[논문 리뷰] Notes on Kalman Filter (KF, EKF, ESKF, IEKF, IESKF)

Gyubeom Im|arXiv (Cornell University)|2024. 06. 10.

Inertial Sensor and Navigation인용 수 4

한 줄 요약

이 논문은 칼만 필터(Kalman Filter, KF), 확장 칼만 필터(Extended Kalman Filter, EKF), 오차 상태 칼만 필터(Error-State Kalman Filter, ESKF), 반복적 확장 칼만 필터(Iterated Extended Kalman Filter, IEKF), 반복적 오차 상태 칼만 필터(Iterated Error-State Kalman Filter, IESKF)의 체계적이고 수학적으로 엄밀한 유도 및 비교 분석을 제공한다. 이들은 베이지안 최적화 프레임워크 아래 통합되며, 최대 사후확률(MAP) 추정과 가우스-뉴턴 최적화를 통해 각 필터가 유도된다. 또한 예측 및 보정 단계의 명시적 유도를 통해 반복적 보정을 통한 수렴성 및 정확도 향상의 특징을 강조한다.

ABSTRACT

The Kalman Filter (KF) is a powerful mathematical tool widely used for state estimation in various domains, including Simultaneous Localization and Mapping (SLAM). This paper presents an in-depth introduction to the Kalman Filter and explores its several extensions: the Extended Kalman Filter (EKF), the Error-State Kalman Filter (ESKF), the Iterated Extended Kalman Filter (IEKF), and the Iterated Error-State Kalman Filter (IESKF). Each variant is meticulously examined, with detailed derivations of their mathematical formulations and discussions on their respective advantages and limitations. By providing a comprehensive overview of these techniques, this paper aims to offer valuable insights into their applications in SLAM and enhance the understanding of state estimation methodologies in complex environments.

연구 동기 및 목표

• 베이지안 및 최적화 관점에서 KF, EKF, ESKF, IEKF, IESKF의 통합적이고 수학적으로 엄밀한 유도를 제공하는 것.
• 비선형 필터링의 맥락에서 MAP 추정, 최대우도추정(MLE) 및 가우스-뉴턴 최적화 간의 관계를 명확히 하는 것.
• IEKF 및 IESKF의 업데이트 단계를 반복적 보정을 통해 유도하여 기존 EKF 및 ESKF 대비 수렴성 및 정확도를 향상시키는 것.
• 다섯 개 필터 간의 체계적 비교를 통해 유사점과 차이점, 알고리즘 구조를 명확히 하는 것.
• 로봇공학, SLAM, 자율주행 시스템 등 비선형 상태 추정을 구현하거나 분석하는 연구자들에게 기초 자료를 제공하는 것.

제안 방법

• 베이지안 추론과 최소 평균 제곱 오차(MMSE) 추정을 사용하여 칼만 필터의 예측 및 업데이트 단계를 유도한다.
• 비선형 운동 및 관측 모델을 일阶 테일러 전개를 통해 선형화하여 확장 칼만 필터(EKF)를 적용한다.
• 명시적 궤적에 대한 상태 오차를 전파하는 방식으로 오차 상태 칼만 필터(ESKF)를 도입하여 비선형 시스템에서의 수치적 안정성을 향상시킨다.
• 업데이트된 추정치 주변에서 관측 모델을 반복적으로 재선형화함으로써 반복적 확장 칼만 필터(IEKF)를 개발하여 수렴성을 향상시킨다.
• 가우스-뉴턴 최적화를 사용해 잔차 항을 반복적으로 보정하는 방식으로 ESKF 구조와 결합한 반복적 오차 상태 칼만 필터(IESKF)의 유도를 수행한다.
• MAP 기반 유도를 통해 EKF와 IEKF를 통합하며, 반복적 업데이트가 우도 함수에 대한 가우스-뉴턴 단계에 해당함을 보여준다.

실험 결과

연구 질문

• RQ1 KF, EKF, ESKF, IEKF, IESKF는 그 수학적 형태와 알고리즘 구조에서 어떻게 다를까?
• RQ2 EKF와 MAP 추정 간의 관계는 무엇이며, 가우스-뉴턴 최적화가 성능 향상에 어떻게 기여하는가?
• RQ3 IEKF와 IESKF의 반복적 보정은 기존 EKF 및 ESKF 대비 추정 정확도를 어떻게 향상시키는가?
• RQ4 왜 오차 상태 형태(ESKF/IESKF)는 비선형 시스템에서 표준 EKF보다 더 수치적으로 안정한가?
• RQ5 IESKF 업데이트 단계 유도에서 헤시안 행렬과 피셔 정보량의 역할은 무엇인가?

주요 결과

• IEKF와 IESKF는 업데이트된 상태 추정치 주변에서 관측 모델을 반복적으로 재선형화함으로써 선형화 오차를 줄여 수렴성과 정확도를 향상시킨다.
• IESKF 업데이트 단계는 MAP 목표 함수에 대한 가우스-뉴턴 단계로 유도되며, 이는 반복적 보정이 음의 로그우도를 뉴턴 유형 최적화로 최소화하는 것과 동일함을 보여준다.
• ESKF 및 IESKF 프레임워크는 절대 상태 전파가 아닌 오차 전파 방식을 사용하므로 표준 EKF보다 더 수치적으로 안정하다는 것이 입증되었다.
• 유도 과정에서 칼만 필터의 칼만_gain은 가우시안 가정 하에서 최적이며, EKF 및 IEKF에서는 선형화된 모델에서 유도된다는 것이 드러났다.
• IESKF 업데이트 식은 명시적으로 δx̂_t|t,j = K_t,j(z_t - h( x̂_t|t,j,0,0) + H_t,j J_t,j^{-1}(x̂_t|t,j - x̂_t|t-1)) - J_t,j^{-1}(x̂_t|t,j - x̂_t|t-1)로 유도되었으며, 이는 자코비안과 잔차에 대한 의존성을 보여준다.
• 논문은 IESKF가 관측 모델에 대해 다수의 가우스-뉴턴 반복을 수행하는 것과 동일하다고 규명하였으며, 이는 비선형 시스템에서 더 빠른 수렴성과 향상된 성능를 이끌어낸다.