[论文解读] Variational Bayesian Adaptation of Noise Covariances in Non-Linear Kalman Filtering

Simo Särkkä Jouni Hartikainen|arXiv (Cornell University)|Feb 4, 2013

Target Tracking and Data Fusion in Sensor Networks被引用 30

一句话总结

本文提出了一种变分贝叶斯滤波算法，用于在非线性状态空间模型中联合估计状态和时变噪声协方差矩阵。通过将变分贝叶斯与高斯滤波技术（如无迹、立方和高斯-埃尔米特积分）相结合，该方法实现了对具有未知且时变测量噪声协方差的非线性系统的高效近似推理，显著优于固定或对角协方差假设下的估计精度。

ABSTRACT

This paper is considered with joint estimation of state and time-varying noise covariance matrices in non-linear stochastic state space models. We present a variational Bayes and Gaussian filtering based algorithm for efficient computation of the approximate filtering posterior distributions. The Gaussian filtering based formulation of the non-linear state space model computation allows usage of efficient Gaussian integration methods such as unscented transform, cubature integration and Gauss-Hermite integration along with the classical Taylor series approximations. The performance of the algorithm is illustrated in a simulated application.

研究动机与目标

• 解决在非线性随机状态空间模型中同时估计状态和时变测量噪声协方差矩阵的挑战。
• 克服在噪声协方差未知的非线性模型中精确贝叶斯滤波的计算不可行性。
• 将变分贝叶斯自适应卡尔曼滤波（VB-AKF）扩展至处理非线性系统中的完整时变噪声协方差矩阵。
• 通过结合高斯滤波近似与变分贝叶斯推理，实现在联合后验估计中的高效推理。

提出的方法

• 采用自由形式变分贝叶斯（VB）推理构建联合滤波后验近似，以解耦状态与噪声协方差估计。
• 应用高斯滤波方法（如无迹、立方和高斯-埃尔米特积分）来近似非线性状态和测量转换。
• 为时变噪声协方差矩阵 Σₖ 建立马尔可夫动态模型，使其能够随时间随机演化。
• 通过最小化 Kullback-Leibler 散度，推导出状态和协方差后验 VB 近似的固定点更新方程。
• 在 VB 框架内采用高效的数值积分方案（如无迹变换、立方规则）以处理非线性。
• 采用顺序滤波结构实现算法，通过 VB 近似后验在预测与更新步骤之间交替进行。

实验结果

研究问题

• RQ1 变分贝叶斯推理能否与高斯滤波有效结合，以实现在非线性系统中对状态和时变噪声协方差矩阵的联合估计？
• RQ2 在非线性、非高斯环境下，所提方法与采用固定或对角协方差假设的标准卡尔曼滤波相比，性能如何？
• RQ3 不同高斯积分方法（如 UKF、CKF、GHKF）在多大程度上影响联合状态与协方差估计的精度与稳定性？
• RQ4 该算法能否适应真实跟踪场景中的空间相关噪声场和时变噪声结构？
• RQ5 在非线性滤波应用中，建模完整协方差矩阵与对角或固定协方差相比，对估计精度有何影响？

主要发现

• 所提出的变分贝叶斯自适应无迹卡尔曼滤波（VBAUKF-f）在仅测距跟踪中显著优于采用固定或对角协方差矩阵的标准无迹卡尔曼滤波，部分分量的均方根误差（RMSE）降低了高达40%。
• 在多传感器仅方位角跟踪场景中，采用完整协方差估计的 VB-ACKF（立方卡尔曼滤波变体）的均方根误差（RMSE）低于采用固定对角协方差的 CKF 和采用真实协方差的 CKF。
• 时变噪声协方差矩阵 Σₖ 的估计结果准确且平滑，能够捕捉噪声场中的空间相关性，如在仅测距跟踪仿真中所展示。
• 该方法成功适应了演化中的噪声结构，包括时变方差和交叉相关性，且无需预先知晓噪声动力学。
• 完整协方差估计方法（VBCKF-f）的性能更接近于采用真实协方差的最优 CKF，优于任何采用固定或对角协方差矩阵的方法。
• 该算法在不同非线性滤波场景中表现出鲁棒性和稳定性，当使用 CKF 或 GHKF 等高阶方法时，对高斯积分规则选择的敏感性极低。