[论文解读] Two novel costs for determining the tuning parameters of the Kalman Filter

Manika Saha, Bhaswati Goswami+1 more|arXiv (Cornell University)|Oct 18, 2011

Target Tracking and Data Fusion in Sensor Networks参考文献 14被引用 8

一句话总结

该论文提出两种基于创新协方差的新型离线性能度量 $J_1$ 和 $J_2$，用于预测和优化卡尔曼滤波器的调参。通过分析这些度量随过程噪声协方差 $Q$ 的变化，该方法在 $n_q \approx 1.21$ 附近识别出一个平衡的均方根误差（RMSE）性能区域，从而实现无需在线测试的鲁棒且稳定的滤波器设计。

ABSTRACT

The Kalman filter (KF) and the extended Kalman filter (EKF) are well established techniques for state estimation. However, the choice of the filter tuning parameters still poses a major challenge for the engineers [1]. In the present work, two new costs have been proposed for determining the filter tuning parameters on the basis of the innovation covariance. This provides a cost function based method for the selection of suitable combination(s) of filter tuning parameters in order to ensure the design of a KF or an EKF having an optimally balanced RMSE performance. Index Terms-Kalman filter, tuning parameters, innovation covariance, cost function

研究动机与目标

• 解决在缺乏准确噪声统计信息的情况下，选择卡尔曼滤波器调参参数（Q, R, P₀）的长期挑战。
• 开发一种确定性的、离线的方法，用于预测滤波器性能，而无需依赖经验性或在线优化。
• 提供一种系统化的方法，以识别状态估计RMSE中鲁棒性与灵敏度之间的合理权衡。
• 通过线性KF和非线性EKF的二维弹道目标跟踪问题，验证所提度量的有效性。

提出的方法

• 基于创新协方差 $S_k$ 和预测测量分量，推导出两个新的性能指标 $J_1$ 和 $J_2$。
• 定义 $J_1 = \text{trace}(S_k^{-1} \cdot \text{cov}(\hat{y}_k | x_k))$ 和 $J_2 = \text{trace}(S_k^{-1} \cdot \text{cov}(\tilde{y}_k))$，其中 $\tilde{y}_k$ 为创新项。
• 通过参数 $n_q$ 对过程噪声协方差 $Q_0 = 10^p Q_{\text{nom}}$ 进行连续变化，以探索调参空间中的性能表现。
• 对不同 $n_q$ 值离线评估 $J_1$ 和 $J_2$，以在实际滤波前预测RMSE行为。
• 将度量趋势与KF和EKF仿真中实际的RMSE结果进行比较，以验证其预测能力。
• 利用 $J_1$ 和 $J_2$ 的交叉点，识别出实现平衡性能的最优 $n_q$ 范围。

实验结果

研究问题

• RQ1 基于创新的度量 $J_1$ 和 $J_2$ 是否能够在无需在线测试的情况下，准确预测卡尔曼滤波器的实际RMSE性能？
• RQ2 $J_1$ 和 $J_2$ 如何随过程噪声协方差 $Q_0$ 的变化而变化？这对滤波器的稳定性和准确性有何含义？
• RQ3 在何种 $n_q$ 值下，滤波器能够实现RMSE中鲁棒性与灵敏度之间的平衡权？
• RQ4 所提出的度量是否能够可靠地识别出在线性（KF）和非线性（EKF）系统中均最优的调参组合？
• RQ5 $J_1$ 和 $J_2$ 度量与标准NIS度量相比，在预测能力和可解释性方面有何差异？

主要发现

• $J_1$ 和 $J_2$ 的取值范围在 0 到 $m=2$ 之间，其中 $J_1$ 在低 $n_q$ 时趋近于 $m$，$J_2$ 在高 $n_q$ 时趋近于 $m$。
• $J_1$ 在高 $n_q$ 时、$J_2$ 在低 $n_q$ 时接近最小值 0，表明存在极端灵敏度或不稳定性。
• $J_1$ 和 $J_2$ 的交叉点出现在 $n_q = 0.21$ 到 $n_q = 1.21$ 之间，标识出平衡RMSE性能的区域。
• 当 $n_q \geq 1.21$ 时，$J_2$ 值接近 $m=2$，表明具有鲁棒性；而 $J_1$ 在低 $n_q$ 时接近 $m$，则表明灵敏度高，存在发散风险。
• 所提出的度量能够成功预测KF和EKF的实际RMSE行为，其性能趋势在整个 $n_q$ 范围内与仿真结果高度一致。
• 该方法可在极低计算开销下实现离线调参选择，为启发式或迭代调参提供了一种确定性的替代方案。