[论文解读] iMHS: An Incremental Multi-Hypothesis Smoother

Fan Jiang, Varun Agrawal+3 more|arXiv (Cornell University)|Mar 24, 2021

Target Tracking and Data Fusion in Sensor Networks参考文献 28被引用 6

一句话总结

该论文提出 iMHS，一种用于混合动力系统的增量式多假设平滑器，通过将多假设树与贝叶斯树结合，利用增量推理高效处理混合动力系统。它通过利用时间结构实现恒定时间平滑，计算成本有界，从而在1D、2D和3D机器人学问题中实现高精度的模式估计，包括变道、飞机机动以及腿式机器人接触检测。

ABSTRACT

State estimation of multi-modal hybrid systems is an important problem with many applications in the field robotics. However, incorporating discrete modes in the estimation process is hampered by a potentially combinatorial growth in computation. In this paper we present a novel incremental multi-hypothesis smoother based on eliminating a hybrid factor graph into a multi-hypothesis Bayes tree, which represents possible discrete state sequence hypotheses. Following iSAM, we enable incremental inference by conditioning the past on the future but we add to that the capability of maintaining multiple discrete mode histories, exploiting the temporal structure of the problem to obtain a simplified representation that unifies the multiple hypothesis tree with the Bayes tree. In the results section we demonstrate the generality of the algorithm with examples in three problem domains: lane change detection (1D), aircraft maneuver detection (2D), and contact detection in legged robots (3D).

研究动机与目标

• 解决多模态混合系统状态估计中的组合计算增长问题。
• 在具有离散模式和连续状态的系统中实现高效、增量式的平滑。
• 支持模式之间的随机转换，并在动力学或测量模型信息不对称时实现模型选择。
• 将多假设树与贝叶斯树统一为单一数据结构，以简化推理并降低复杂度。
• 在包括自动驾驶汽车、飞机跟踪和腿式机器人在内的多样化机器人领域中展示其适用性。

提出的方法

• 将问题建模为具有连续状态、离散模式和测量的混合因子图，通过动态贝叶斯网络进行建模。
• 通过将过去状态基于未来观测进行条件化来应用增量平滑，扩展 iSAM 方法以支持多个离散模式历史。
• 构建一个表示所有可能离散状态序列假设的紧凑统一结构的多假设贝叶斯树。
• 通过将混合因子图消去为贝叶斯树，实现计算成本有界的精确推理。
• 引入随机模式转换，并允许根据模式的相对信息量进行模型选择。
• 利用时间结构避免冗余计算，并将假设追踪与增量推理统一。

实验结果

研究问题

• RQ1 如何在不引发组合爆炸的情况下，将增量推理扩展至支持混合系统中多个离散模式历史？
• RQ2 能否设计一种统一的数据结构，将多假设树与贝叶斯树结合以实现高效平滑？
• RQ3 与滤波方法相比，该方法在存在随机过程和测量噪声时的性能如何？
• RQ4 该算法在具有不同模态和维度的多样化机器人应用中的泛化能力如何？
• RQ5 模型选择以及模式信息量的非对称性对估计精度有何影响？

主要发现

• 即使在高侧向通道噪声的实时滤波模式下，iMHS 算法仍保持超过 90% 的模式估计精度。
• 在平滑模式下，iMHS 在复杂飞行轨迹的 100 次蒙特卡洛运行中均实现了鲁棒且精确的模式识别。
• 对于腿式机器人接触估计，iMHS 在真实 ANYmal B 数据上实现了低交叉熵误差：LH 为 0.819，LF 为 0.639，RF 为 1.362，RH 为 1.284。
• 在 A1 仿真中，交叉熵误差为：LH 1.013，LF 1.089，RF 0.377，RH 1.242，表明在仿真数据上表现优异。
• 该方法能够实现连续状态与离散模式序列的精确联合估计，后验概率和 MAP 估计均表现出高保真度。
• 平滑优于滤波在模式估计精度上的表现，证实了在混合系统推理中使用未来信息的优势。