[논문 리뷰] A Step by Step Mathematical Derivation and Tutorial on Kalman Filters

Hamed Masnadi-Shirazi, Alireza Masnadi-Shirazi외 1명|arXiv (Cornell University)|2019. 10. 08.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 10인용 수 5

한 줄 요약

이 논문은 힐버트 공간 내에서의 수직 투영과 베이지안 최적 필터링이라는 두 가지 이론적 프레임워크를 사용하여 칼만 필터의 체계적이고 단계적인 수학적 유도를 제공한다. 전형적인 예측 및 갱신 식은 철저한 분석적 엄밀성으로 유도되며, 선형-가우시안 가정 하에서 칼만 필터가 최소 평균 제곱 오차 추정기로서 최적임을 입증한다.

ABSTRACT

We present a step by step mathematical derivation of the Kalman filter using two different approaches. First, we consider the orthogonal projection method by means of vector-space optimization. Second, we derive the Kalman filter using Bayesian optimal filtering. We provide detailed proofs for both methods and each equation is expanded in detail.

연구 동기 및 목표

• 임의의 벡터의 힐버트 공간 내에서의 수직 투영을 사용하여 칼만 필터의 완전하고 교육적인 유도를 제공한다.
• 베이지안 최적 필터링 이론을 적용하여 칼만 필터를 재유도함으로써, 그것이 최대우도 추정기(MAP)로서의 동등성을 확립한다.
• 두 유도 과정의 각 식에 대해 상세하고 단계적인 증명을 제시하여 수학적 명확성과 완전성을 확보한다.
• 빈도주의적(최소 분산)과 베이지안적(최대우도) 해석이라는 두 주요 이론적 해석을 하나의 프레임워크 안에서 통합한다.
• 연구자 및 학생들이 칼만 필터링의 깊은 수학적 이해를 얻을 수 있도록, 모든 유도 과정이 포함된 교육 자료로 기능한다.

제안 방법

• 임의의 벡터의 힐버트 공간 이론을 사용하여, 수직 투영을 통한 최소 평균 제곱 오차 추정기로서 칼만 필터를 기반으로 한다.
• 가우스-마르코프 추정 이론을 적용하여 선형-가우시안 가정 하에서 최적의 선형 무편향 추정기로 유도한다.
• 측정값이 주어진 상태의 사후 분포를 계산하여 베이지안 접근을 통해 칼만 필터 식을 도출한다.
• 행렬 역행렬 식(우드베리 항등식)을 사용하여 갱신된 오차 공분산 행렬의 표현을 단순화한다.
• 사후 오차 공분산을 최소화하는 최적의 가중치 요소로서 칼만 이득을 유도한다.
• 가우시안 우도와 사전 분포를 조합하여 사후 분포가 가우시안임을 도출함으로써, 닫힌 형태의 갱신 식을 가능하게 한다.

실험 결과

연구 질문

• RQ1 힐버트 공간 내에서의 수직 투영 원리로부터 칼만 필터를 엄밀하게 어떻게 도출할 수 있는가?
• RQ2 칼만 필터의 베이지안적 해석은 무엇이며, 이는 빈도주의적 접근과 동일한 갱신 식을 어떻게 도출하는가?
• RQ3 추정 오차 분산을 최소화하기 위한 칼만 이득 행렬의 수학적 근거는 무엇인가?
• RQ4 예측 및 갱신 단계는 상태와 측정값의 결합 가우시안 분포로부터 어떻게 유도되는가?
• RQ5 행렬 역행렬 식은 사후 공분산 표현을 단순화하는 데 어떤 역할을 하는가?

주요 결과

• 칼만 필터는 힐버트 공간 내에서의 수직 투영을 통한 최소 평균 제곱 오차 추정기와 수학적으로 동일하다.
• 측정값이 주어진 상태의 사후 분포는 평균이 갱신된 추정치와 같고, 공분산이 사전 및 측정 정밀도 행렬의 역행합의 역행렬과 같은 가우시안 분포이다.
• 칼만 이득 행렬은 $ K_k = P_{k|k-1}H_k^T(R_k + H_kP_{k|k-1}H_k^T)^{-1} $ 로 유도되며, 이는 사후 오차 공분산을 최소화한다.
• 갱신된 상태 추정치는 $ \hat{x}_{k|k} = \hat{x}_{k|k-1} + K_k(z_k - H_k\hat{x}_{k|k-1}) $ 로 주어지며, 이는 예측된 상태를 잡음에 의한 보정으로서 나타낸다.
• 갱신된 오차 공분산은 $ P_{k|k} = (I - K_kH_k)P_{k|k-1} $ 로 주어지며, 이는 항상 사전 공분산보다 작으며 오차 감소를 확인한다.
• 유도 과정은 칼만 필터가 선형성과 가우시안 노이즈 가정 하에서 최적임을 확인하며, 평균 제곱 추정 오차를 최소화함을 입증한다.