[논문 리뷰] Nonlinear Bayesian Estimation: From Kalman Filtering to a Broader Horizon

Huazhen Fang, Ning Tian외 3명|arXiv (Cornell University)|2017. 12. 04.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 39인용 수 3

한 줄 요약

이 논문은 비선형 베이지안 추정에 대한 종합적인 튜토리얼을 제시하며, 칼만 필터링 변종(EKF, UKF, EnKF)을 체계적으로 검토하고, 입자 필터링 및 이동 최적화 영역 추정과 같은 고급 방법으로 확장한다. 비선형 시스템에서 상태 추정을 위한 통합된 베이지안 프레임워크를 수립하며, 확률 모델링과 불확실성 정량화에 중점을 둔다.

ABSTRACT

This article presents an up-to-date tutorial review of nonlinear Bayesian estimation. State estimation for nonlinear systems has been a challenge encountered in a wide range of engineering fields, attracting decades of research effort. To date, one of the most promising and popular approaches is to view and address the problem from a Bayesian probabilistic perspective, which enables estimation of the unknown state variables by tracking their probabilistic distribution or statistics (e.g., mean and covariance) conditioned on the system's measurement data. This article offers a systematic introduction of the Bayesian state estimation framework and reviews various Kalman filtering (KF) techniques, progressively from the standard KF for linear systems to extended KF, unscented KF and ensemble KF for nonlinear systems. It also overviews other prominent or emerging Bayesian estimation methods including the Gaussian filtering, Gaussian-sum filtering, particle filtering and moving horizon estimation and extends the discussion of state estimation forward to more complicated problems such as simultaneous state and parameter/input estimation.

연구 동기 및 목표

• 비선형 시스템의 베이지안 상태 추정에 대해 체계적이고 하향식으로 소개하는 것.
• 베이지안 확률적 프레임워크 내에서 주요 칼만 필터링 기법들(EKF, UKF, EnKF)을 검토하고 비교하는 것.
• 가우시안 필터링, 가우시안-합 필터링, 입자 필터링, 이동 최적화 영역 추정과 같은 고급 베이지안 추정기로 논의를 확장하는 것.
• 동시 상태 및 매개변수 추정과 같은 복잡한 추정 과제를 다루는 것.
• 사이버-물리 시스템 및 데이터 집약적 시스템을 위한 비선형 베이지안 추정 분야의 미래 연구 방향을 식별하고 논의하는 것.

제안 방법

• 비선형 상태 추정 문제를 베이지안 추론 문제로 모델링하며, 상태를 시간에 따라 변하는 확률 분포를 갖는 랜덤 벡터로 간주한다.
• 베이즈 정리를 적용하여 측정 데이터를 조건으로 한 상태의 사후 분포를 반복적으로 갱신한다.
• EKF와 UKF에서 비선형 함수를 통과하는 동안 가우시안 분포를 전파하기 위해 선형 및 비선형 근사(예: 야코비안 및 언스큐티드 변환)를 사용한다.
• EnKF에서는 앙상블을 활용한 몬테카를로 샘플링을 통해 사후 분포를 근사한다.
• 비가우시안 및 다모드 사후 분포를 다루기 위해 가우시안 필터링(GF)과 가우시안-합 필터링(GSF)을 도입한다.
• 가중치가 부여된 입자를 사용하는 순차적 몬테카를로 방법을 적용하여 비가우시안 및 비선형 시스템에서의 입자 필터링(PF)을 수행한다.
• 유한한 시간 영역 최적화를 통해 정확도를 향상시키는 이동 최적화 영역 추정(MHE)으로 프레임워크를 확장한다.

실험 결과

연구 질문

• RQ1 베이지안 프레임워크는 비선형 상태 추정 문제에 어떻게 체계적으로 적용될 수 있는가?
• RQ2 EKF, UKF, EnKF는 비선형 확률 분포의 변환을 근사할 때 각각 어떤 강점과 한계를 갖는가?
• RQ3 입자 필터링 및 이동 최적화 영역 추정과 같은 고급 방법은 복잡한 상황에서 전통적인 칼만 필터보다 어떻게 향상되는가?
• RQ4 비선형 변환에 의한 확률 분포의 결과를 정확히 특성화하는 데 있어 핵심 과제는 무엇인가?
• RQ5 베이지안 추정은 동적 시스템에서 동시에 상태와 매개변수를 추정하는 데 어떻게 확장될 수 있는가?

주요 결과

• 베이지안 프레임워크는 비선형 시스템에서 불확실성을 확률적으로 모델링할 수 있는 통합적이고 직관적인 접근법을 제공한다.
• 확장된 칼만 필터링(EKF)은 경미한 비선형성 시스템에서는 합리적인 성능을 달성하지만, 야코비안 근사에 기인한 선형화 오류로 인해 성능 저하를 겪는다.
• 언스큐티드 칼만 필터링(UKF)은 EKF보다 비선형으로 변환된 분포의 평균과 공분산를 더 효과적으로 포착하기 위해 시그마 포인트를 사용함으로써 정확도를 향상시킨다.
• 앙상블 칼만 필터링(EnKF)은 고차원 시스템, 특히 데이터 융합 맥락에서 유연하고 견고한 샘플링 기반의 대안을 제공한다.
• 입자 필터링은 비가우시안 및 고도로 비선형적인 시스템에서 추정이 가능하지만, 계산 복잡도 증가와 입자 고갈의 잠재적 문제로 인해 비용이 발생한다.
• 이동 최적화 영역 추정(MHE)은 유한한 시간 영역 최적화 문제를 해결함으로써 추정 정확도를 향상시키며, 제약 조건과 노이즈가 많은 측정치가 있는 시스템에 적합하다.