[論文レビュー] Adaptive Gaussian Mixture Filter Based on Statistical Linearization

Marco F. Huber|arXiv (Cornell University)|Mar 30, 2012

Target Tracking and Data Fusion in Sensor Networks参考文献 25被引用数 12

ひとこと要約

本稿では、局所線形化誤差を定量化するために統計的線形化を用い、動的に成分数を調整するアダプティブなガウス混合フィルタを提案する。非線形性が最も高い方向に成分を分割することで、従来の手法よりも少ない分割数で優れた推定精度を達成し、UKF や PF よりも優れた性能を示しながら、計算コストを低く抑えている。

ABSTRACT

Gaussian mixtures are a common density representation in nonlinear, non-Gaussian Bayesian state estimation. Selecting an appropriate number of Gaussian components, however, is difficult as one has to trade of computational complexity against estimation accuracy. In this paper, an adaptive Gaussian mixture filter based on statistical linearization is proposed. Depending on the nonlinearity of the considered estimation problem, this filter dynamically increases the number of components via splitting. For this purpose, a measure is introduced that allows for quantifying the locally induced linearization error at each Gaussian mixture component. The deviation between the nonlinear and the linearized state space model is evaluated for determining the splitting direction. The proposed approach is not restricted to a specific statistical linearization method. Simulations show the superior estimation performance compared to related approaches and common filtering algorithms.

研究の動機と目的

• 非線形的かつ非ガウス的ベイズ推定において、計算コストと推定精度のバランスを取る最適なガウス成分数の選択という課題に取り組む。
• 固定成分数のガウス混合フィルタの限界を克服し、非線形性の検出に基づいてオンラインで成分管理を行うアダプティブな管理を可能にする。
• 局所線形化誤差が最大の成分を優先して分割する基準を開発し、計算リソースの効率的利用を実現する。
• 任意の統計的線形化手法との互換性を確保し、さまざまな非線形推定問題に応用可能な汎用性を高める。

提案手法

• 混合モデル内の各ガウス成分の周囲で、非線形な状態および測定モデルを局所的に近似するために統計的線形化を用いる。
• 各成分について、真の非線形モデルとその線形化バージョンとの乖離を定量化するための線形化誤差共分散行列を計算する。
• 分割の対象となる成分を、誤差共分散行列の最大固有値を用いて、最大非線形性方向に決定する。
• 非線形性が最大の方向にモーメント保持型分割を実行し、事後密度の正確な表現を保証する。
• 予測、更新、成分削減のステップを含む、完全なベイズフィルタリングフレームワークに分割機構を統合する。
• 任意の統計的線形化手法（例：アンサンブル・トランスフォーム）をサポートすることで、フィルタのモジュラリティと広範な適用可能性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 非線形性の局所的特徴に応じて、事前に知識が得られない状況下で、混合フィルタ内のガウス成分数をどのように動的に調整できるか。
• RQ2 線形化誤差共分散行列は、高い非線形性のために分割が必要な成分を特定する信頼性のある指標として機能するか。
• RQ3 線形化誤差共分散行列の最大固有値に対応する方向に分割することで、重みや分散に基づく分割よりも、より効率的かつ正確な密度近似が達成できるか。
• RQ4 提案手法のアダプティブフィルタは、固定成分数フィルタ、UKF、およびパーティクルフィルタと比較して、非線形的・非ガウス的推定タスクにおける性能と計算コストの両面で優れているか。

主な発見

• 8および32成分の削減閾値を設定した本手法のアダプティブ・ガウス混合フィルタ（AGMF）は、平均二乗誤差（RMSE）の観点で最良のトラッキング性能を達成し、UKF や MWE、ALD フィルタを上回った。
• 32成分の AGMF は、10,000サンプルを必要とするパーティクルフィルタと同等の推定精度を達成したが、はるかに少ない実行時間を要した。
• UKF はグリントノイズの存在下で発散したため、重い尾部を持つノイズ環境では単一ガウス近似の限界が顕著に現れた。
• 状態共分散行列の最大固有値に基づいて分割を行う ALD フィルタは、線形化誤差を考慮していないため、効果のない分割が多数発生し、性能が低かった。
• 最大重みと最大固有値に基づいて分割を行う MWE フィルタは、多くの分割を無駄にした（非線形変換された変数 φₖ に使用された分割は25％未満）ため、AGMF よりも非効率であった。
• 強いグリントノイズ下で、状態混合成分が2成分に削減された場合、AGMF は最大40回の分割しか使用しなかったが、これは非常に高い効率性を示しており、成分数が増加するにつれて分割回数が減少し、実行時間が短縮された。