘트 적분의 집합으로 필터링 문제를 재구성함으로써 전체 필터링 문제를 필수 적분으로 줄인다.
• 상태와 관측의 공동 분포 및 부분공간 투영 행렬을 사용하여 사후 평균과 공분산에 대한 닫힌 형태의 표현식을 유도한다.
• 몰입된 부분공간 내에서 모델 근사(예: 선형화)를 통합할 수 있으며, 나머지 비가역 적분에는 수치 기법(예: 구분법, 중요도 샘플링)만 적용된다.
• 시스템 조합은 하위계 모델과 독립적으로 부분공간 투영 행렬을 지정함으로써 가능해지며, 이는 모듈러하고 투명한 모델 조합을 허용한다.
• 일반적인 비선형 모델에서부터 구조화된 선형-가우시안 부분공간에 이르기까지의 다양한 가정 계층을 지원함으로써 점진적인 단순화와 근사가 가능하다.

실험 결과

연구 질문

• RQ1 가우시안 사전 및 사후 가정 하에 몰입 기법을 어떻게 일반화하여 비가우시안 또는 비선형 부분공간에 대한 필수 모멘트 적분으로 필터링 문제를 줄일 수 있는가?
• RQ2 베이지안 필터링 프레임워크 내에서 모델 근사(예: 선형화)와 수치 근사(예: 구분법)를 어떻게 효과적으로 통합할 수 있는가?
• RQ3 시스템 모델링과 시스템 조합 간의 결합을 어떻게 분리하여 복잡한 상태공간 시스템의 모듈러 설계를 가능하게 할 수 있는가?
• RQ4 부분공간 투영 행렬이 차원이 낮아진 구조적이고 계층적인 필터링을 어떻게 가능하게 하는가?
• RQ5 이 프레임워크는 칼만 필터링과 몰입된 입자 필터링 기법을 어떻게 일반화하여 모델의 유연성과 계산 효율성 측면에서 발전시킬 수 있는가?

주요 결과

• 논문은 부분공간 투영 행렬, 하위계 모델, 그리고 귀납된 모멘트 적분을 바탕으로 사후 평균과 공분산에 대한 닫힌 형태의 표현식을 도출하여, 구조화된 부분공간의 해석적 처리를 가능하게 한다.
• 필터링 문제는 비가우시안 또는 비선형 부분공간에 대한 비가역 모멘트 적분 집합으로 줄어들며, 이는 집중된 수치 근사와 계산 효율성 향상을 가능하게 한다.
• 이 프레임워크는 동적 부분공간 구조를 지원하여, 상태 방정식과 관측 모델의 비선형성이 서로 독립적으로 처리될 수 있다. 이는 몰입된 입자 필터가 요구하는 정적 선형 부분공간과는 다름.
• 이 방법은 동일한 필터링 프레임워크 내에서 모델 기반 근사(예: 선형화)와 수치 적분 기법을 조합할 수 있어, 탄력성과 정확도를 향상시킨다.
• 투영 행렬을 사용함으로써 모델링과 시스템 조합이 분리되어, 하위계를 독립적으로 설계하고 조합할 수 있으며, 구조적 투명성을 유지한다.
• 이 방법은 칼만 필터링(비가우시안 우도 허용)과 몰입된 입자 필터링(동적 부분공간 허용)을 모두 일반화하여, 더 넓은 범위의 적용 가능한 필터링 문제를 제공한다.