[论文解读] 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 5

一句话总结

本文提出了一种变分阴影滤波器，用于在使用噪声范围或方位观测值的情况下，对具有未知且任意变化加速度的物体进行跟踪。通过最小化一个施加物理动力学和加速度限制的拉格朗日函数，该方法利用线性方程高效求解出平滑且物理上合理的轨迹，展现出对缺失数据和奇异误差相关性的鲁棒性——在这些场景下优于贝叶斯滤波器。

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.

研究动机与目标

• 解决使用稀疏且噪声较大的传感器数据跟踪具有未知、时变加速度的机动目标的挑战。
• 克服在运动为确定性而观测噪声占主导地位时，随机滤波器（如卡尔曼滤波器、粒子滤波器）的局限性。
• 开发一种计算高效且对缺失数据和奇异误差协方差结构具有鲁棒性的变分滤波方法。
• 证明在本场景下忽略位置估计中的误差相关性——这在贝叶斯滤波器中常见——反而有益，可提升稳定性和准确性。

提出的方法

• 将跟踪问题表述为变分优化：最小化位置误差平方和的加权和，同时满足物理动力学约束（在时间区间内加速度恒定）。
• 使用拉格朗日函数施加牛顿运动的运动学约束：位置和速度的更新依赖于加速度和时间间隔。
• 引入对均方根加速度的全局约束，以防止运动出现过度或突兀的变化。
• 通过将拉格朗日函数的偏导数设为零，求解得到的线性方程组，从而获得一个二次样条轨迹。
• 通过独立处理每个位置分量，将标量方法扩展到多维跟踪，使用来自间接观测的原始位置估计。
• 应用平滑参数 η 来控制拟合观测值与最小化加速度之间的权衡，从而实现对数据间隙的鲁棒性。

实验结果

研究问题

• RQ1 变分方法是否能在具有未知、非随机加速度和噪声观测值的情况下，优于随机滤波器？
• RQ2 该阴影滤波器如何处理观测误差协方差中的奇异性，例如当传感器与目标共线时？
• RQ3 在不降低跟踪性能的前提下，可以在多大程度上忽略位置估计之间的误差相关性？
• RQ4 在缺失数据条件下滤波器表现如何？数据可用性降低是否会导致更好的平滑性或稳定性？
• RQ5 在滤波过程中，使用原始但可能相关的估计位置与显式建模其相关性相比，其影响是什么？

主要发现

• 即使75%的观测值缺失，该阴影滤波器仍能生成准确且平滑的轨迹，位置和加速度估计保持高度一致。
• 该滤波器对奇异误差协方差具有鲁棒性——例如在传感器与目标共线配置下产生的误差协方差——而卡尔曼滤波器在此类情况下常会灾难性地失效。
• 忽略原始位置估计之间的误差相关性，其性能优于尝试建模这些相关性，因为从噪声原始数据中估计的相关性具有误导性。
• 该方法简化为求解线性方程组，因此计算效率高且相比粒子滤波或卡尔曼滤波更具可扩展性。
• 最终轨迹与真实路径高度吻合，即使在条件不良区域也表现良好，当原始数据不可靠时，滤波器能有效切换到基于预测的估计。
• 平滑参数 η 控制有效平滑程度；数据越少，相同的 η 值导致更多平滑，这可略微改善轨迹平滑性，但并非根本性改进。