[논문 리뷰] Two novel costs for determining the tuning parameters of the Kalman Filter

Manika Saha, Bhaswati Goswami외 1명|arXiv (Cornell University)|2011. 10. 18.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 14인용 수 8

한 줄 요약

이 논문은 혁신 공분산을 기반으로 하여 칼만 필터의 튜닝 파라미터를 예측하고 최적화하기 위한 두 가지 새로운 오프라인 성능 지표 $J_1$ 및 $J_2$를 제안한다. 공정 노이즈 공분산 $Q$에 따라 이러한 지표가 어떻게 변하는지 분석함으로써, $n_q \approx 1.21$ 근처에 균형 잡힌 RMSE 성능 영역을 식별할 수 있으며, 이는 온라인 테스트 없이도 강건하고 안정적인 필터 설계를 가능하게 한다.

ABSTRACT

The Kalman filter (KF) and the extended Kalman filter (EKF) are well established techniques for state estimation. However, the choice of the filter tuning parameters still poses a major challenge for the engineers [1]. In the present work, two new costs have been proposed for determining the filter tuning parameters on the basis of the innovation covariance. This provides a cost function based method for the selection of suitable combination(s) of filter tuning parameters in order to ensure the design of a KF or an EKF having an optimally balanced RMSE performance. Index Terms-Kalman filter, tuning parameters, innovation covariance, cost function

연구 동기 및 목표

• 정확한 노이즈 통계가 제공되지 않는 상황에서 칼만 필터 튜닝 파라미터(Q, R, P₀)를 선택하는 데 지속적으로 발생하는 과제를 해결하기 위해.
• 사전 테스트나 온라인 최적화에 의존하지 않고도 성능을 예측할 수 있는 결정론적 오프라인 방법을 개발하기 위해.
• 상태 추정 RMSE에서 강건성과 민감성 사이의 합리적인 트레이드오프를 체계적으로 식별하기 위해.
• 선형 KF와 비선형 EKF를 모두 포함한 2차원 탄도 목표 추적 문제를 통해 제안된 지표를 검증하기 위해.

제안 방법

• 혁신 공분산 $S_k$와 예측 측정 성분을 기반으로 두 가지 새로운 성능 지표 $J_1$ 및 $J_2$를 유도한다.
• $J_1 = \text{trace}(S_k^{-1} \cdot \text{cov}(\hat{y}_k | x_k))$ 및 $J_2 = \text{trace}(S_k^{-1} \cdot \text{cov}(\tilde{y}_k))$를 정의하며, 여기서 $\tilde{y}_k$는 혁신을 의미한다.
• 프로세스 노이즈 공분산 $Q_0 = 10^p Q_{\text{nom}}$를 연속적으로 변화시켜 $n_q$로 매개변수화함으로써 튜닝 파라미터 공간 전반에서 성능을 탐색한다.
• 다양한 $n_q$ 값에 대해 $J_1$ 및 $J_2$를 오프라인으로 평가하여 실제 필터링 이전에 RMSE 행동을 예측한다.
• KF 및 EKF 시뮬레이션에서 실제 RMSE 결과와 지표의 추세를 비교하여 예측 능력을 검증한다.
• 지표 $J_1$ 및 $J_2$의 교차점이 균형 잡힌 성능을 위한 최적의 $n_q$ 범위를 식별하는 데 사용된다.

실험 결과

연구 질문

• RQ1 혁신 기반 지표인 $J_1$ 및 $J_2$는 온라인 테스트 없이도 실제 칼만 필터의 RMSE 성능을 예측할 수 있는가?
• RQ2 $J_1$ 및 $J_2$는 프로세스 노이즈 공분산 $Q_0$의 변화에 따라 어떻게 변하며, 이는 필터의 안정성과 정확성에 어떤 의미를 갖는가?
• RQ3 $n_q$의 어떤 값에서 필터가 RMSE에서 강건성과 민감성 사이의 균형 잡힌 트레이드오프를 달성하는가?
• RQ4 제안된 지표는 선형(KF) 및 비선형(EKF) 시스템 전반에서 최적 튜닝 파라미터 조합을 신뢰성 있게 식별할 수 있는가?
• RQ5 $J_1$ 및 $J_2$ 지표는 예측 능력과 해석 가능성 측면에서 기존의 표준 NIS 지표와 비교해 볼 때 어떤가?

주요 결과

• 지표 $J_1$ 및 $J_2$는 측정값의 수인 $m=2$ 사이에 유한하게 놓여져 있으며, $n_q$가 낮을수록 $J_1$가 $m$에 수렴하고, $n_q$가 높을수록 $J_2$가 $m$에 수렴한다.
• $J_1$는 높은 $n_q$에서, $J_2$는 낮은 $n_q$에서 근처 0에 도달하며, 이는 극도로 민감하거나 불안정한 상태를 나타낸다.
• $J_1$ 및 $J_2$의 교차점은 $n_q = 0.21$와 $n_q = 1.21$ 사이에 발생하며, 이는 균형 잡힌 RMSE 성능 영역을 식별한다.
• $n_q \geq 1.21$인 경우, $J_2$ 값이 $m=2$에 가까워지며 강건성을 나타내고, 낮은 $n_q$에서 $J_1$ 값이 $m$에 가까워지며 높은 민감성과 잠재적 발산 가능성을 시사한다.
• 제안된 지표는 KF 및 EKF의 실제 RMSE 행동을 성공적으로 예측하였으며, 전체 $n_q$ 범위에서 시뮬레이션 결과와 성능 추세가 일치한다.
• 이 방법은 최소한의 계산 오버헤드로 오프라인에서 튜닝 파라미터를 선택할 수 있으며, 히ュ리스틱 또는 반복적 튜닝의 결정론적 대안을 제공한다.