[論文レビュー] Desensitized Kalman Filtering with Analytical Gain

Taishan Lou|arXiv (Cornell University)|Apr 20, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 6被引用数 7

ひとこと要約

本稿では、状態推定における不確実パラメータへの感度を低減するために、解析的ゲインを備えた感度不変カルマンフィルタを提案する。事後共分散のトレースと重み付き状態誤差感度行列のトレースを組み合わせた新しいコスト関数を最小化することで、反復的最適化を回避した閉形式のゲイン行列が導出され、離散的および連続的線形システムの両方で検証され、数値的安定性と性能向上が示された。

ABSTRACT

The possible methodologies to handle the uncertain parameter are reviewed. The core idea of the desensitized Kalman filter is introduced. A new cost function consisting of a posterior covariance trace and trace of a weighted norm of the state error sensitivities matrix is minimizing to obtain a well-known analytical gain matrix, which is different from the gain of the desensitized Kalman filter. The pre-estimated uncertain parameter covariance is set as a referential sensitivity-weighting matrix in the new framework, and the rationality and validity of the covariance are tested. Then, these results are extended to the linear continuous system.

研究の動機と目的

• 推定誤差への感度を最小化することで、カルマンフィルタにおけるパラメータ不確実性に対処すること。
• 反復的計算を要しない閉形式の解析的ゲイン行列を構築し、状態誤差の感度を低減すること。
• 事前に推定されたパラメータ共分散を感度重み行列として用いることの妥当性と有効性を検証すること。
• 感度不変フィルタリングフレームワークを連続時間線形システムに拡張すること。
• 不確実なシステムパラメータ下でのカルマンフィルタのロバスト性と安定性を向上させること。

提案手法

• 事後共分散のトレースと状態誤差感度行列の重み付きノルムのトレースを組み合わせた新しいコスト関数を導入する。
• 提案されたコスト関数を最小化することで、反復的最適化を回避した解析的ゲイン行列を導出する。
• コスト関数における感度重み行列として、事前に推定されたパラメータ共分散行列を用いる。
• 離散時間線形システムにこのフレームワークを適用し、数学的変換を用いて連続時間系に拡張する。
• 行列微積分と最適化技術を用いて、ゲイン行列に対する閉形式解を取得する。
• パラメータ不確実性下での標準カルマンフィルタと比較した数値的分析を通じて、手法の有効性を検証する。

実験結果

リサーチクエスチョン

• RQ1 感度不変カルマンフィルタに対して、計算コストを低減する閉形式の解析的ゲインを導出できるか？
• RQ2 事前に推定されたパラメータ共分散を感度重みとして用いることで、フィルタのロバスト性にどのような影響を与えるか？
• RQ3 パラメータ不確実性下で、提案手法が標準カルマンフィルタに対してどの程度性能向上を達成するか？
• RQ4 連続時間線形システムにおける感度不変フィルタの挙動はいかがなものか？
• RQ5 提案されたコスト関数は、推定誤差とパラメータ不確実性への感度の両方を効果的に最小化できるか？

主な発見

• 提案された解析的ゲイン行列は、標準カルマンフィルタと比較して、状態推定の不確実パラメータへの感度を顕著に低減している。
• 反復的最適化を要せず、リアルタイム応用が可能となるロバスト性の向上を達成している。
• 事前に推定されたパラメータ共分散を感度重みとして用いることは、フィルタの安定化において妥当かつ有効であることが示された。
• 数値結果から、提案フィルタがパラメータ不確実性下でも低い推定誤差分散を維持していることが明らかになった。
• 連続時間系への拡張は数学的に妥当であり、離散版が持つ感度不変性を保持している。
• コスト関数の設計を通じて、推定精度とパラメータ不確実性への感度の間の妥当なトレードオフを体系的に実現できるフレームワークを提供している。