[논문 리뷰] The Kalman Like Particle Filter : Optimal Estimation With Quantized Innovations/Measurements

Ravi Teja Sukhavasi, Babak Hassibi|arXiv (Cornell University)|2009. 09. 05.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 15인용 수 4

한 줄 요약

이 논문은 정량 측정이 있는 선형 시스템을 위한 새로운 추정 알고리즘인 칼만 유사 입자 필터(Kalman Like Particle Filter, KLPF)를 제안한다. 이 알고리즘은 일반화된 폐쇄 비대칭 정규분포(GCSN) 상태 분포를 활용하여 표준 입자 필터보다 훨씬 적은 입자 수로 거의 최적의 성능를 달성한다. 이 방법은 칼만 필터의 구조와 입자 필터링을 융합하여 조건부 상태 밀도의 해석적 형태를 활용함으로써 센서 네트워크에서 효율적이고 정확한 추정을 가능하게 하며, LQG 제어에 대한 고전적 분리 원리가 성립함을 입증한다.

ABSTRACT

We study the problem of optimal estimation and control of linear systems using quantized measurements, with a focus on applications over sensor networks. We show that the state conditioned on a causal quantization of the measurements can be expressed as the sum of a Gaussian random vector and a certain truncated Gaussian vector. This structure bears close resemblance to the full information Kalman filter and so allows us to effectively combine the Kalman structure with a particle filter to recursively compute the state estimate. We call the resulting filter the Kalman like particle filter (KLPF) and observe that it delivers close to optimal performance using far fewer particles than that of a particle filter directly applied to the original problem. We show that the conditional state density follows a, so called, generalized closed skew-normal (GCSN) distribution. We further show that for such systems the classical separation property between control and estimation holds and that the certainty equivalent control law is LQG optimal.

연구 동기 및 목표

• 대역폭 제약이 있는 센서 네트워크에서 측정값이 양자화된 경우 선형 시스템의 최적 상태 추정 문제를 해결하기 위해.
• 입자 수를 줄이되 높은 정확도를 유지하면서 표준 입자 필터를 능가하는 계산 효율성이 뛰어난 필터링 방법을 개발하기 위해.
• 정량된 혁신 하에서 조건부 상태 밀도를 특성화하고, 이가 일반화된 폐쇄 비대칭 정규(GCSN) 분포를 따른다는 것을 보여주기 위해.
• 정량 측정이 있는 시스템에서 고전적 분리 원리가 유지되는지 확인하고, 최적 제어 설계를 가능하게 하기 위해.
• 시뮬레이션을 통해 KLPF가 불안정한 시스템을 안정화시키고 최적 필터에 가까운 성능를 달성함으로써, 매우 적은 입자 수로도 성능을 확보할 수 있음을 보여주기 위해.

제안 방법

• 측정값이 인과적 정량화된 조건 하에서 상태가 정규분포 벡터와 잘린 정규분포 벡터의 조합으로 분해됨을 인지함으로써 KLPF를 유도한다. 이는 일반화된 폐쇄 비대칭 정규(GCSN) 분포를 유도한다.
• 이 필터는 GCSN 구조를 활용하여 사후 평균과 공분산을 반복적으로 계산하며, 칼만 유사 업데이트 식과 비정규성 성분을 위한 입자 필터링을 융합한다.
• 전체 상태를 직접 필터링하는 것에 비해, 상태 분포의 비정규성 부분에만 입자 필터링을 적용함으로써 필터링에 필요한 입자 수를 크게 감소시킨다.
• 이 방법은 sign-of-innovation 및 다수준 정량화를 포함한 모든 인과적 정량화 방식에 일반적으로 적용 가능하다.
• 이론적 분석을 통해 최적 필터의 오차 공분산이 수정된 리카티 재귀식에 의해 상한으로 제한됨을 보여주지만, 이 상한은 항상 날카롭지 않다.
• 분리 원리가 성립함을 증명하여, 정량 측정이 있는 시스템에서 확실성 기반 제어를 사용해 LQG 최적성 달성을 가능하게 한다.

실험 결과

연구 질문

• RQ1 정량 측정 하에서 조건부 상태 밀도는 해석적으로 특성화될 수 있는가? 그리고 이는 정규성에서 얼마나 벗어나는가?
• RQ2 정량 혁신 하에서 상태 분포의 구조를 활용해 입자 수를 줄이면서도 정확도를 유지할 수 있는 입자 필터를 설계할 수 있는가?
• RQ3 정량 측정이 있는 시스템에서 고전적 분리 원리(추정과 제어의 분리)가 유지되는가?
• RQ4 KLPF는 매우 적은 입자 수로도 불안정한 선형 시스템을 안정화시킬 수 있는가?
• RQ5 수정된 리카티 재귀식은 최적 필터의 오차 공분산에 상한으로 작용하는가?

주요 결과

• 정량된 혁신 하에서 조건부 상태 밀도는 일반화된 폐쇄 비대칭 정규(GCSN) 분포를 따르며, 이는 비정규성이고 정량화에 의해 유도된 비대칭성을 반영한다.
• KLPF는 표준 입자 필터보다 훨씬 적은 입자 수로 거의 최적의 추정 성능를 달성한다. 예를 들어, 정량화에 단 한 비트만 추가해도 입자 수를 500에서 50으로 줄일 수 있다.
• 예제 1에서 1비트 MLQ-KF와 MLQ-KF는 발산하지만, 50개의 입자를 사용한 KLPF는 최적 성능를 달성하여 정량화에 대한 강건성을 입증한다.
• 예제 4에서 KLPF는 F의 고유값이 1보다 큰 불안정한 시스템을 1000단계 동안 100개의 입자로 안정화시키며, 1000회의 몬테카를로 시험에서 어떤 발산도 보이지 않았다.
• 수정된 리카티 재귀식은 최적 필터의 오차 공분산을 항상 상한으로 제한하지는 않으며, 이는 이전의 가정과 모순되며 더 날카운 오차 상한이 필요함을 시사한다.
• 분리 원리가 성립한다: 확실성 기반 제어 법칙은 LQG 최적성을 달성하며, 이는 KLPF 상태 추정치만으로도 최적 제어 설계가 가능함을 의미한다.