SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

ＵＫＦ（ Unscented Kalman Filter ) と その応用

kanoa avatar
kanoa
87 diapositives · 2.3K Views · Aug 27, 2014

ＵＫＦ（ Unscented Kalman Filter ) と その応用. 東京工業大学大学院 機械制御システム専攻 　　　　山北　昌毅. 状態推定の必要性. システムの将来の挙動の予測 状態フィードバック パラメータ推定. 状態推推定器（オブザーバ）. 状態推定とパラメータ推定. 内容. 最小分散推定値 Ｋａｌｍａｎ Filter 線形カルマンフィルタ 拡張カルマンフィルタ Unscented Kalman Filter (UKF) 例題を用いた状態推定比較 UKF とＲＨＣの併用例 まとめ. 期待値. 分散. 　次統計モーメント.

#ＵＫＦ（ unscented kalman filter ) と その応用 #ＵＫＦ（ unscented kalman filter ) と その応用 ppt #powerpoint #presentation
ＵＫＦ（ Unscented Kalman Filter ) と その応用 - slide 1
01 / 87ＵＫＦ（ Unscented Kalman Filter ) と その応用
1 / 17

Télécharger la présentation

ＵＫＦ（ Unscented Kalman Filter ) と その応用
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. ＵＫＦ（Unscented Kalman Filter)とその応用 東京工業大学大学院 機械制御システム専攻 　　　　山北　昌毅

  2. 状態推定の必要性 • システムの将来の挙動の予測 • 状態フィードバック • パラメータ推定

  3. 状態推推定器（オブザーバ）

  4. 状態推定とパラメータ推定

  5. 内容 • 最小分散推定値 • Ｋａｌｍａｎ Filter • 線形カルマンフィルタ • 拡張カルマンフィルタ • Unscented Kalman Filter (UKF) • 例題を用いた状態推定比較 • UKFとＲＨＣの併用例 • まとめ

  6. 期待値 • 分散 • 　次統計モーメント １次モーメント：平均 ３次モーメント：歪度 ２次モーメント：分散 ４次モーメント：尖度

  7. 平均： • 分散： • 奇数次モーメント： • 偶数次モーメント： ガウス分布 • １次元

  8. 多次元 • ２次元

  9. ２次元分布（相関による変化）

  10. Fact 正規分布を持つ確率変数のAffine変換された確率変数の確率分布は正規分布となる。つまり、

  11. 観測量 推定したい 推定量 パラメータ 評価関数　　　　　　　　を最小にする推定値 条件付き期待値　　　　　　　　　と等価 （　　の分布の種類によらず） 最小分散推定値 推定ルール

  12. 証明

  13. と無関係 が最小分散推定値となる 続き これが最小になるのは の時。 つまり、

  14. ここまでのまとめ • 最小分散推定値は条件付期待値である。 • どうやって条件付期待値を求めるのか • 条件付確率密度関数が得られても計算が困難 • ガウス分布を仮定すると容易に計算可能

  15. より上の共分散は ガウス分布の条件付期待値 注：ガウス分布でないとき線形最小分散推定値となる

  16. 証明

  17. 条件付確率密度関数

  18. 確率密度関数のレベル集合との関係

  19. 偏差と観測値の‘直交条件’

  20. 状態ベクトル 観測ベクトル 状態外乱ベクトル 観測外乱ベクトル 線形カルマンフィルタ • 対象モデル

  21. 初期推定値　　　 とその予測誤差共分散 • 線形カルマンフィルタ １．カルマンゲインを計算 ２．前回の予測推定値を観測値との誤差で修正 ３．予測推定値を計算 ４．推定誤差共分散行列を更新

  22. 証明 両辺の条件無しの期待値をとる。（ｋ－１時刻までの情報による期待値） 誤差ベクトルの同時確率密度関数の分散は以下のように計算される

  23. 従ってゲインを次のように定義し、 最適な推定値は次式で与えられる

  24. シミュレーション例 • ３次のARモデルのパラメータ推定 • 状態空間モデル

  25. シミュレーション結果 観測回数

  26. 入力ベクトル 線形カルマンフィルタ（入力あり） • 対象モデル ほとんど同様に計算できる （条件なし期待値の計算）

  27. 白色化フィルター（イノベーションプロセス）白色化フィルター（イノベーションプロセス）

  28. 拡張カルマンフィルタ

  29. 拡張カルマンフィルタの更新式

  30. 予測出力を用いた非線形カルマンフィルタ（１）予測出力を用いた非線形カルマンフィルタ（１） 　　　と　　　を推定する 　　　と　　　が既知 （ＵＫＦの考え方も同じ）

