[論文レビュー] Tracking an Object with Unknown Accelerations using a Shadowing Filter

Kevin Judd|arXiv (Cornell University)|Jan 21, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 10被引用数 5

ひとこと要約

本稿では、ノイズの多い距離または方位観測を用いて、未知で任意に変化する加速度を持つ物体を追跡するための変分シャドウフィルタを提案する。物理的運動方程式と加速度の上限を強制するラグランジアンを最小化することで、線形方程式を用いて滑らかで物理的に妥当な軌道を効率的に求め、欠損データや特異な誤差相関に対してもロバストであることが示された。このような状況ではベイジアンフィルタを上回る性能を発揮する。

ABSTRACT

A commonly encountered problem is the tracking of a physical object, like a maneuvering ship, aircraft, land vehicle, spacecraft or animate creature carrying a wireless device. The sensor data is often limited and inaccurate observations of range or bearing. This problem is more difficult than tracking a ballistic trajectory, because an operative affects unknown and arbitrarily changing accelerations. Although stochastic methods of filtering or state estimation (Kalman filters and particle filters) are widely used, out of vogue variational methods are more appropriate in this tracking context, because the objects do not typically display any significant random motions at the length and time scales of interest. This leads us to propose a rather elegant approach based on a \emph{shadowing filter}. The resulting filter is efficient (reduces to the solution of linear equations) and robust (uneffected by missing data and singular correlations that would cause catastrophic failure of Bayesian filters.) The tracking is so robust, that in some common situations it actually performs better by ignoring error correlations that are so vital to Kalman filters.

研究の動機と目的

• 疎でノイズの多いセンサデータを用いて、未知で時間的に変化する加速度を持つ運動する物体の追跡という課題に対処すること。
• 運動が決定論的であり観測ノイズが支配的であるような状況において、確率的フィルタ（例：カルマンフィルタ、パーティクルフィルタ）の限界を克服すること。
• 計算効率が良く、欠損データや特異な誤差共分散構造に対しても耐障害性を有する変分フィルタリング手法を開発すること。
• ベイジアンフィルタで一般的に行われる位置推定の誤差相関を無視することが、この文脈では安定性と精度を向上させることにつながることを示すこと。

提案手法

• 物理的運動方程式（区間ごとに一定加速度）を制約として、位置誤差の重み付き二乗和を最小化する変分最適化問題として追跡問題を定式化する。
• ラグランジュ乗数を用いてニュートン運動の運動学的制約を強制する：位置と速度の更新は加速度と時間間隔に依存する。
• 全加速度の平均二乗値にグローバル制約を導入し、運動の急激な変化や過剰な変化を防ぐ。
• ラグランジアンの偏微分をゼロとおくことで得られる線形方程式系を解き、二次スプライン軌道を導出する。
• 各位置成分を独立に処理することでスカラー手法を多次元追跡に拡張し、間接観測からの生の位置推定値を用いる。
• 観測値への適合度と加速度の最小化のトレードオフを制御する平滑化パラメータηを導入し、データギャップに対しても耐障害性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 未知で確率的でない加速度を持つ物体とノイズの多い観測値を用いた追跡において、変分的手法が確率的フィルタを上回ることができるか？
• RQ2 観測誤差共分散の特異性（例：センサと標的が同一直線上にある場合）に対し、シャドウフィルタはどのように対処するか？
• RQ3 位置推定値間の誤差相関を無視しても、追跡性能が著しく低下しない程度の範囲で無視可能か？
• RQ4 欠損データ下でのフィルタの性能はどの程度か？データの減少は平滑化や安定性の向上をもたらすか？
• RQ5 生の相関のある位置推定値をそのまま使用するのと、その相関を明示的にモデル化するのとでは、フィルタリングプロセスにどのような影響を与えるか？

主な発見

• 75％の観測値が欠落している状況下でも、位置および加速度推定値が極めて一貫しており、正確で滑らかな軌道が得られる。
• 誤差共分散の特異性（例：同一直線上に配置されたセンサと標的によるもの）に対しても、フィルタはロバストである。カルマンフィルタはしばしば深刻な失敗を示すが、本手法はそのような状況でも安定に動作する。
• 生の位置推定値間の誤差相関を無視することで、相関をモデル化しようとすることよりも優れた性能が得られる。ノイズの多い生データから得られる相関推定値は誤解を招くためである。
• 本手法は線形方程式系の解法に帰着するため、パーティクルフィルターやカルマンフィルタと比較して計算効率が高く、スケーラビリティに優れる。
• 条件が悪い領域であっても、真の経路に極めて近い軌道が得られる。生のデータが信頼できない場合には、予測ベースの推定に効果的に切り替わる。
• 平滑化パラメータηは有効な平滑化を制御する。データが少ない場合には、同じη値でもより強い平滑化が行われ、軌道の滑らかさがわずかに向上するが、根本的な性能向上ではない。