[论文解读] 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 30

一句话总结

本文提出了一种用于非线性潜在力模型（LFMs）的状态空间推理框架，采用扩展卡尔曼滤波与平滑技术，实现了对GPS卫星轨道的精确、长期预测。通过将非线性LFMs建模为由白噪声驱动的状态空间系统，该方法能够在状态和参数上实现高效的近似推理，在轨道预测方面相比标准方法表现出更优性能。

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.

研究动机与目标

• 为解决非线性潜在力模型（LFMs）中分析上难以处理的推理问题，这些模型对于建模复杂物理系统至关重要。
• 开发一种可扩展且高效的推理框架，将机理建模与非参数学习相结合，用于非线性动力系统。
• 通过整合物理定律与数据驱动组件，实现对GPS卫星轨道的长期、精确预测。
• 在具有高不确定性与非线性动力学的现实世界空间导航问题上，展示该方法的实际应用价值。

提出的方法

• 作者将非线性潜在力模型表示为由白噪声驱动的非线性状态空间模型，从而能够应用成熟的滤波与平滑技术。
• 采用扩展卡尔曼滤波（EKF）进行在线状态估计，采用扩展卡尔曼平滑器（EKS）对状态轨迹进行离线优化。
• 通过基于迭代EKF的优化方法，实现对潜在状态与模型参数的联合推理。
• 该方法利用潜在力模型的结构，将已知物理定律（例如轨道力学）嵌入状态转移函数中。
• 非参数部分建模为高斯过程，其超参数在推理过程中一并估计。
• 通过在非线性状态空间模型中递归传播不确定性，该框架支持长时程预测。

实验结果

研究问题

• RQ1 非线性潜在力模型能否被有效表示为状态空间模型，以实现可扩展的推理？
• RQ2 扩展卡尔曼滤波与平滑在非线性、非高斯潜在力模型中，能否有效近似后验分布？
• RQ3 与标准模型相比，该推理框架能否提升长期卫星轨道预测的准确性？
• RQ4 在非线性设置下，将机理物理模型与数据驱动组件相结合会产生何种影响？

主要发现

• 所提出的状态空间推理方法能够实现对GPS卫星轨道的精确且稳定的长期预测，在均方根误差方面优于标准模型。
• 该方法通过利用扩展卡尔曼滤波在当前估计点附近线性化的特性，成功处理了轨道动力学中的非线性问题。
• 对状态与参数的联合推理显著提升了模型校准效果，并增强了对初始不确定性变化的鲁棒性。
• 该框架在实际空间应用中表现出良好的可行性，其结果已在真实GPS卫星跟踪数据上得到验证。