[论文解读] The Recursive Gauss-Newton Filter

Roaldje Nadjiasngar, Michael Inggs|arXiv (Cornell University)|Oct 24, 2011

Neural Networks and Applications参考文献 8被引用 3

一句话总结

本文提出了一种紧凑且内存高效的递归高斯-牛顿滤波器（RGNF），该滤波器源自高斯-牛顿法，结合了局部线性化与加权最小二乘法，用于非线性状态估计。通过集成Levenberg-Maquardt阻尼策略，RGNF在所有四种线性/非线性过程与观测模型组合下均表现出鲁棒性能，显著降低了计算内存需求，同时在跟踪机动目标时保持了高精度。

ABSTRACT

This paper presents a compact, recursive, non-linear, filter, derived from the Gauss-Newton (GNF), which is an algorithm that is based on weighted least squares and the Newton method of local linearisation. The recursive form (RGNF), which is then adapted to the Levenberg-Maquardt method is applicable to linear / nonlinear of process state models, coupled with the linear / nonlinear observation schemes. Simulation studies have demonstrated the robustness of the RGNF, and a large reduction in the amount of computational memory required, identified in the past as a major limitation on the use of the GNF.

研究动机与目标

• 开发高斯-牛顿滤波器（GNF）的递归、内存高效形式，以克服原始非递归GNF的高计算内存需求。
• 将GNF的适用范围扩展至所有四种线性与非线性过程动力学及观测模型的组合。
• 通过将Levenberg-Maquardt阻尼策略集成到递归滤波框架中，提升鲁棒性与收敛稳定性。
• 通过自适应阻尼与遗忘因子，实现单一滤波模型对机动目标的实时跟踪。

提出的方法

• 基于标称轨迹的局部线性化，推导出高斯-牛顿滤波器的递归形式，避免显式计算状态转移矩阵。
• 引入基于加权最小二乘法的Hessian矩阵近似递归更新，实现在不存储历史数据的情况下高效状态估计。
• 应用Levenberg-Maquardt阻尼因子，平衡高斯-牛顿与最速下降步长，提升收敛性与鲁棒性。
• 将遗忘因子融入递归方程，以增强对机动目标的跟踪性能。
• 采用紧凑统一的算法，适用于所有四种情况：线性/线性、线性/非线性、非线性/线性及非线性/非线性过程与观测模型。
• 使用数值积分计算扰动动力学的敏感性矩阵A(Ẋ(t))与转移矩阵Φ。

实验结果

研究问题

• RQ1 能否推导出一种递归且内存高效的高斯-牛顿滤波器形式，避免存储历史数据或转移矩阵？
• RQ2 Levenberg-Maquardt阻尼策略的集成如何提升递归高斯-牛顿滤波器的鲁棒性与收敛性？
• RQ3 递归高斯-牛顿滤波器在所有线性与非线性过程及观测模型组合下，对机动目标的跟踪能力达到何种程度？
• RQ4 阻尼因子与遗忘因子对非线性跟踪场景中估计精度与收敛速度有何影响？

主要发现

• 递归高斯-牛顿滤波器（RGNF）通过消除对历史状态转移矩阵或历史数据的存储需求，实现了零内存开销。
• RGNF在所有四种模型组合下均表现出鲁棒性能：线性/线性、线性/非线性、非线性/线性与非线性/非线性动力学与观测。
• 速度RMSE随目标机动而变化，而位置RMSE保持稳定，表明即使在动态变化下，也能有效跟踪目标状态。
• 在机动转换时刻，阻尼因子急剧增加，表明对目标动力学变化具有自适应响应能力。
• 在机动期间，每周期的平均迭代次数增加，反映出状态转换期间计算需求更高。
• 滤波器在少量迭代内实现收敛（平均k ≈ 10–15），并在250次蒙特卡洛运行中保持较低的均方根误差（RMSE）。