  31. 統計モーメントを近似（UKF） 予測出力を用いた非線形カルマンフィルタ（２） システムを逐次線形近似（EKF）

  32. 予測出力を用いた拡張カルマンフィルタ 等価外乱 34

  33. 　　　と　　　を推定する 　　　と　　　が既知 Unscented Kalman Filter（UKF) • 拡張カルマンフィルタの問題点 • 線形近似する際にヤコビアンを計算しなければならない • 　（不連続なシステム、Hard Nonlinearity） • 推定値にバイアスが乗ることがある （平均値の変換は変換後の平均値になると仮定している） • 発散することもある システムを近似するより統計量を近似するほうが容易 数カ所のサンプル点（Sigma Points）を選び、集合平均的に統計量を近似する Unscented Transformation （Ｕ変換）

  34. SigmaPointsの考え方 を平均値 、分散行列 の確率変数ベクトルとする を考えて、それぞれの に対して、２ｎ＋１個の代表点 離散点の生起確率を とする。ただし、 の集合的統計的性質は２次の モーメントまでは一致させる

  35. １．適切なサンプル点（Sigma Points）を推定値　　　　 と 共分散　　　 から選ぶ ２．Sigma Pointsを基に予測値　　　　　　　、　　　　　　　を 計算する ３．予測共分散　　　　　　　 、　　　　　　　 を計算する ４．カルマンゲイン　　　　　　を計算する 6．推定値　　　　　　　　　と共分散　　　 を更新する 5．観測値　　　　　 が得られる　　　 UKFの計算手順

  36. とすると である 　　番目の列ベクトル UKF:SigmaPointｓ

  37. UKF：SigmaPointsの性質 平均 分散 平均、分散は一致している点の集合

  38. 補足 とすると

  39. SigmaPointsを用いた推定の性質 • 　　　は新の平均値　　　　を２次のorderまで近似 • （EKFは１次のorderまで近似） • 　　　　　　　は　　　　　　　を３次のorderまで近似（これはEKFと同じ） • 　　　　はチューニングパラメータ • 　　　　　　がGaussianの場合　　　　　　　　　　　と選ぶのが良い　　

  40. UKF：共分散行列の更新 1.Sigma Pointsを状態遷移関数で遷移させる 2.遷移させたSigma Pointsの集合平均で予測平均を近似する ３.遷移させたSigma Pointsの集合分散で予測分散を近似する

  41. ４.Sigma Pointsを観測関数で遷移させる ５.遷移させた点の集合平均で予測観測値を近似する ６.遷移させたSigma Pointsの集合分散で予測分散を近似する

  42. ９.観測値　　　　　 から推定値を更新する ７.イノベーションの予測共分散を計算する ８.カルマンゲインを計算する １０.予測誤差共分散を更新する

  43. ノイズがアフィンでない場合 • 上記の説明では観測ノイズが状態変数と独立で、アフィンな形で加わっていた（ノイズの影響は分散行列の和として計算可能） • ノイズがアフィンでない場合は状態とノイズの拡大した変数を考えてシグマポイントを生成して同様の計算を行う。（ただし、その分計算量が大きくなる。また、状態と両ノイズに相関がないので、平均の状態にノイズが加わった形での評価となる。）

  44. 不安定化への対処の方法 • 状態外乱の共分散行列を大きめに設定する 　（真の値を用いずに調整パラメータと考える） ＣＫＦアルゴリズム

  45. 共分散行列の予測 EKFによる共分散の予測 UKFによる共分散の予測

  46. :既知 　、　:未知パラメータ 　　　を観測 状態　　　　と未知パラメータ　 、　 を 同時に推定する シミュレーション例 • 状態方程式 • 観測方程式

  47. 観測方程式（モデル） センサの脈動を 表したモデル

  48. 未知パラメータベクトル 出力 出力、入力から計算される非線形関数ベクトル 逐次最小二乗法