[논문 리뷰] The Recursive Gauss-Newton Filter

Roaldje Nadjiasngar, Michael Inggs|arXiv (Cornell University)|2011. 10. 24.

Neural Networks and Applications참고 문헌 8인용 수 3

한 줄 요약

이 논문은 가우스-뉴턴 방법에서 유도된 단순하고 메모리 효율적인 재귀적 가우스-뉴턴 필터(RGNF)를 소개한다. 비선형 상태 추정을 위해 局부 선형화와 가중 최소 제곱법을 통합한다. 레벤버그-마르카르트 감쇠 전략을 통합함으로써 RGNF는 선형/비선형 과정 및 관측 모델의 모든 네 가지 조합에서 강건한 성능을 발휘하며, 계산 메모리를 크게 감소시키면서도 기동하는 목표물의 추적 정확도를 유지한다.

ABSTRACT

This paper presents a compact, recursive, non-linear, filter, derived from the Gauss-Newton (GNF), which is an algorithm that is based on weighted least squares and the Newton method of local linearisation. The recursive form (RGNF), which is then adapted to the Levenberg-Maquardt method is applicable to linear / nonlinear of process state models, coupled with the linear / nonlinear observation schemes. Simulation studies have demonstrated the robustness of the RGNF, and a large reduction in the amount of computational memory required, identified in the past as a major limitation on the use of the GNF.

연구 동기 및 목표

• 원래의 비재귀적 GNF가 요구하는 높은 계산 메모리 요구량을 해결하기 위해 재귀적이고 메모리 효율적인 가우스-뉴턴 필터(GNF)의 수식을 개발한다.
• GNF의 적용 가능성을 선형/비선형 과정 역학과 관측 모델의 모든 네 가지 조합으로 확장한다.
• 재귀적 필터 프레임워크에 레벤버그-마르카르트 감쇠 전략을 통합하여 강건성과 수렴 안정성을 향상시킨다.
• 적응형 감쇠 및 망각 인자(Forgetting Factor)를 갖춘 단일 필터 모델을 통해 기동 목표물의 실시간 추적을 가능하게 한다.

제안 방법

• 명목 경로 주변의 局부 선형화를 사용하여 가우스-뉴턴 필터의 재귀적 형태를 유도함으로써 상태 전이 행렬을 명시적으로 계산하지 않도록 한다.
• 가중 최소 제곱법을 사용하여 헤시안 행렬 근사의 재귀적 갱신을 도입함으로써 과거 데이터를 저장하지 않고도 효율적인 상태 추정을 가능하게 한다.
• 레벤버그-마르카르트 감쇠 인자를 적용하여 가우스-뉴턴 방식과 경사 하강법 단계 사이의 균형을 조절함으로써 수렴성과 강건성을 향상시킨다.
• 망각 인자를 재귀적 식에 통합하여 기동 목표물의 추적 성능을 향상시킨다.
• 선형/선형, 선형/비선형, 비선형/선형, 비선형/비선형 과정 및 관측 모델의 모든 사례에 적용 가능한 단순하고 통합된 알고리즘을 사용한다.
• 편미분 역학에 대한 민감도 행렬 A(Ẋ(t))와 전이 행렬 Φ를 계산하기 위해 수치적 적분을 활용한다.

실험 결과

연구 질문

• RQ1 과거 데이터 또는 전이 행렬을 저장하지 않으면서도 메모리 효율적인 재귀적 가우스-뉴턴 필터를 유도할 수 있는가?
• RQ2 레벤버그-마르카르트 감쇠 전략의 통합이 재귀적 가우스-뉴턴 필터의 강건성과 수렴성에 어떤 영향을 미치는가?
• RQ3 재귀적 가우스-뉴턴 필터는 선형 및 비선형 과정 및 관측 모델의 모든 조합에서 기동 목표물을 얼마나 잘 추적할 수 있는가?
• RQ4 감쇠 인자와 망각 인자가 비선형 추적 시나리오에서 추정 정확도와 수렴 속도에 어떤 영향을 미치는가?

주요 결과

• 재귀적 가우스-뉴턴 필터(RGNF)는 과거 상태 전이 행렬이나 역사적 데이터를 저장할 필요가 없기 때문에 메모리 오버헤드가 0이다.
• RGNF는 선형/선형, 선형/비선형, 비선형/선형, 비선형/비선형 동역학 및 관측의 모든 네 가지 조합에서 강건한 성능을 보였다.
• 속도의 RMSE는 목표물의 기동에 따라 변동하지만, 위치의 RMSE는 안정적으로 유지되어 동적 변화가 있음에도 불구하고 목표 상태를 효과적으로 추적함을 시사한다.
• 기동 전환 시점에서 감쇠 인자가 급격히 증가하여 목표 동역학 변화에 적응하는 반응을 보였다.
• 기동 중에는 사이클당 평균 반복 수가 증가하여 상태 전환 시 더 높은 계산 요구량을 반영한다.
• RGNF는 평균 10~15회 내외의 반복 수로 수렴하며, 250회의 몬테카를로 시뮬레이션 동안 낮은 루트 평균 제곱 오차(RMSE)를 유지한다.