[论文解读] The Kalman Like Particle Filter : Optimal Estimation With Quantized Innovations/Measurements

Ravi Teja Sukhavasi, Babak Hassibi|arXiv (Cornell University)|Sep 5, 2009

Target Tracking and Data Fusion in Sensor Networks参考文献 15被引用 4

一句话总结

本文提出了一种新型估计算法——卡尔曼类似粒子滤波器（KLPF），用于线性系统在量化测量下的状态估计。该方法利用广义封闭偏态正态（GCSN）状态分布，实现接近最优的性能，且所需粒子数远少于标准粒子滤波器。该方法结合了卡尔曼滤波的结构与粒子滤波的优势，通过利用条件状态密度的解析形式，实现了在传感器网络中高效且精确的估计，并验证了LQG控制中经典的分离原理。

ABSTRACT

We study the problem of optimal estimation and control of linear systems using quantized measurements, with a focus on applications over sensor networks. We show that the state conditioned on a causal quantization of the measurements can be expressed as the sum of a Gaussian random vector and a certain truncated Gaussian vector. This structure bears close resemblance to the full information Kalman filter and so allows us to effectively combine the Kalman structure with a particle filter to recursively compute the state estimate. We call the resulting filter the Kalman like particle filter (KLPF) and observe that it delivers close to optimal performance using far fewer particles than that of a particle filter directly applied to the original problem. We show that the conditional state density follows a, so called, generalized closed skew-normal (GCSN) distribution. We further show that for such systems the classical separation property between control and estimation holds and that the certainty equivalent control law is LQG optimal.

研究动机与目标

• 解决在带宽受限的传感器网络中，测量被量化时线性系统的最优状态估计挑战。
• 开发一种计算高效的滤波方法，其粒子数量显著少于标准粒子滤波器，同时保持高精度。
• 表征在量化创新下的条件状态密度，并证明其服从广义封闭偏态正态（GCSN）分布。
• 证明经典分离原理在具有量化测量的LQG控制中依然成立，从而支持最优控制设计。
• 通过仿真验证，KLPF能够稳定不稳定的系统，并在使用极少粒子的情况下实现接近最优滤波器的性能。

提出的方法

• 通过识别在因果量化测量下状态的条件分布可分解为高斯向量与截断高斯向量之和，推导出广义封闭偏态正态（GCSN）分布。
• 利用该GCSN结构递归计算后验均值与协方差，结合类似卡尔曼的更新方程与粒子滤波处理非高斯分量。
• 对状态分布的非高斯部分应用粒子滤波，显著减少了相对于直接对全状态进行滤波所需的粒子数量。
• 该方法具有通用性，适用于任何因果量化方案，包括创新符号量化与多级量化。
• 理论分析表明，最优滤波器的误差协方差受修正黎卡提递推关系的上界控制，但该上界并不总是紧致的。
• 证明了分离原理成立，从而允许在具有量化测量的系统中使用确定性等价控制律实现LQG最优性。

实验结果

研究问题

• RQ1 在量化测量下，条件状态密度是否可被解析表征？其是否偏离高斯性？
• RQ2 能否设计一种粒子滤波器，以利用量化创新下状态分布的结构，从而在保持精度的同时显著减少粒子数量？
• RQ3 在具有量化测量的系统中，估计与控制之间的经典分离原理是否仍然成立？
• RQ4 KLPF是否能仅用少量粒子稳定不稳定的线性系统？
• RQ5 修正黎卡提递推关系是否为最优滤波器误差协方差的上界？

主要发现

• 在给定量化创新的条件下，状态密度服从广义封闭偏态正态（GCSN）分布，该分布为非高斯分布，能有效捕捉量化引入的偏度。
• KLPF在粒子数量远少于标准粒子滤波器的情况下，实现了接近最优的估计性能——例如，仅增加1比特量化，粒子数即可从500减少至50。
• 在示例1中，1比特MLQ-KF与MLQ-KF发生发散，但使用50个粒子的KLPF实现了最优性能，表明其对量化具有强鲁棒性。
• 在示例4中，KLPF仅用100个粒子，在1000次时间步内成功稳定了一个不稳定系统（F的特征值大于1），且在1000次蒙特卡洛试验中无一次发散。
• 修正黎卡提递推关系并不总是能紧致地界定最优滤波器的误差协方差，这与早期假设相矛盾，凸显了对更紧致误差界的需求。
• 分离原理成立：确定性等价控制律在LQG意义下为最优，从而仅基于KLPF的状态估计即可实现最优控制设计。