[논문 리뷰] Adaptive Neuro-Fuzzy Extended Kalman Filtering for Robot Localization

Ramazan Havangi, Mohammad Ali Nekoui외 1명|arXiv (Cornell University)|2010. 04. 19.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 8인용 수 7

한 줄 요약

이 논문은 이동 로봇의 정위치를 향상시키기 위해 실시간으로 과정 및 측정 잡음 공분산 행렬(Qk 및 Rk)을 추정하기 위해 적응형 신경 퍼지 추론 시스템(ANFIS)을 사용하는 적응형 신경 퍼지 확장 칼만 필터링(ANFEKF) 프레임워크를 제안한다. 이론적 및 실제 혁신 공분산 간의 격차를 최소화하기 위해 최강하강법으로 훈련된 방법은 불확실한 잡음 통계 조건 하에서 EKF의 강건성을 향상시킨다. 시뮬레이션 결과는 표준 EKF에 비해 향상된 추정 정확도와 안정성을 보여준다.

ABSTRACT

Extended Kalman Filter (EKF) has been a popular approach to localization a mobile robot. However, the performance of the EKF and the quality of the estimation depends on the correct a priori knowledge of process and measurement noise covariance matrices (Qk and Rk, respectively). Imprecise knowledge of these statistics can cause significant degradation in performance. This paper proposed the development of an Adaptive Neuro- Fuzzy Extended Kalman Filtering (ANFEKF) for localization of robot. The Adaptive Neuro-Fuzzy attempts to estimate the elements of Qk and Rk matrices of the EKF algorithm, at each sampling instant when measurement update step is carried out. The ANFIS supervises the performance of the EKF with the aim of reducing the mismatch between the theoretical and actual covariance of the innovation sequences. The free parameters of ANFIS are trained using the steepest gradient descent (SD) to minimize the differences of the actual value of the covariance of the residual with its theoretical value as much possible. The simulation results show the effectiveness of the proposed algorithm.

연구 동기 및 목표

• 과정 및 측정 잡음 공분산 행렬(Qk 및 Rk)에 대한 사전 지식이 부정확할 경우 발생하는 확장 칼만 필터(EKF)의 성능 저하 문제를 해결하기 위해.
• EKF 알고리즘의 측정 업데이트 단계 동안 실시간으로 Qk 및 Rk를 추정하는 적응 메커니즘을 개발하기 위해.
• 적응형 신경 퍼지 추론 시스템(ANFIS)을 사용하여 이론적 및 실제 혁신 공분산 시퀀스 간의 불일치를 줄이기 위해.
• 실제 잔차 공분산과 그 이론적 기대값 간의 차이를 최소화하기 위해 ANFIS의 자유 매개변수를 최강하강법으로 훈련하기 위해.

제안 방법

• ANFEKF 프레임워크는 확장 칼만 필터(EKF)와 적응형 신경 퍼지 추론 시스템(ANFIS)을 통합하여 Qk 및 Rk 행렬을 실시간으로 추정한다.
• ANFIS는 퍼지 논리 규칙와 신경망 학습을 활용하여 시스템 상태와 잡음 통계 간의 비선형 관계를 모델링한다.
• 혁신 시퀀스의 이론적 및 실제 공분산 간 오차를 최소화하기 위해 ANFIS의 매개변수는 최강하강법으로 업데이트된다.
• 혁신 시퀀스는 실제 측정값과 예측 측정값의 차이로 계산되며, 그 공분산은 이론적 값과 비교된다.
• 훈련 목표는 실제 잔차 공분산과 그 이론적 기대값 간의 차이를 최소화하여 EKF의 강건성을 향상시키는 것이다.
• 이 방법은 EKF의 측정 업데이트 단계에서 적용되며, 각 샘플링 순간에 Qk 및 Rk를 동적으로 조정한다.

실험 결과

연구 질문

• RQ1 과정 및 측정 잡음 통계가 불확실하거나 시간에 따라 변할 경우, 적응 메커니즘이 로봇 정위치에서 EKF 성능을 향상시킬 수 있는가?
• RQ2 ANFIS 시스템은 시간에 따라 변하는 Qk 및 Rk 행렬을 얼마나 효과적으로 추정하여 EKF 기반 정위치의 추정 오차를 줄일 수 있는가?
• RQ3 이론적 및 실제 혁신 공분산 간 격차를 최소화하는 것이 정위치 정확도와 안정성 향상에 어느 정도 기여하는가?
• RQ4 EKF와 ANFIS의 통합은 노이즈 또는 불확실 조건 하에서 표준 EKF에 비해 더 빠른 수렴과 감소된 발산을 이끌어내는가?

주요 결과

• 제안된 ANFEKF 방법은 표준 EKF에 비해 이론적 및 실제 혁신 공분산 간 불일치를 크게 감소시킨다.
• 시뮬레이션 결과는 불확실한 잡음 조건 하에서 로봇 정위치의 향상된 추정 정확도와 강건성을 보여준다.
• ANFIS 기반의 Qk 및 Rk 행렬 적응은 상태 추정의 더 빠른 수렴과 감소된 발산을 이끈다.
• ANFIS 매개변수의 최강하강법 훈련은 실제 및 이론적 잔차 공분산 간의 차이를 효과적으로 최소화한다.
• 초기 잡음 공분산 추정치가 부정확하거나 불일치하더라도 방법은 안정된 성능을 유지한다.
• 시뮬레이션 실험을 통해 검증된 결과, ANFEKF는 전통적인 EKF에 비해 정위치 정확도와 노이즈 불확실성에 대한 내성에서 뛰어난 성능을 보인다.