[論文レビュー] State-Space Inference for Non-Linear Latent Force Models with Application to Satellite Orbit Prediction

Jouni Hartikainen, Mari Seppänen+1 more|arXiv (Cornell University)|Jun 18, 2012

Gaussian Processes and Bayesian Inference参考文献 15被引用数 30

ひとこと要約

本論文は、GPS衛星軌道の高精度で長期的な予測を可能にするために、拡張カルマンフィルタリングおよびスムージングを用いた非線形潜在力モデル（LFMs）の状態空間推論フレームワークを提案する。非線形LFMsをホワイトノイズ駆動の状態空間システムとしてモデル化することにより、状態およびパラメータにおける効率的な近似推論が可能となり、標準的手法と比較して優れた性能を示す。

ABSTRACT

Latent force models (LFMs) are flexible models that combine mechanistic modelling principles (i.e., physical models) with non-parametric data-driven components. Several key applications of LFMs need non-linearities, which results in analytically intractable inference. In this work we show how non-linear LFMs can be represented as non-linear white noise driven state-space models and present an efficient non-linear Kalman filtering and smoothing based method for approximate state and parameter inference. We illustrate the performance of the proposed methodology via two simulated examples, and apply it to a real-world problem of long-term prediction of GPS satellite orbits.

研究の動機と目的

• 複雑な物理系をモデル化するために不可欠な非線形潜在力モデル（LFMs）における解析的に扱いにくい推論問題に対処すること。
• 機械的モデリングと非パラメトリック学習を統合した、スケーラブルで効率的な推論フレームワークを構築すること。
• 物理法則とデータ駆動型コンponentsを統合することで、GPS衛星軌道の長期的で高精度な予測を可能にすること。
• 高い不確実性と非線形ダイナミクスを示す現実世界の宇宙航行問題において、本手法の実用的有効性を示すこと。

提案手法

• 著者らは、非線形潜在力モデルをホワイトノイズ駆動の非線形状態空間モデルとして表現し、既存のフィルタリングおよびスムージング技術の適用を可能にする。
• オンライン状態推定には拡張カルマンフィルタ（EKF）を、オフラインでの状態軌道の最適化には拡張カルマンスムージング（EKS）を用いる。
• 繰り返しEKFに基づく最適化を用いて、潜在状態およびモデルパラメータの両方に対する共同推論を実施する。
• 潜在力モデルの構造を活用し、既知の物理法則（例：軌道力学）を状態遷移関数に組み込む。
• 非パラメトリックコンポーネントはガウス過程としてモデル化され、そのハイパーパrameterは推論中に同時に推定される。
• 非線形状態空間モデルを再帰的に伝播させることで、長時間予測が可能となる不確実性の伝播をサポートする。

実験結果

リサーチクエスチョン

• RQ1 非線形潜在力モデルは、スケーラブルな推論を可能にするために、状態空間モデルとして効果的に表現可能か？
• RQ2 拡張カルマンフィルタリングおよびスムージングは、非線形的かつ非ガウス的な潜在力モデルにおいて、事後分布をどれほど良好に近似できるか？
• RQ3 この推論フレームワークは、標準モデルと比較して、長期的な衛星軌道予測の精度を向上させることができるか？
• RQ4 非線形設定において、機械的物理法則とデータ駆動型コンポーネントを統合することで、どのような影響が生じるか？

主な発見

• 提案された状態空間推論手法により、GPS衛星軌道の高精度で安定した長期的予測が可能となり、標準モデルと比較して平均二乗誤差の観点で優れた性能を示した。
• 拡張カルマンフィルタが現在の推定値の周囲で線形化できる能力を活用することで、軌道力学に内在する非線形性を効果的に処理した。
• 状態とパラメータの両方に対する共同推論により、モデルのキャリブレーションが向上し、初期不確実性に対するロバストネスが向上した。
• 実際のGPS衛星追跡データを用いた検証を通じて、本フレームワークが現実世界の宇宙応用において実用的であることが示された。