基于贝叶斯优化的卡尔曼滤波器调参
系统与控制
2019-12-19 v1 机器人学
系统与控制
最优化与控制
摘要
许多状态估计算法必须在给定状态空间过程与观测模型的情况下进行调参，即必须选择过程与观测噪声参数。传统的调参方法依赖启发式手工调参或基于梯度的优化技术来最小化性能代价函数。然而，调参后的噪声值与估计器性能之间的关系高度非线性且随机。因此，调参解容易陷入局部极小，从而导致噪声参数选择不当与估计器性能次优。本文描述了贝叶斯优化（BO）如何克服这些问题。BO 将优化视为随机“黑箱”代价函数的贝叶斯搜索问题，其目标是在解空间中搜索以最大化改进当前最佳解的概率。因此，BO 在存在局部极小与性能随机性时，为基于优化的估计器调参提供了一种有原则的方法。虽然扩展卡尔曼滤波器（EKF）是本文的主要关注点，BO 也可类似地用于调参其他相关的状态空间滤波器。此处提出的方法使用由通过传感器数据获得的归一化新息平方（NIS）滤波器残差导出的性能度量，从而无需知道真值状态。基于 BO 的调参的鲁棒性、准确性与可靠性在实用的非线性状态估计问题、闭环气动机器人控制上得到了说明。
引用
@article{arxiv.1912.08601,
title = {Kalman Filter Tuning with Bayesian Optimization},
author = {Zhaozhong Chen and Nisar Ahmed and Simon Julier and Christoffer Heckman},
journal= {arXiv preprint arXiv:1912.08601},
year = {2019}
}